Étude comparative QSPR des conservateurs alimentaires à l'aide d'indices topologiques et de modèles de régression | Rapports scientifiques

Scientific Reports volume 15, Numéro d'article : 24557 (2025) Citer cet article

506 accès

Détails des métriques

Les conservateurs alimentaires jouent un rôle crucial dans la prolongation de la durée de conservation des produits alimentaires. La compréhension de leurs propriétés physicochimiques peut contribuer à la conception de conservateurs plus efficaces et plus sûrs. Dans cette étude, nous utilisons une approche de relation quantitative structure-propriété (QSPR) basée sur des indices topologiques pour développer un modèle prédictif de certaines propriétés physicochimiques des conservateurs alimentaires. Nous comparons les performances des modèles de régression linéaire et curvilinéaire afin de déterminer lequel offre le meilleur modèle de prédiction. Parmi les modèles testés, le modèle de régression cubique a démontré une performance prédictive supérieure. De tous les modèles testés, c'est le modèle de régression cubique qui présentait les meilleures capacités prédictives, telles que \(R^2 = 0,9998\) pour la densité de vapeur et \(R^2 = 0,9039\) pour le poids moléculaire. Afin de valider nos résultats, nous utilisons le modèle développé pour estimer les propriétés d'un conservateur alimentaire existant, l'acide propionique. Nos résultats offrent des informations précieuses qui peuvent contribuer au développement de conservateurs alimentaires nouveaux et améliorés.

Les additifs alimentaires sont des substances ajoutées aux aliments pour améliorer leur durée de conservation, leur valeur nutritionnelle, leur saveur ou leur apparence. Ces substances peuvent être classées comme colorants, émulsifiants, exhausteurs de goût, antioxydants, conservateurs et édulcorants1,2. Les substances naturelles ou synthétiques ajoutées aux aliments pour prolonger leur durée de conservation sont appelées conservateurs alimentaires3,4. Ces composés agissent comme des agents antibactériens, réduisent l'oxydation et inhibent la production de toxines. Jusqu'à 40 % de la nourriture produite pour la consommation humaine dans le monde est gaspillée en raison de la détérioration microbienne des aliments. La sécurité alimentaire et la qualité comestible sont garanties par l'ajout de conservateurs5. La demande de conservateurs moins dangereux est en hausse. Par conséquent, le marché des conservateurs sûrs et efficaces est en pleine expansion. Face à cette demande croissante, le développement et l'évaluation de nouveaux conservateurs sont impératifs6. L'analyse des propriétés physicochimiques du composé est cruciale pour son efficacité. Les modèles prédictifs utilisent des techniques informatiques et mathématiques sans recourir à des tests en laboratoire approfondis pour estimer les effets biologiques. Nous développons ici des modèles qui aident à évaluer la toxicité, l’allergénicité et les effets métaboliques en utilisant les propriétés structurelles et physicochimiques7,8.

La QSPR (Relation Quantitative Structure Propriété) et la QSAR (Relation Quantitative Structure-Activité) sont des techniques de modélisation computationnelle qui utilisent la structure chimique d'une molécule pour prédire ses propriétés physico-chimiques et son activité biologique, respectivement9,10. Grâce à certains descripteurs moléculaires et à des modèles statistiques ou d'apprentissage automatique, la QSAR établit une relation entre la structure chimique d'un composé et ses activités biologiques, telles que sa toxicité ou son efficacité thérapeutique. La QSPR se concentre plutôt sur l'utilisation de la structure pour prédire des aspects physiques ou chimiques tels que les points de fusion ou d'ébullition. Ces deux approches utilisent l'analyse quantitative des propriétés topologiques pour générer des modèles de prédiction qui soutiennent la science des matériaux, la chimie environnementale et la conception de médicaments11,12,13.

