Forum Scientifique sur Développement des
Sciences de la Vie et de l’Univers
Tlemcen: Mai, 14– 15 , 2013
CARACTERISATION NON CONVENTIONNELLE DE LA DISTRIBUTION DE QUELQUES
HYDROCARBURES AROMATIQUES POLYCYCLIQUES DANS LE SOL ET L’EAU
Bouarra Nabil, Ziani Nadia, Messadi Djelloul*
nabil.bouarra@univ-annaba.org
Résumé
Le coefficient d’adsorption (Koc) à un grand intérêt pour déterminer le partage des
produits chimiques entre le sol et la phase aqueuse, ce paramètre est très utilisé pour la
prévision des risques des produits chimiques dans l’environnement, mais sa détermination
directe est très difficile. L’approche QSPR peut être une alternative à l’expérimentation.Les
méthodes linéaires sont couramment utilisées pour la construction des modèles QSPR pour la
prédiction, telles que la régression linéaire multiple (RLM), régression aux moindres carrés
partiels (PLS), régression au moindre carré ordinaire (OLS) ...
Dans notre étude nous avons appliqués la méthode de régression linéaire multiple pour
modéliser le Koc de 16 Hydrocarbures aromatique polycycliques (HAP) prioritaires contrôlant
leur évolution dans l'environnement, la sélection des descripteurs moléculaires a été faite
par algorithmes génétiques (AG). Les résultats montrent que le modèle obtenu est robuste
et de bonne capacité prédictive. Q2LOO=92,59, R2=95,17, en outre, le modèle est significatif
F= 128,12.
Mots clés : coefficient d’adsorption, régression multiple, QSPR, HAP
Le coefficient d’adsorption Koc, qui détermine le partage d'un produit chimique
organique entre les sédiments du sol et une solution aqueuse, est un paramètre
environnemental important. Koc est le rapport entre la concentration d'une substance
chimique adsorbé par le sol, normalisé au carbone organique que contient le sol; et celle de
la même substance dissoute dans l'eau du sol. Ce coefficient est défini par la relation
suivante:
Ainsi, Koc est un paramètre fréquemment utilisé pour indiquer les mouvements
physiques des polluants, la dégradation chimique et la biodégradation d'une espèce donnée
dans un environnement [3-5], et il est d'une grande utilité pour l'évaluation du risque
environnemental des produits chimiques organiques. Plus le Koc est faible, plus la substance
est soluble dans l'eau et donc plus elle est mobile dans le sol. Les valeurs dépendent des
propriétés intrinsèques du sol considéré. Le Koc est sans dimension. Il est souvent exprimé
sa forme logarithmique comme dans la classe retenue :
log (koc) Classification FAO log (koc) Classification FAO
<1 très mobile 3-4 faiblement mobile
1-2 mobile 4-5 à peine mobile
2-3 assez mobile >5 immobile
III-Résultats
Le modèle linéaire obtenu est illustré par l’équation de régression suivante :
log Koc = 22,3 – 36,8 SHP2 – 1,36 Gu
n = 16 S = 0,2544 R² = 95,2% R² (ajust) = 94,4%
Q²LOO = 92,59% F = 128,12
Les valeurs des paramètres statistiques montrent que les 2 descripteurs SHP2 et
Gu permettent de corréler le coefficient de partage (Koc) des 16 HAP. En effet, la
valeur du coefficient de détermination signifie que 95,2% de la variabilité de log Koc ,
peut être expliquée par ces 2 descripteurs. La grande valeur du paramètre de Fisher
(F= 128,12; p=0,000) indique un modèle très hautement significatif.
La qualité de l’ajustement a été vérifiée en procédant à la représentation des
valeurs observées en fonction de celles calculées en tirant ' l’équation
13
9 11
12
15
6 16
14
10
Y calculated
8
5
4 4 1
2
3
4 5 6
Y experimental
Figure1. Droite d’ajustement
IV- Conclusion
Nous avons relié le coefficient de partage KOC des 16 HAPs prioritaires, à
des descripteurs moléculaires. Le modèle SPR a été établi en utilisant l’analyse
de régression multilinéaire associant l’approche algorithme génétique pour la
sélection de sous ensembles de variables significatives au (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 calculées en fonction de celles observées. 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 obtenus n’est pas dus au hasard.
