Résumé :

L’identification et la quantification des contaminants organiques est fondamental pour la maîtrise des risques chimiques. Il n’existe pas de méthode universelle pour séparer, identifier et quantifier des substances dans des mélanges complexes. Avec dix-sept groupes de matériaux (plastiques, élastomères, vernis, encres, colles,…) et près de 8000 substances susceptibles de migrer dans les aliments, les emballages et les matériaux au contact présentent un sérieux challenge. Une méthode quantitative de déformulation a été développée pour recherche des substances dans un dictionnaire quasiment illimité.

Contexte de la réalisation :

La spectroscopie par résonnance magnétique nucléaire du proton (RMN 1H) offre un détecteur universel pour les contaminants organiques : toutes les substances organiques contiennent des atomes d’hydrogène. Elle reste relativement peu sensible, mais elle offre de très bon rapport signal-sur-bruit. Parce que plusieurs substances peuvent présenter des déplacements chimiques similaires, la séparation de substances à partir des seuls spectres RMN 1H est réputée impossible. Il faut généralement recourir à des séquences complexes pour étudier les couplages nucléaires ou recourir à la RMN 2D. Dans le cadre du projet ANR SAFEFOODPACK DESIGN, une toute nouvelle méthode de séparation des spectres a été développée pour aider la déformulation aveugle de centaines de matériaux d’emballage prélevés sur le marché français.

Résultat :

Si on appelle les multiplets identifiés en RMN 1H des syllabes et les spectres entiers des substances des mots, nous avons développé une technique mathématique pour identifier une combinaison arbitraire de mots (substances) dans une conversation (mélange). La solution proposée s’attaque de front à la situation réputée mathématiquement insoluble : i) le nombre de mots est inconnu, ii) les mots sont répétés dans des proportions variables (concentrations), iii) les mots appartiennent à un très grand dictionnaire (100 à 104 substances) et iv) peuvent être mélangés avec des mots non répertoriés dans le dictionnaire (substances inconnues). Finalement, les mots peuvent être prononcés par le même locuteur (spectres mesurés sur le même type d’appareil) ou prononcés avec un fort accent (spectres théoriques issus de calculs ou de bases de données spectrales).
La méthode mathématique proposée est une méthode de poursuite généralisée à deux échelles très fortement inspirée des méthodes de reconnaissance de caractères ou de visages. L’information pertinente est décomposée quantitativement sur une base réduite de signaux que l’algorithme peut utiliser pour rechercher un mot ou une fraction de celui-ci au milieu d’un mélange extrêmement complexe. Un principe de parcimonie couplé à une méthode de choix optimal permet de proposer des solutions réalistes sur le nombre de substances, leurs identités et leurs quantités. Les résultats finaux sont disponibles en moins de deux heures, ce temps comprenant la durée d’extraction (40 min), mesure (30 min) et d’interprétation (5 min).

Perspectives, impact possible à terme :

Les résultats ont été utilisés dans le cadre du projet SAFEFOODPACK DESIGN. La méthode est utilisée en routine par le Laboratoire National de métrologie d’Essais pour la recherche des contaminants issus des matériaux d’emballage. Il est important de noter qu’elle ne requiert en aucun cas une calibration par substance et qu’il n’est pas nécessaire de disposer d’un étalon de la substance à rechercher.
Les données de concentration reconstruites par la méthode sont directement utilisables dans les logiciels de migration développés par l’équipe (ex. FMECAengine, SFPP3) et permettent de quantifier les risques de contamination dans des conditions données.

Valorisation :

La méthode d’identification couplée à un dictionnaire (exemple) de 53 substances est disponible sous la forme d’un projet open-source comprenant une interface graphique. Le code actuel est compatible avec la majorité des spectrothèques RMN 1H publiques ou commerciales (représentant plus de 80000 substances uniques).
https://github.com/ovitrac/SFPDnmrspec

Partenaires :

Le laboratoire National de métrologie et d’Essais (LNE).

Figure 1. Interface du projet open-source

SFPDnmrspec. Un scenario d’insertion des substances est d’abord construit (STEP 1) en fonction des comparaisons paire-à-paire des substances du dictionnaire puis une déconvolution quantitative (STEP 2) est appliquée à partir d’une généralisation de l’algorithme de poursuite. Des scénarios concurrents peuvent être générés en fonction des risques de confusion entre substances. Un algorithme optimal de classement à partir des résultats de comparaison paire-à-paire permet de sélectionner les meilleurs scénarios d’insertion des substances. La méthode est tolérante aux déplacements et déformations des multiplets dus aux erreurs de mesure ou aux calculs (spectres théoriques).

Figure 2.

Exemple d’un spectre de RMN 1H de l’extrait d’un matériau en polypropylène commercial et la correspondante des concentrations des additifs codés avec des lettres a-f. Deux scénarios d’insertion des substances (rouge et vert) sont générés suivant que la substance d est confondue ou non avec la substance.