Conception assistée par ordinateur de composés inspirés de la nature pour des applications en cosmétique
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Asgarkhanova, Farah
Date de soutenance : 09-12-2025

Directeur(s) de thèse : Marcou, Gilles

Président : Rémond, Caroline
Rapporteur(s) : Baaden, Marc - Douguet, Dominique
Membre(s) du jury : Fearhead, Howard - Champmartin, Catherine

Établissement de soutenance : Strasbourg
Laboratoire : Chimie de la matière complexe (Strasbourg)
École doctorale : École doctorale des Sciences chimiques (Strasbourg ; 1995-....)
 
Discipline : Chimie informatique et théorique
Classification : Génie chimique, technologies alimentaires

Mots-clés libres : Chimie-informatique, QSAR/QSPR, Cosmétique, GTM, SGTM, Chimie verte, Perméabilité cutanée, Antibactérien
Mots-clés :
  • Chimie verte
  • Chimie -- Informatique
  • QSAR (biochimie)
  • Cosmétologie
  • Chimie verte
  • Antibactériens
Résumé : Cette thèse présente des approches chimi-informatiques pour la conception d’ingrédients cosmétiques bio-sourcés et polyfonctionnels dans le cadre du projet CosMoPoly. Une bibliothèque virtuelle de 25289 molécules a été générée à partir de blocs de construction renouvelables selon les principes de la chimie verte. Des modèles de Relations Quantitatives Structure-Activité/Propriété (QSAR/QSPR) ont été développés pour prédire la perméabilité cutanée et l’activité antibactérienne contre Staphylococcus aureus et S. epidermidis. Le Generative Topographic Mapping (GTM) et son extension sphérique (SGTM) ont été utilisés pour visualizer la bibliothèque CosMoPoly et construire des paysages de propriétés, offrant une meilleure compréhension de la diversité moléculaire et des prédictions des modèles. Ce travail démontre comment la chimie durable et la modélisation prédictive favorisent la découverte de molécules innovantes et éco-responsables.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAF075
Type de ressource : Thèse