Please use this identifier to cite or link to this item: http://dspace.univ-relizane.dz/home/handle/123456789/837
Full metadata record
DC FieldValueLanguage
dc.contributor.authorEtudiant: Benhanina Wafa, Etudiant: Sahouadj Maroua-
dc.contributor.authorProf. Laref Nora-
dc.date.accessioned2026-01-13T10:54:56Z-
dc.date.available2026-01-13T10:54:56Z-
dc.date.issued2025-07-01-
dc.identifier.issn2024/2025-
dc.identifier.urihttp://dspace.univ-relizane.dz/home/handle/123456789/837-
dc.descriptionSommaire: Liste des abréviations Liste des figures Liste des tableaux Résumé Abstract ملخص Sommaire I. Introduction 2 Chapitres 1:Revue bibliographique II- Description générale 5 III. La résistance aux antibiotiques 6 III. 1. Mécanismes enzymatiques 7 III. 1.1. Hydrolyse de bêta-lactamines 7 III. 1.2. Résistance par hyperproduction de la céphalosporinase Amp C 8 III. 1.3. Résistance par production de pénicillinases 8 III. 1.4. Résistance à spectre étendue (BLSE) 9 III. 1.5. Résistance par production de carbapénémases (MBLs) 11 III. 1.6. Résistance aux oxacillinases classe D 11 III. 1.7. Résistance aux aminosides 11 III. 2. Mécanismes non enzymatiques 12 III. 2.1. Surexpression de système d’efflux 12 III. 2.2. Résistance due à la diminution de la perméabilité 12 III. 2.3. Résistance par efflux actif 13 III. 2.4. Résistance par modification de la cible ribosomale 13 III. 2.5. Rôle de l’opéron dans la résistance 14 Chapitres 2 :Matériels et méthodes IV. Matériels et méthodes 16 IV. 3. Classification selon la loi de Lipinski 16 IV. 4. Calcul des descripteurs 16 IV. 5. Construction d'un modèle QSAR 17 IV. 6. Validation de modèle 17 Chapitres 3 : Résultats et discussion V. Résultats et discussion 19 V. 1. Collecte et nettoyage des données 19 V. 2. Classification des données 19 V. 2.2. Molécules Inactives. 19 V. 2.3. Molécules Intermédiaires 19 V. 3. Classification selon la loi de Lipinski 20 V. 4. Calcul des descripteurs 22 V. 5. Comparaison des Modèles de QSAR 23 V. 5.1. Linear model (modèle linéaire) 23 V. 5.2. Random Forest Regressor 24 V. 5.3. Support Vector Regressor (SVR) 24 V. 5.4. Decision Tree Regressor 24 V. 5.5. KNN Regressor 24 V. 6. validation d’un modèle QSAR 24 Conclusion Conclusion 27 Références Références bibliographiques 29en_US
dc.description.abstractRésumé: Pseudomonas aeruginosa est un agent pathogène nosocomial majeur, doté d'une remarquable capacité d'adaptation et de résistance aux antibiotiques. Face à l'échec croissant des traitements, les modèles de Relations Quantitatives Structure-Activité (QSAR) offrent une approche prometteuse pour prédire l'activité de nouvelles molécules. Leur application permet d'accélérer la découverte de composés actifs et la conception de thérapies plus efficaces. Les données moléculaires actives contre Pseudomonas aeruginosa ont été extraites de la base de données ChEMBL34, puis filtrées sur la base des valeurs d'IC50 (concentration inhibitrice médiane), converties en pIC50 (-log(IC50)), et finalement évaluées conformément à la règle de Lipinski. Des descripteurs structuraux ont été calculés à l'aide des outils RDKit et PaDEL afin de construire des modèles QSAR en utilisant plusieurs algorithmes, notamment le Régresseur Forêt Aléatoire (Random Forest Regressor). Le modèle jugé optimal a été validé au moyen de métriques de robustesse rigoureuses (R2, Q2, CCC, QF32, QLOO2, QLMO2), confirmant ainsi sa performance et sa stabilité prédictive.en_US
dc.language.isofren_US
dc.publisherDépartement des Sciences Biologiquesen_US
dc.relation.ispartofseriesMicrobiologie et contrôle de qualité;Mem 2025/50-
dc.subjectQSAR, Chembl, Lipinski, RDKit, PaDELen_US
dc.titleDéveloppement d’un modèle QSAR pour l’inhibition de Pseudomonas aeruginosaen_US
dc.title.alternativeSpécialité - Microbiologie et contrôle de qualitéen_US
dc.typeThesisen_US
Appears in Collections:Mémoires Master et Thèses Doctorants (SNV)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.