Intelligence Artificielle et Réseaux de Neurones de Graphes pour l’Évaluation du Risque Environnemental des Substances Chimiques et Pharmaceutiques
Par : Monsieur Ayoub BELAIDI
Le samedi 14 novembre 2026 à 10:00
Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur Ayoub BELAIDI, soutiendra une thèse de Doctorat intitulée : « Intelligence Artificielle et Réseaux de Neurones de Graphes pour l’Évaluation du Risque Environnemental des Substances Chimiques et Pharmaceutiques».
La soutenance publique aura lieu le Samedi 14 Novembre 2026 à 10h00 à la Salle Polyvalente, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, devant le jury composé de :
Monsieur Mohamed BASLAM : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane,, Béni Mellal, Président ;
Monsieur Omar BENCHAREF : Professeur, Faculté des Sciences et Techniques, Université Cadi Ayyad, Marrakech, Rapporteur ;
Monsieur Driss AIT OMAR : Maître de Conférence Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;
Monsieur Youssef SAADI : Maître de Conférence Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;
Monsieur Yousef EL MOURABIT : Maître de Conférence Habilité, Faculté Polydisciplinaire, Université Sultan Moulay Slimane, Béni Mellal, Examinateur ;
Monsieur Mohamed OUHDA : Maître de Conférence Habilité, Ecole Supérieure de Technologie, Université Sultan Moulay Slimane, Khénifra, Examinateur ;
Monsieur Mohamed BINIZ : Maître de Conférence Habilité, Faculté des Sciences Appliquées, Université Sultan Moulay Slimane, Béni Mellal, Co-Directeur de thèse ;
Monsieur Rachid EL AYACHI : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Directeur de thèse ;
Résumé:
L’augmentation de la production et de l’utilisation des substances chimiques et pharmaceutiques a conduit à une présence croissante de ces composés dans l’environnement, notamment dans les systèmes aquatiques. Cette situation soulève des préoccupations importantes concernant leurs impacts potentiels sur les écosystèmes et la santé humaine. L’évaluation du risque environnemental de ces substances repose traditionnellement sur des méthodes expérimentales coûteuses et longues, ce qui limite leur application à grande échelle. Dans ce contexte, les approches basées sur l’intelligence artificielle et l’apprentis sage automatique offrent des alternatives prometteuses pour prédire les propriétés environnementales des composés chimiques. L’objectif de cette thèse est de développer et d’évaluer des modèles d’apprentissage profond basés sur les réseaux neuronaux de graphes afin de prédire le comportement environnemental des substances chimiques et pharmaceutiques. Les molécules sont représentées sous forme de graphes moléculaires dérivés des structures SMILES, où les atomes correspondent aux nœuds et les liaisons chimiques aux arêtes. Plusieurs architectures avancées ont été étudiées, notamment les Graph Neural Networks (GNN), les Graph Attention Networks (GAT) et les Message Passing Neural Networks (MPNN). Dans un premier temps, ces modèles sont appliqués à la prédiction des propriétés environnementales des substances chimiques, en particulier les propriétés de persistance, bio accumulation et toxicité (PBT). Dans un second temps, les modèles proposés sont utilisés pour prédire la présence de résidus pharmaceutiques dans les systèmes aquatiques en inté grant à la fois les caractéristiques moléculaires et certains paramètres environnementaux. Les résultats expérimentaux montrent que les architectures basées sur les mécanismes de message passing, notamment les modèles MPNN, offrent des performances supérieures pour les tâches de classification étudiées. Les résultats obtenus mettent en évidence le potentiel des approches basées sur les graphes pour améliorer les stratégies de surveillance environnementale et la priorisation des substances chimiques à risque. Ces travaux contribuent ainsi au développement de méthodes prédictives efficaces pour soutenir les processus d’évaluation du risque environnemental.
Mots-clés : Intelligence artificielle, Deep learning, Graph Neural Networks, PBT, pollution pharmaceutique, chimie environnementale.