Etude par chromatographie de phases stationnaires à base de molécules bioactives et d’éther couronne. Développement d’un logiciel de prédiction basé sur l’IA

Abstract

Cette thèse porte sur la conception et l’analyse chromatographique de trois phases stationnaires mésogènes innovantes visant à améliorer la séparation de familles chimiques complexes. En chromatographie en phase gazeuse (GC), deux phases stationnaires ont été développées à partir de molécules bioactives : l’anticoagulant coumarine (CoumC6-LC) et l’anti-inflammatoire ibuprofène (IbuC8-LC). Par ailleurs, une phase à éther couronne mésogène, greffée sur de la silice aminobutyle (CESP), a été élaborée pour la chromatographie en phase liquide haute performance (HPLC). Des conditions thermiques et analytiques ont été optimisées pour chaque phase afin d’améliorer la séparation de mélanges complexes. Les colonnes chromatographiques ont été soumises à une série de tests analytiques approfondis pour évaluer leurs performances dans la séparation de divers mélanges organiques et structurés, incluant des isomères géométriques et de position. Une attention particulière a été portée aux interactions entre les solutés et les phases stationnaires. En chromatographie en phase gazeuse, la phase à base de coumarine CoumC6-SP a démontré des capacités de séparation exceptionnelles pour l’analyse des molécules cibles, tandis que la phase à base d’ibuprofène IbuC8-SP a présenté des performances relativement moins marquées. En chromatographie liquide haute performance, la phase à éther couronne CESP a permis d’explorer tant les modes de séparation en phase normale qu’inverse, offrant une efficacité notable pour discriminer des stéréo-isomères complexes. Les données obtenues à partir de ces analyses ont été intégrées dans un logiciel de modélisation dédié, « Chrompredict 1.0 », développé spécifiquement pour cette recherche. Ce logiciel permet de prédire les paramètres de rétention et les interactions chromatographiques des différentes phases stationnaires. En exploitant des descripteurs moléculaires issus de la notation SMILES, les modèles calibrés pour chaque phase ont montré un haut degré de précision (R² > 0,75, erreur ±7,8 s). « Chrompredict 1.0 » propose ainsi un outil avancé, permettant aux utilisateurs de paramétrer et de comparer divers modèles d’apprentissage automatique, offrant une plateforme fiable et polyvalente pour la prédiction et l’optimisation des processus chromatographiques. L’approche novatrice développée dans cette thèse, qui associe la conception de phases stationnaires nouvelles et l’utilisation de la modélisation basée sur l’intelligence artificielle, ouvre des perspectives prometteuses dans le domaine de l’analyse chromatographique. Cette méthodologie constitue un outil analytique puissant pour la séparation de composés chimiques variés, tout en offrant des applications élargies pour l’analyse de familles chimiques complexes.