I- Introduction
Les polluants organiques présents dans l’environnement ont des origines très
variées. Leur devenir environnemental ainsi que leur impact potentiel sur les
différents écosystèmes sont très dépendants de leurs interactions avec le milieu
environnant. Parmi les principaux polluants impliqués dans les phénomènes de
pollutions on trouve les hydrocarbures aromatiques polycycliques (HAP). Les HAPs
sont des composés organiques neutres apolaires, constitués d'au moins deux
cycles aromatiques ne contenant que des atomes de carbone et d'hydrogène[1].
Ces HAP, posent des problèmes environnementaux majeurs du fait de leur toxicité.
Dans le milieu aquatique, la plupart des HAP se trouvent adsorbés sur les
sédiments et la phase particulaire de la colonne d’eau, un coefficient de
distribution élevé entre eau et phase particulaire peut être corrélé avec le contenu
en matière organique des sédiments [2].
.
Pour certaines espèces chimiques, La modélisation (QSAR/QSPR) est une
technique utile pour corréler leurs activités physiques, chimiques, biologiques ou
environnementales à leurs descripteurs de propriété physico-chimiques. Parce que
la détermination expérimentale est longue et coûteuse les valeurs estimées à partir
des modèles QSAR/QSPR sont maintenant largement utilisées.
II- Méthodes
L’objectif de cette étude est la modélisation de la
cofficient de partage octanol/carbone organique Koc d’une série
de 16 HAP prioritaire prise de la littérature [6]. Après
l’optimisation de la géométrie des molécules à l’aide de logiciel
HYPERCHEM [7], l’utilisation des logiciels spécialisés
permettent de calculer plus de 3000 descripteurs [8], et de
chercher un ensemble réduit de descripteurs qui explique au
mieux la variable dépendante (coefficient de partage
octanol/carbone organique ). Pour cette sélection des
descripteurs on utilisé les algorithmes génétiques [9].
de régression [logKOC_cal =f(logKOC_exp)] et les paramètres en découlant.
La figure 1, fait ressortir une dispersion caractéristique d’un bon ajustement,
confirmé par la valeur de R²=95, 17%.
Afin de nous assurer que notre modèle n’est pas dû au hasard on a procédé au
test de randomisation de y. La figure 2 fait apparaître clairement que les valeurs
de, pour les modèles dont on a modifié le vecteur ‘‘Coefficient de partage
octanol/eaux ’’, sont très inférieures à celle du modèle réel (cercle rouge), de
plus on retrouve des valeurs négatives de pour les modèles randomisés
(cercle noir).Ceci nous confirme que notre modèle relie réellement le
coefficient de partage octanol-eaux aux deux variables explicatives choisies et
qu' il n'est pas fortuit. Ceci permet d’assurer qu’une relation structure/coefficient de
partage octanol-carbone organique réelle a été établie.
Figure 2. Teste de randomisation
Références
1- Wilson, S.C. et Jones, K.C. (1993). "Bioremediation of soil contaminated with polynuclear
aromatic hydrocarbons (PAHs) : a review." Environmental Pollution. 81: 229 - 249.
2-Loch, D.D., West, J.L. et Perlmutter, D.G. (1996). "The effect of trout farm effluent on the taxa
richness of benthic macroinvertebrates." Aquaculture. 147: 37-55.
3-Hodson J., Williams N.A., The estimation of the adsorption coefficients (Koc) for soils, by high
performance liquid chromatography, Chemosphere, 17, (1988), 66-77.
4- Meylan W., Howard P.H., Molecular topology/fragment contribution method for predicting soil
sorption coefficients, Environ. Sci. Technol., 26, (1992), 1560-1567.
5- Muller M., Kordel W., Comparision of screening methods for the estimation of adsorption
coefficients on soil, Chemosphere, 32, (1996), 2493-2504.
6-Michael LaGrega, Phillip Buckingham, Jeffrey Evans. Hazardous Waste Management.
7-HyperchemTM Rekase 6.03 for Windows, Molecular Modeling system (2000)
8-R. Todeschini, V. Consonni, M. Pavan., (2005). DRAGON, Software for the Calculation of
Molecular Descriptors. Release 5.3 for Windows, Milano.
9-R. Todeschini, D. Ballabio, V. Consonni, A. Mauri, M. Pavan., (2009). MOBYDIGS Software
for Multilinear Regression Analysis and variable Subset Selection by Genetic Algorithm.
Release I.1 for Windows, Milano .
LABORATOIRE DE SÉCURITÉ ENVIRONNEMENTALE ET ALIMENTAIRE