Comparaison entre les modèles obtenus par les différents logP:

Comparaison entre les modèles obtenus par les différents logP:

D’après les principes de base pour l’établissement des modèles QSAR, les valeurs des descripteurs doivent être obtenues de la même source ou calculées en utilisant le même logiciel, donc il est impératif de sélectionner, dés le départ une seule méthode théorique sur laquelle on calcule un descripteur qui peut donner les meilleurs résultats. Pour cela, et comme on a utilisé quatre logiciels différents qui sont basés sur différentes approches théoriques pour calculer les valeurs de logP, on fait une comparaison ente les différent modèles (MLOGP, ALOGP, CLOGP et LOGKowwin) afin d’obtenir le meilleur modèle. Le modèle LOGKow, puisé dans la littérature, est employé comme référence.Puisque la sélection des deux ensembles (19 pour calibration et 74 pour validation), avec l’algorithme DUPLEX donne des résultats stables et uniques, nous allons utilisés les modèles précédemment développer.

D’après l’histogramme on remarque que les valeurs Q² et Q²ext pour les deux modèles LOGKow et LOGKowwin sont plus grandes que celles des autres modèles.On utilise les diagrammes de Williams des modèles MLOGP, CLOGP, ALOGP et LOGKowwin (figure-27), pour détecter les points aberrants et les points influents. Les résultats obtenus sont regroupés dans le tableau .One trouve qu’il n’y a aucun point aberrant dans le modèle LOGKowwin, par contre il y en a un dans le modèle CLOGP, un dans le modèle ALOGP et deux dans le modèle MLOGP, le point représentant le composé (4-hydroxyphenylmethane), est aberrant dans les trois premier modèle mais pas pour le modèle LOGKowwin,

Parmi les quatre modèles développés, le meilleur est LOGKowwin, car neprésente aucun point aberrant, et ces paramètres statistiques sont bons par rapport aux autres (MLOGP, ALOGP, et CLOGP). On trouve aussi que les résultats obtenus par le modèle LOGKowwin sont plus proches des résultats du modèle de référence (LOGKow).Il y a d’autres travaux qui font la comparaison entre les différents logP, basée sur le mode d’action de la toxicité (MDA), dans ce cas le choix n’est pas facile, parce qu’il faut classer les composés selon leur mode d’action. Le problème est que ces modes ne sont pas clairement définis, ce sont, généralement, des hypothèses [95]. Dans ces travaux les composés sont d’abord classés selon leurs modes d’action, puis le meilleur logP est sélectionné en complétant avec d’autres descripteurs.

En conclusion, les QSAR constituent un outil puissant d’information sur les caractéristiques probables d’une substance à condition d’être maniés et interprétés par un utilisateur averti. Ils peuvent permettre d’éviter des tests expérimentaux ou de ne les effectuer que lorsque l’interprétation des résultats laisse planer une suspicion. Ils peuvent permettre aussi de compléter l’information expérimentale. Les QSAR sont faciles à mettre en oeuvre, ils fournissent un résultat immédiat et leurs coûts sont sans commune mesure avec ceux engendrés par la réalisation de tests expérimentaux.Ils peuvent être réalisés par des laboratoires équipés des logiciels adaptés ou par le demandeur lui-même s’il dispose des outils informatiques et des personnes compétentes pour valider les résultats car on ne saurait trop insister sur les risques de conclusions hâtives.Dans ce travail, la concentration d’inhibition de la croissance CIC50 d’une série de phénol à été reliée à deux paramètre physico-chimique; le pKa reflétant l’acidité de ces phénols et le logarithme du coefficient de partage octanol-eau qui simule l’affinité des composés a la phase liquide ou organique.La validation des QSAR passant d’abord (dans notre cas) par le choix des ensembles de training et test, vu que ce choix peut influencer les résultats. On utilisé la méthode décrite par R. D. Snee pour cet éclatement. La méthode DUPLEX éprouve autant que possible (les données disponibles) les modèles construits. Il reflète avec plus de justesse, que les choix aléatoire, la qualité des modèles discutés.

Parmi les différentes mesures de l’affinité (logP), le meilleur modèle est celui avec LOGKowwin dont la disponibilité gratuite du logiciel, le calculant est un sérieux avantage. Le même résultat lorsque on a sélectionné les deux ensembles par l’algorithme DUPLEX.Finalement, les objectifs principaux de cette thèse ont donc été remplis dans le sens où ils ont permis de mettre en évidence des méthodologies efficaces, en accord avec les règles mises en place par l’OCDE quant à la validation des modèles QSAR :- importance de la définition et de la fiabilité de la base de données ;- développement de modèles non ambigus à partir d’une équation et dedescripteurs obtenus à un niveau de calcul suffisant et défini ; – définition des domaines d’applicabilité des modèles ;