L'étude des réseaux de points reliés par des droites est le domaine mathématique de la théorie des graphes14. Son application peut contribuer à résoudre plusieurs problèmes concrets. Au cours du XIXe siècle, la théorie des graphes a été utilisée en chimie. Le développement de la théorie des graphes chimiques, un nouveau sous-domaine de la théorie des graphes, a suivi. Les graphes chimiques sont utilisés pour représenter les structures chimiques en théorie des graphes chimiques15. Un atome est représenté par un sommet et la relation entre les atomes par une arête. La structure chimique du composé est liée à la majorité de ses informations chimiques. Un réseau chimique est représenté par des indices topologiques (IT), qui sont des invariants numériques. Les IT sont utilisés dans les recherches QSAR et QSPR pour construire des modèles prédisant les propriétés physiques, chimiques ou biochimiques de certains composés16,17,18,19. En tant que méthode de calcul pour la conception de médicaments et diverses autres analyses structurales, ce concept est largement appliqué20,21,22,23,24,25,26.

Plusieurs études ont utilisé différents indices topologiques pour prédire les propriétés spécifiques des composés. En 2002, des scientifiques ont utilisé certains IT spécifiques pour prédire l'activité biologique d'alcoxyphénols particuliers27. Pour prédire les caractéristiques physiques des médicaments contre les troubles mentaux, Ejma et al. ont utilisé l'apprentissage d'ensemble en conjonction avec des indices topologiques28. À l'aide de modèles de régression et d'indices topologiques, Huili Li et al. ont examiné les caractéristiques structurelles des acides aminés afin de prédire leurs caractéristiques chimiques et physiques29. Les caractéristiques physiques de certains médicaments antibactériens ont été récemment prédites par Abubakar et al. à l'aide de deux modèles de régression et d'indices spécifiques basés sur la somme de voisinage30.

Les modèles de régression linéaire et non linéaire peuvent être utilisés pour réaliser des analyses QSAR et QSPR31,13. Le lien entre la propriété structurale moléculaire et l'activité ou la propriété souhaitée détermine le type de modèle à utiliser. Lorsque la relation entre les variables dépendantes et indépendantes est non linéaire, les modèles curvilinéaires sont considérés comme optimaux. Dans cette étude, les propriétés physicochimiques (P) des conservateurs alimentaires sont les variables dépendantes et leurs indices topologiques (IT) correspondants sont les variables indépendantes. Nous considérons ici les modèles de régression linéaire, quadratique et cubique.

Linéaire:

Quadratique:

Cubique:

où les ai (\(i=1\) à 9) sont des constantes.

L'étude prend en compte quatorze composés chimiques actuellement utilisés pour une conservation efficace des aliments. L'acide acétique est un conservateur couramment utilisé car il détruit les membranes cellulaires bactériennes et fongiques, rendant leur survie impossible. C'est également l'ingrédient principal du vinaigre. C'est un produit chimique largement accepté et naturellement présent32. L'acide ascorbique est un antioxydant naturel, généralement ajouté aux fruits, légumes et boissons, contrairement à d'autres conservateurs33. Le palmitate d'ascorbyle, un dérivé ester de l'acide ascorbique, est ajouté à l'huile de tournesol pour prolonger sa durée de conservation34. L'acide benzoïque est l'un des premiers conservateurs chimiques encore utilisés dans l'industrie agroalimentaire. Il est efficace pour stopper la croissance des levures35. Généralement considérés comme antibactériens, le butylhydroxyanisole (BHA) et le butylhydroxytoluène (BHT) sont des antioxydants phénoliques36. En tant que conservateur anti-enzymatique, l'acide citrique ralentit les réactions enzymatiques des aliments longtemps après leur récolte37. Un conservateur chimique appelé carbonate de diméthyle est utilisé pour prolonger la durée de conservation de produits comme la salsa38. Un tensioactif cationique appelé éthyl lauroyl arinate est utilisé dans la conservation des aliments pour améliorer la sécurité microbiologique et la qualité de divers produits alimentaires39. Souvent appelé méthylparabène, le méthyl 4-hydroxybenzoate est un conservateur alimentaire couramment utilisé dans les produits de boulangerie et les confitures40. De même, la viande transformée et les produits laitiers contiennent du propyl 4-hydroxybenzoate, également appelé propylparabène, comme conservateur alimentaire41. Le gallate de propyle est un antioxydant phénolique courant dans les secteurs alimentaire, cosmétique et pharmaceutique42. Les acides sorbiques et leurs sels sont les conservateurs les plus utilisés dans l'industrie alimentaire en raison de leur saveur neutre et de leur inertie physiologique43. L'huile de tournesol est également conservée à l'aide de butylhydroquinone tertiaire (TBHQ)44. La figure 1 présente les structures moléculaires des conservateurs alimentaires mentionnés ci-dessus.

