Modélisation des facteurs de bioconcentration des PFAS dans les poissons via caractéristiques moléculaires et recherche d’architectures neuronales

Introduction

Les substances per- et polyfluoroalkylées (PFAS) suscitent une inquiétude croissante pour leur accumulation dans les organismes aquatiques, notamment les poissons. L'évaluation du facteur de bioconcentration (BCF), reflétant la propension d'un composé à s'accumuler dans les tissus vivants, s'avère cruciale pour l’analyse du risque sanitaire et environnemental associé à l’exposition humaine via la chaîne alimentaire. Le développement de méthodes prédictives robustes, exploitant à la fois les caractéristiques moléculaires et des outils d’intelligence artificielle avancés, constitue donc un enjeu prioritaire pour la gestion des PFAS dans les milieux aquatiques.

Objectifs et contexte de l’étude

Cet article présente une approche visant à prédire les BCF des PFAS dans les tissus de poissons en s’appuyant sur des attributs structuraux moléculaires et en appliquant la recherche d'architectures neuronales (Neural Architecture Search, NAS). Les motivations sont triples :

• Accroître la précision des prédictions de BCF grâce à la modélisation basée sur l'apprentissage automatique;
• Automatiser le choix de l’architecture optimale des réseaux de neurones pour s’adapter à la complexité chimique des PFAS;
• Mieux comprendre le lien entre structure moléculaire et bioconcentration au travers d'une interprétation poussée des modèles générés.

Données et sélection des descripteurs moléculaires

L’étude s’appuie sur une base de données intégrant des mesures empiriques de BCF pour un éventail de PFAS chimiques détectés dans les tissus de poissons. Les paramètres moléculaires sont extraits pour chaque composé à partir de différentes classes de descripteurs, notamment :

• Descripteurs topologiques (liés à la connectivité atomique et la ramification)
• Propriétés physico-chimiques telles que la logP, l’hydrophobicité ou la polarité
• Indices électroniques (potentiel de charge, perte d'électrons, etc.)
• Paramètres de taille et de forme moléculaires

La sélection optimale de ces variables est essentielle pour permettre à l’algorithme neuronal de capturer les dynamiques discriminantes responsables de l’accumulation différente de chaque PFAS.

Recherche d’architecture neuronale automatisée

Plutôt que de recourir à des configurations standards de réseaux de neurones, cette approche exploite la recherche automatisée d’architecture (NAS). Le processus procède ainsi :

1. Exploration de différentes structures de réseaux (nombre/organisation des couches cachées, fonctions d’activation, connexions internes, etc.)
2. Optimisation de l’architecture sur la base de la performance prédictive, grâce à la validation croisée sur les données de BCF
3. Sélection des architectures affichant le compromis optimal entre fidélité de la prédiction et minimisation du surapprentissage

Cette démarche permet de dépasser les limites inhérentes à la conception manuelle, offrant une flexibilité et une adaptabilité supérieures pour traiter la diversité structurale des PFAS.

Résultats et performances des modèles

Les modèles entraînés via NAS sur l’ensemble des descripteurs moléculaires montrent une capacité supérieure ou équivalente aux approches classiques pour prédire le BCF des PFAS dans les poissons. Quelques points saillants des résultats :

• Amélioration significative de la précision prédictive comparée aux modèles statistiques linéaires, notamment grâce à une meilleure prise en compte des interactions complexes entre variables moléculaires.
• Capacité à détecter des relations non linéaires; certaines caractéristiques moléculaires influencent la bioconcentration de manière synergique ou antagoniste.
• Généralisation robuste aux composés en dehors du jeu d’entraînement, renforçant la valeur pratique de la méthode.
• Facilité d’interprétation partielle des modèles grâce à des analyses d’importance des variables, mettant en avant le rôle de certains groupes fonctionnels ou paramètres physiques spécifiques dans l’accumulation des PFAS.

Implications pour l’évaluation environnementale et toxicologique des PFAS

L’intégration systématique de la modélisation neurale automatisée permet d’enrichir considérablement la panoplie d’outils d’évaluation du devenir des PFAS dans les milieux aquatiques. Elle offre des perspectives précieuses pour :

• Affiner les modèles d’exposition des consommateurs de poissons (dont l’humain, via la chaîne alimentaire).
• Prioriser les PFAS à surveiller selon leur potentiel d'accumulation prédite dans les tissus biotiques.
• Soutenir la prise de décision réglementaire et la gestion des risques liés à la pollution aux PFAS.

Limites et directions futures

Si cette méthode montre de robustes avancées, plusieurs défis persistent :

• La disponibilité et la qualité des données expérimentales de BCF restent un facteur limitant.
• L’interprétabilité complète des réseaux de neurones demeure complexe, même avec des analyses avancées d’importance de variables.
• Des recherches complémentaires sont nécessaires pour améliorer la couverture de la diversité structurale des PFAS et explorer davantage la variabilité inter-espèce chez les poissons.

Conclusion

La combinaison de descripteurs moléculaires finement sélectionnés et de la recherche automatisée d’architectures neuronales représente une avancée considérable dans la prédiction des facteurs de bioconcentration des PFAS dans les poissons. Cette approche s’impose comme un outil de référence pour l’évaluation raisonnée du transfert de contaminants dans les réseaux trophiques aquatiques.

Source : https://www.sciencedirect.com/science/article/abs/pii/S2213343726034032