Détection basée sur des réseaux, Chimie supramoléculaire, Spectroscopie de fluorescence, Analyse statistique multivariée, Microfluidique

La nature a été une source d'inspiration importante pour la création de systèmes de détection artificiels. Un exemple remarquable est le système olfactif humain, qui est capable de détecter des milliers d'odeurs différentes avec seulement quelques centaines de récepteurs olfactifs. Le "nez chimique" imite ce système en exploitant les interactions sélectives entre un ensemble de récepteurs à réaction croisée et des substances à analyser, générant une empreinte digitale. Ces résultats spécifiques à l'analyte, combinés à l'analyse statistique et à l'apprentissage automatique, permettent l'identification et la classification d'analyte. Cette approche constitue une alternative aux capteurs traditionnels spécifiques pour la détection des analytes et qui sont, de plus, souvent coûteux et longs à mettre en oeuvre. Dans cette thèse, des réseaux de capteurs optiques ont été construits en utilisant les interactions hôte-invité entre la famille macrocyclique des cucurbit[n]urils (CB[n]) et des dérivés invités de triphénylamine conjuguée (TPA) multibranchés. Les CB[n] fonctionnent comme des éléments de reconnaissance, interagissant avec les analytes par le biais de divers modes de liaison non spécifiques et non covalents. Par ailleurs, les dérivés du TPA servent d'éléments de transduction par le biais d'interactions compétitives de déplacement avec les analytes. Les propriétés photophysiques des dérivés du TPA sont modulées par l'interaction de ses groupes accepteurs pyridinium avec les portails des CB[n]s. Cette interaction limite la rotation intermoléculaire des doubles liaisons vinyle des branches, réduisant les voies de desexcitation non radiatives et augmentant la désintégration radiative par fluorescence. En outre, les dérivés du TPA fournissent un site reconnaissance orthogonal avec l'analyte, associant ainsi les deux propriétés de transduction et de reconnaissance pour développer un réseau de capteurs à reconnaissance bimodale. La variation des propriétés optiques du système TPA-CB[n] en fonction des interactions avec l'analyte a conduit au développement de réseaux de capteurs fluorescents et colorimétriques. Ce réseau a été validé par la génération, l'identification et la classification de protéines pures ou dans des matrices complexes. Cette stratégie a été élargie pour prédire l'état pathologique d'échantillons de fluides corporels. À titre de preuve de concept, des échantillons de deux modèles de maladie - la phénylcétonurie (PCU) et la prééclampsie (PE), un trouble lié à la grossesse - ont été distingués des témoins sains dans l'urine artificielle et le sérum humain, respectivement. En outre, le réseau colorimétrique mis au point a été utilisé pour discriminer et classer des molécules de médicaments anesthésiques courants, démontrant ainsi son potentiel pour les applications de détection de la contrefaçon. La grande dimension de ces réseaux génère d'importants volumes de données, dont la gestion et l'analyse ont été automatisées par le développement d'un pipeline rationalisé basé sur un programme R. Des méthodes statistiques ont été adoptées pour réduire les signaux et classer les analytes. En outre, le système de détection a été optimisé sur des plates-formes analytiques automatisées, tirant parti de la microfluidique en gouttelettes et des robots de pipetage. La capacité de ce système a été évaluée en tant que nouvelle méthodologie de diagnostic pour les maladies multifactorielles complexes, proposant une stratégie pour l'analyse des big data basée sur la détection chimique et l'analyse statistique.