International Joint Conference

CB-WR-MED Conference/ 2nd AOP’Tunisia Conference

for
Sustainable Water Management
Tunis: April, 24 – 27 , 2013

CARACTERISATION NON CONVENTIONNELLE DE LA DISTRIBUTION DES

HYDROCARBURES AROMATIQUES POLYCYCLIQUES DANS L’EAU
Bouarra Nabil , Haddag Hamza, Boufenaya Hamza, Messadi Djelloul*

nabilos_26@yahoo.fr

Résumé
Les hydrocarbures aromatiques polycycliques (HAP) sont des contaminants organiques qui sont
largement répandues dans l'environnement, ils ont des effet cancérogène, mutagène et
spermatogénétique, certains HAP sont répertoriés à la Relation Environnement-Eau parmi les 129
polluants prioritaires par l’agence américaine de protection de l’environnement (US-EPA) le
comportements de HAP dans l'environnement à attiré une attention considérable dans le monde.
La solubilité aqueuse (Sw) des HAP à un grand intérêt pour déterminée la distribution et l'accumulation
dans l'eau, l'air, sol et dans les organismes vivant, ainsi leur vitesse de migration et les taux de
dégradation dans l’environnement.
La prédiction de la solubilité aqueuse et / ou d'absorption par l'homme a été l'objectif de nombreux
chercheurs ces dernières années. Les méthodes linéaires sont couramment utilisées pour la
construction des modèles QSPR, telles que la régression linéaire multiple (RLM), régression partielle
des moindres carrés (PLS), régression moins ordinaire au carré (OLS) ...
Dans notre étude nous avons appliqués la méthode de la régression multiple pour modéliser la
solubilité de 16 HAP prioritaires contrôlant leur évolution dans l'environnement, la sélection des
descripteurs moléculaires a été faite par algorithmes génétiques. Les résultats montre que le modèle
obtenu est très robuste aussi sa capacité prédictive est très importante Q 2=97,89 ,R2=98,57 ,en outre, le
modèle est très hautement significatif F= 412,41.
Mots clés : solubilité, régression multiple, QSPR, HAP, pollution des eaux.
I- Introduction
Les hydrocarbures aromatiques polycycliques (HAP) sont des molécules organiques issues de la combustion
incomplète des matières carbonées suite à des processus naturels, mineurs, et des processus anthropiques,
majoritaires. Les HAP sont constitués d’atomes de carbone et d’hydrogène formant au moins deux anneaux
aromatiques condensés, Ils sont libérés dans tous les compartiments de l’environnement. Le nombre de HAP
identifiés à ce jour est de l’ordre de 130[1]. Parmi ceux-ci, une liste restreinte est généralement considérée pour
les études environnementales. Ce sont les 16 polluants retenus comme prioritaires par l’agence
environnementale américaine (US-EPA) [2], elle contient les HAP les plus étudiés et posant des problèmes
majeurs du fait de leur toxicité. Le transport et le devenir des HAP dans l’environnement dépend, en partie de
leurs propriétés physicochimiques, comme la solubilité dans l’eau, et leurs répartitions relatives entre les
différentes phases environnementales. La solubilité dans l’eau peut être reliée à la température de fusion, en
association avec le volume moléculaire et l’aire de la surface de van der Waals qui le limite [3]. Des modèles à
2 régresseurs ont ainsi été établies, Ils nécessitent, cependant la connaissance de la température de fusion, un
paramètre expérimental aussi difficile à évaluer théoriquement que la solubilité elle-même.
Dans ce travail nous avons relié la solubilité dans l’eau (- log S) des HAP prioritaires, à des descripteurs
calculés avec le logiciel DRAGON [4], en favorisant l’approche hybride combinant algorithme génétique, pour
le choix de sous ensembles de descripteurs significatifs, et régression linéaire multiple.
La qualité de l’ajustement et la robustesse du modèle ont été vérifiées par validation interne.

II- Méthodes
Les solubilités des HAP prioritaires (exceptée celle du fluorène) rapportées dans [5], ont été utilisées pour l’analyse des relations structure / solubilité aqueuse.
Les structures des 15 molécules ont été obtenues à l’aide du logiciel Hyperchem Pro 6.03 [6], et les géométries finales à l’aide de la méthode semi-empirique PM3 [7], Tous les calculs ont été
menés dans le cadre du formalisme RHF sans interaction de configuration ; les structures moléculaires ont été optimisées à l’aide de l’algorithme Polak- Ribière avec pour critère une racine du
carrée moyen du gradient égale à 0,01 kcal /mol. Les géométries ainsi optimisées ont été transférées dans le logiciel informatique DRAGON [4], pour le calcul de plus de 1600 descripteurs
appartenant à 20 classes différentes.
En utilisant les options correspondantes du logiciel DRAGON, nous avons éliminé les descripteurs qui n’apportent aucune information (écarts types inferieures à 0,0001), ensuite de deux
descripteurs hautement corrélés(r>0,95) est éliminé celui qui présente les plus hautes corrélations croisées avec les autres descripteurs.
Les descripteurs importants sont alors sélectionnés par algorithme génétique dans la version MOBY DIGS [8] de Todeschini en maximisant le coefficient de prédiction Q². Les principaux
paramètres ont été fixés comme suit: taille de la population du modèle Pop= 30; nombre maximum de descripteurs L=2, de telle sorte à associer à chaque descripteurs un nombre d’échantillons
supérieur à 5; probabilité de croisement, p c = 0,5 probabilité de mutation, pM = 0 ,01.