Structures moléculaires des conservateurs alimentaires.

La figure 2 montre la représentation graphique moléculaire de la structure chimique de l'acide benzoïque. De même, toutes les structures chimiques des composés mentionnés ci-dessus peuvent être représentées sous forme de graphiques moléculaires.

Graphique moléculaire de l'acide benzoïque.

L'efficacité, la stabilité et l'innocuité d'un conservateur alimentaire dépendent fortement de plusieurs propriétés physiques et chimiques, notamment la masse moléculaire (MW), le point d'ébullition (PB), le point de fusion (PF), le pKa, la densité de vapeur (DV), le log P et la DL50. Une DL50 plus élevée suggère une toxicité moindre, rendant le conservateur plus sûr. Le tableau 1 présente les propriétés physicochimiques et la DL50 des conservateurs alimentaires sélectionnés. Toutes les données proviennent de PubChem45.

Le diagramme méthodologique de l’étude est présenté dans la Fig. 3.

Cadre méthodologique de l'étude.

Soit G un graphe connexe simple de sommets V(G) et d'arêtes E(G). Soit u un sommet quelconque de l'ensemble V(G). Alors, \(d_u\), le degré du sommet u, est le nombre de sommets adjacents à u. Pour examiner la structure moléculaire des composés mentionnés ci-dessus, nous utilisons seize indices basés sur le degré. Le tableau 2 présente les indices topologiques sélectionnés pour l'étude.

Pour calculer les indices topologiques, nous utilisons la méthode de partitionnement des arêtes. Cette technique est utile pour calculer les indices topologiques en catégorisant les arêtes selon le degré de leurs sommets d'extrémité. Soit \(E_{(r,s)}\) l'ensemble des arêtes joignant les sommets u et v. Ici, r et s représentent respectivement le degré des sommets u et v. Pour tout graphe chimique, le degré maximal d'un sommet est 4. Dans cette étude, les graphes moléculaires des composés sélectionnés ont des arêtes de types \(E_{(1,2)},E_{(1,3)},E_{(1,4)},E_{(2,2)},E_{(2,3)},E_{(2,4)},E_{(3,3)},E_{(3,4)}\). \(|E_{(r,s)}|\) représente la cardinalité de l'ensemble \(E_{(r,s)}\). Le tableau 3 donne les partitions d'arêtes de l'ensemble de données des composés.

Dans cette section, nous avons calculé les indices topologiques de tous les composés sélectionnés. À titre d'exemple représentatif, nous considérons l'acide benzoïque, et les résultats sont résumés dans le théorème suivant.

Soit \({\mathcal {G}}\) le graphe moléculaire de l'acide benzoïque. Alors, (1) \(M_1({\mathcal {G}}) = 40\), (2) \(M_2({\mathcal {G}}) = 43\), (3) \(RM_2({\mathcal {G}}) = 12\), (4) \(HM({\mathcal {G}}) = 182\), (5) \(AZ({\mathcal {G}}) = 66,1406\), (6) \(R({\mathcal {G}}) = 4,3045\), (7) \(RR({\mathcal {G}}) = 19,3631\), (8) \(RRR({\mathcal {G}}) = 8,8284\), (9) \(H({\mathcal {G}}) = 4.1333\), (10) SC({\mathcal {G}}) = 4,3027, (11) GA({\mathcal {G}}) = 8,6916, (12) IS({\mathcal {G}}) = 9,4, (13) F({\mathcal {G}}) = 96, (14) SDI({\mathcal {G}}) = 21, (15) ABC({\mathcal {G}}) = 6,5423, (16) Donc({\mathcal {G}}) = 29,0926.

