Conception et modélisation de nouvelles molécules hautement énergétiques en fonction des contraintes réglementaires et environnementales
Auteur / Autrice : | Charlotte Alliod |
Direction : | Raphaël Terreux |
Type : | Thèse de doctorat |
Discipline(s) : | Toxicologie et chémiométrie |
Date : | Soutenance le 08/03/2018 |
Etablissement(s) : | Lyon |
Ecole(s) doctorale(s) : | École doctorale Interdisciplinaire Sciences-Santé (Villeurbanne ; 1995-....) |
Partenaire(s) de recherche : | établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....) |
Laboratoire : Laboratoire de Biologie tissulaire et d'ingénierie thérapeutique (Lyon ; 2013-....) | |
Jury : | Président / Présidente : Guy Jacob |
Examinateurs / Examinatrices : Raphaël Terreux, Nadia Patino | |
Rapporteurs / Rapporteuses : Edwige Nicolle, Anne-Claude Camproux, Pierre Charrue |
Mots clés
Résumé
Depuis deux décennies, la recherche militaire se focalise sur l'amélioration des critères de performances des explosifs, tout en prenant en compte leurs impacts environnementaux et toxicologiques. Ces enjeux sont encadrés par une réglementation stricte : REACh (Registration, Evaluation, Authorization and Restriction of Chemicals) permettant d'assurer un haut niveau de protection sanitaire et environnementale. De nos jours, développer des explosifs ou molécules hautement énergétiques (High Energy Materials (HEM)) ayant un effet réduit sur l'homme et l'environnement est un sujet de préoccupation majeur. Ainsi, en collaboration avec Airbus Safran Lauchers (ASL), un programme de recherche a été mis en place, afin d'obtenir des outils optimisés pour la prédiction de la toxicité des HEMs et concevoir de nouvelles molécules HEMS non toxiques et réglementaires.Différentes méthodes in silico ont été utilisées dont des Relations Structure Activité Quantitatives (ou Quantitative Structure-Activity Relationship (QSAR)) et le Machine Learning. La recherche de similarité structurale parmi les molécules est un outil novateur sur lequel nous avons basé nos prédictions in silico. Cette similarité est obtenue grâce à un algorithme intelligent développé au sein du Pôle Rhône Alpin de Bio-Informatique de Lyon et qui a donné lieu à un brevet. Cet algorithme nous permet d'obtenir des prédictions plus précises basées sur des données expérimentales issues de directives européennes