III- Résultats
La solubilité dans l’eau des HAP a été reliée à des paramètres structuraux (tableau 1) qu’on peut
rattacher aux indices basés sur les valeurs propres(VEA1) et aux indices WHIM(Ku) [10] ; le coefficient
de corrélation de Pearson pour ces 2 descripteurs valant r = 0,463 pour une probabilité p = 0,083.
Le modèle retenu a pour équation :

-log S = -24,89 (±1,44) + 8,61 (± 0,40) VEA1 + 13,88 (± 2,13) Ku

n = 15 ; R²(%) = 98,6 ; Q² (%) = 97.89 ; Q²BOOT (%) = 97.17; s= 0,5315 ; F= 412,41- p = 0,000

Les valeurs des paramètres statistiques montrent que les 2 descripteurs VEA1 et Ku permettent de
corréler les solubilités des 15 HAP. En effet, la valeur du coefficient de détermination signifie que
98,6% de la variabilité de log S, peut être expliquée par ces 2 descripteurs. La grande valeur de
paramètre de Fisher (F=412,41 ; p= 0,000) indique un modèle très hautement significatif.
La qualité de l’ajustement a été vérifiée en procédant à une validation croisée par « leave-one-out ». La
figure 1, qui reproduit les valeurs calculées (–log S i) en fonction de celles observées (–log S i) fait
ressortir une faible dispersion caractéristique d’un bon ajustement, d’ailleurs confirmé par la grande
valeur de Q² (=97,89%).

Figure1. Graphe des valeurs calculées de (-logS) en fonction des valeurs expérimentales

La figure 2 qui représente le graphe des coefficients statistiques Q² et R² permet de comparer les
résultats obtenus pour les modèles randomisés (carrés bleus) au modèle réel de départ (point noir).
Il est clair que les statistiques obtenues pour les vecteurs modifiés de la solubilité sont plus petites
que celles du modèle réel, et pour la majeure partie ou obtient un Q² < 0.
Ceci permet d’assurer qu’une relation structure / solubilité réelle a été établie.

Figure 2. Test de randomisation associé au modèle SPR

IV- Conclusion
Nous avons relié la solubilité de 15 HAPs prioritaires, à des descripteurs
moléculaires. Les modèles SPR ont été établis en utilisant l’analyse de
régression multilinéaire associant l’approche algorithme génétique pour la
sélection de sous ensembles de variables significatives ( logiciel MOBY
DIGS) en maximisant la valeur du coefficient de prédiction Q²LOO .La taille
de chaque modèle a été fixée à 2 descripteurs. La qualité de l’ajustement a été
vérifiée en procédant à la représentation des valeurs observées en fonction
de celle calculées. La grande valeur de Q2 obtenue reproduit pratiquement
celles du coefficient de détermination multiple correspondant, ce qui fait
ressortir la qualité de modèle obtenu. Le test de randomisation montre,
dans tous les cas, que seul le vecteur réel des observations conduit à
des valeurs élevées des statistiques R2 et Q2, ce qui prouve que le
modèle obtenu n’est pas dû au hasard.
Références
1-INERIS-hydrocarbures Aromatiques Polycyclique- Guide méthodologique. Rapport d’étude N°66244-
DESP-R01, 2005, pp.85.
2- US-EPA. Chemical Fate Rate Constants for SARA section 113 Chemicals and Superfund Health
Evaluation Manual Chemicals. US Environmental Protection Agency, Office of Toxic Substances,
Washington, DC.6-02-4245. http:// www.epa.gov .
3- R.S. Pearlman, S. H. Yalkowsky, S. Banerjee, Water Solubilities of polynuclear Aromatic and
Heteroatomic Compounds, J. phys. Chem. Ref. Data, 13 (02) (1984) 555-562.
4.-R.Todeschini, V. Consonni, M, Pavan, DRAGON Software for the calculation of Molecular Descripteurs.
Release 5.4 for windows, Milano , 2006.
5- EPA Report, EPA-600/8-90/-003, 1990.
6- Hyperchem TM. Release 6.03 for Windows, Molecular Modelling System. 2000.
7- JJP. Stewart. Optimization of parameters for semi empirical methods. Comput. Chem., 10(1989) 209-220,
221-224.
8-R. Todeschini, D. Bellabio, V. Consonni, A. Mauri, M. Pavan. MOBY DIGS Software for Multilinear
Regression analysis and Variable Subset Selection by Genetic Algorithm. Release 1.0 for windows, Milano
(2004).
9-N.R. Draper, H. Smith, Applied Regression Analysis, Third Edition, Wiley Series in probability and
Statistics , New York,1998.
10- R. Todeschini, V. Cononni, Molecular descriptors for Chemoinformatics. Second, Revised and Enlarged
Edition. Vol.I: Alphabetical Listing. Series Editors: R. Mannahold, H. kubinyi, G.Folkers. Wiley-VCH
Verlag GmbH & CO. KGaA (2009).

Author Nabil BOUARRA

Contact of the supervisor: d_messadi@yahoo.fr

Institution of chemistry

Address. Université Badji Mokhtar –Annaba-B.P12, Annaba 23000- Algérie.