Soit \({\mathcal {G}}\) le graphe moléculaire de l'acide benzoïque. En évaluant chaque indice du tableau 2, à l'aide de la partition des arêtes du tableau 3, on obtient :

\(M_1({\mathcal {G}}) = 2(1+3) + 4(2+2) + 4(2+3) + 1(3+3) = 40\)

\(M_2({\mathcal {G}}) = 2(1\fois 3) + 4(2\fois 2) + 4(2\fois 3) + 1(3\fois 3) = 43\)

\(RM_2({\mathcal {G}}) = 2(0\fois 2) + 4(1\fois 1)+ 4(1\fois 2) + 1(2\fois 2) = 12\)

\(HM({\mathcal {G}}) = 2(1+3)^3 + 4(2+2)^3 + 4(2+3)^3 + 1(3+3)^3 = 182\)

\(AZ({\mathcal {G}}) = 2 \gauche( \frac{1\fois 3}{1+3-2}\droite) ^3 + 4 \gauche( \frac{2\fois 2}{2+2-2}\droite) ^3 + 4 \gauche( \frac{2\fois 3}{2+3-2}\droite) ^3+ 1 \gauche( \frac{3\fois 3}{3+3-2}\droite) ^3 = 66,1406\)

\(R({\mathcal {G}}) = 2 \gauche( \frac{1}{\sqrt{1\times 3}}\droite) + 4 \gauche( \frac{1}{\sqrt{2\times 2}}\droite) + 4 \gauche( \frac{1}{\sqrt{2\times 3}}\droite) + 1 \gauche( \frac{1}{\sqrt{3\times 3}}\droite) = 4,3045\)

(RR({\mathcal {G}}) = 2\sqrt{1\times 3} + 4\sqrt{2\times 2}+ 4\sqrt{2\times 3} + 1\sqrt{3\times 3} = 19,3631\)

(RRR({\mathcal {G}}) = 2\sqrt{0\times 2}+ 4\sqrt{1\times 1} + 4\sqrt{1\times 2} + 1\sqrt{2\times 2} = 8,8284)

\(H({\mathcal {G}}) = 2\gauche( \frac{2}{1+3}\droite) + 4\gauche( \frac{2}{2+2}\droite) + 4\gauche( \frac{2}{2+3}\droite) + 1\gauche( \frac{2}{3+3}\droite) = 4,1333\)

\(SC({\mathcal {G}}) = 2 \gauche( \frac{1}{\sqrt{1+3}}\droite) + 4 \gauche( \frac{1}{\sqrt{2+2}}\droite) + 4 \gauche( \frac{1}{\sqrt{2+3}}\droite) + 1 \gauche( \frac{1}{\sqrt{3+3}}\droite) = 4,3027\)

\(GA({\mathcal {G}}) = 2 \gauche( \frac{2\sqrt{1\times 3}}{1+3}\droite) + 4 \gauche( \frac{2\sqrt{2\times 2}}{2+2}\droite) +4 \gauche( \frac{2\sqrt{2\times 3}}{2+3}\droite) + 1 \gauche( \frac{2\sqrt{3\times 3}}{3+3}\droite) = 8,6916\)

\(IS({\mathcal {G}}) = 2 \gauche( \frac{1\fois 3}{1+3}\droite) + 4 \gauche( \frac{2\fois 2}{2+2}\droite) + 4 \gauche( \frac{2\fois 3}{2+3}\droite) + 1 \gauche( \frac{3\fois 3}{3+3}\droite) = 9,4\)

\(F({\mathcal {G}}) = 2(1^2 + 3^2) + 4(2^2 + 2^2) + 4(2^2 + 3^2) + 1(3^2 + 3^2) = 96\)

\(SDI({\mathcal {G}}) = 2 \gauche( \frac{1^3+3^2}{1\times 3}\droite) + 4 \gauche( \frac{2^3+2^2}{2\times 2}\droite) + 4 \gauche( \frac{2^3+3^2}{2\times 3}\droite) + 1 \gauche( \frac{3^3+3^2}{3\times 3}\droite) = 21\)

