Les algorithmes d’apprentissage machine (ex. réseaux de neurones) sont utilisés depuis plusieurs décennies au Leesu pour des applications en hydrologie ( [1] ; Piccioni et al. 2018). Ce type d’approche est appropriée pour la modélisation de processus hydrologiques basée sur l’acquisition de données de terrain sur le long terme et à fréquence élevée. Plus récemment, les données analytiques complexes acquises en laboratoire (spectrométrie de masse, métagénomique shotgun) requièrent l’utilisation de chaines de traitement appropriées et le développement de nouvelles approches d’apprentissage.

Différentes approches sont utilisées par les chercheurs du Leesu :

• utilisation d’algorithmes ou chaines de traitement existantes
• développement de chaines de traitement avec intégration/adaptation d’algorithmes
• développement de nouvelles approches de modélisation hybride en lien avec la physique des processus

Utilisation d’algorithmes et chaines de traitement

Les recherches du Leesu utilisent depuis déjà des décennies des algorithmes d’apprentissage machine, des plus simples (régressions linéaires) aux plus complexes (réseaux de neurones).

Un exemple récent concerne la prédiction de paramètres globaux de pollution liés à la matière organique (DCO, DBO, COT) par analyse de fluorescence 3D. Des algorithmes de type régression PLS multiple (utilisant plusieurs composantes de fluorescence), entraînés sur des jeux de données d’eaux de la Seine ou d’eaux usées analysées en laboratoire ou in situ dans le cadre du programme MeSeine Innovation, sur fluorimètre de paillasse ou sur des sondes de mesure in situ (sonde Fluocopée), permettent de prédire le Carbone Organique Dissous et même certaines fractions d’intérêt (Carbone Organique Dissous Biodégradable - CODB) avec une très bonne fiabilité. La mesure de ces paramètres en laboratoire serait beaucoup plus longue (jusqu’à 45 jours pour le CODB). [2]

D’autres types de modèles et chaines de traitement de données intégrant des outils d’apprentissage machine sont utilisés pour diverses applications analytiques, notamment en analyse microbiologique (diversité microbienne, gènes de résistance aux antimicrobiens, ADN environnemental...). Les techniques analytiques de métagénomique shotgun requièrent en effet des outils bioinformatiques avancés intégrant des algorithmes d’apprentissage machine de type deep learning pour la détection de gènes spécifiques ou pour révéler des phénomènes fonctionnels et interactions complexes au sein de génomes environnementaux.

En chimie analytique, le développement des analyses non-ciblées par spectrométrie de masse haute-résolution nécessite des outils d’apprentissage machine pour la quantification des nombreux signaux détectés. Au contraire des analyses ciblées où la quantification est habituellement possible par l’utilisation de gammes de calibration pour une liste de molécules spécifiques connues, la détection non-ciblée de multiples molécules sans a priori ne permet pas une quantification précise. Il est alors possible d’utiliser des modèles récents de prédiction de la concentration basée sur les structures chimiques des molécules détectées (ex. MS2Quant). [3]

Développement de modèles et intégration dans des chaines de traitement

Pour l’identification précise de molécules en analyse non-ciblée, il est également nécessaire de disposer de plusieurs paramètres analytiques (masse exacte, spectres de fragmentation, temps de rétention chromatographique, temps de mobilité ionique). La plupart de ces paramètres peut être obtenue avec des bases de données, mais le temps de rétention est propre à l’instrument et à la méthode analytique utilisée, ce qui le rend très variable. Il est toutefois possible de prédire le temps de rétention des molécules dans ces conditions analytiques à partir de leur structure chimique. Un modèle d’apprentissage basé sur une régression ridge a ainsi été développé à partir de nombreux descripteurs moléculaires (2D et 3D), permettant l’estimation du temps de rétention pour 70 000 molécules d’une base de données. [4] Ce modèle a été intégré dans une chaine de traitement complète d’identification de molécules, fournissant différents niveaux de confiance en fonction de la fiabilité des paramètres utilisés.

Approches hybrides machine-learning et modélisation à base physique