\(ABC({\mathcal {G}}) = 2\sqrt{\frac{1+3-2}{1\times 3}} + 4\sqrt{\frac{2+2-2}{2\times 2}} + 4\sqrt{\frac{2+3-2}{2\times 3}} + 1\sqrt{\frac{3+3-2}{3\times 3}} = 6,5423\)

Donc ({\mathcal {G}}) = 2\sqrt{1^2+3^2} + 4\sqrt{2^2+2^2} + 4\sqrt{2^2+3^2} + 1\sqrt{3^2+3^2} = 29.0926\)

\(\carré\)

Nous déterminons les indices topologiques de chacun des composés choisis en fonction de leur degré à l'aide de MATLAB et d'une méthodologie similaire à celle du théorème précédemment décrit. Les indices calculés pour chaque composé sont présentés dans les tableaux 4 et 5.

Les tableaux 6, 7, 8, 9, 10 et 11 présentent les modèles de régression linéaire, quadratique et cubique qui utilisent différents indices topologiques de degré comme prédicteurs pour prédire les propriétés physicochimiques des conservateurs alimentaires (PM, MP, BP, pKa, VD, Log P et DL50). Tous les modèles de régression sont développés en programmation MATLAB. Nous prenons en compte les paramètres d'évaluation suivants :

R (coefficient de régression) : mesure la force de la relation entre la valeur réelle et la valeur prédite par le modèle. La plage de valeurs de R est comprise entre -1 et 1. Une valeur R supérieure à 0,9 indique une forte corrélation positive et une forte influence de la variable prédictive sur le paramètre dépendant.

\(\hbox {R}^2\) (coefficient de détermination) : indique la proportion de la variance de la variable dépendante que le modèle peut prendre en compte. Une valeur \(\hbox {R}^2\) plus élevée indique un meilleur ajustement et implique que la majeure partie de la variation est expliquée par le modèle.

RMSE (Root Mean Square Error) : montre l'erreur moyenne dans les prédictions. Une RMSE plus faible indique un meilleur modèle.

Statistique F : elle évalue la significativité globale du modèle. Une valeur p faible et une statistique F élevée indiquent que les facteurs indépendants expliquent en grande partie la variance de la variable dépendante.

Valeur p : elle évalue la signification statistique du modèle. On considère que le prédicteur est statistiquement significatif si la valeur p est inférieure à 0,05.

Français Dans l'analyse de régression linéaire, la plupart des indices calculés montrent une corrélation positive avec les propriétés physicochimiques. L'indice de Randić réciproque réduit montre la plus forte corrélation avec la valeur DL50 et le point de fusion. La densité de vapeur et le poids moléculaire ont les plus fortes corrélations avec l'indice de connectivité des liaisons atomiques. L'indice de Randic, l'indice d'hyper Zagreb et l'indice harmonique montrent une forte association avec le point d'ébullition, la valeur de pKa et la valeur de Log P respectivement. Bien qu'ils ne prédominent pas, des descripteurs tels que RM2, AZ et GA présentent des relations raisonnables sur de nombreux attributs. Le coefficient de régression entre chaque propriété et indice est présenté dans le tableau 12. Les tracés de régression linéaire des paires de propriétés physicochimiques et d'indices avec le coefficient de détermination le plus élevé sont présentés dans la figure 4. Ces tracés illustrent la forte relation prédictive entre des indices topologiques spécifiques et des propriétés physicochimiques sélectionnées.

Graphiques de régression linéaire.

Français Dans l'analyse de régression quadratique, l'indice de connectivité des liaisons atomiques a la plus grande capacité prédictive (coefficient de régression le plus élevé) pour la masse moléculaire. L'indice arithmétique géométrique et l'indice de connectivité de somme inverse ont la plus grande capacité prédictive pour la valeur de pKa et le point de fusion, respectivement. L'indice de division symétrique présente la plus grande capacité prédictive pour la valeur de DL50. Contrairement à la régression linéaire, RM2 présente une capacité prédictive élevée pour le point d'ébullition. L'indice oublié et l'indice de connectivité de somme ont la plus grande capacité prédictive pour la valeur de log P et la densité de vapeur, respectivement. Le coefficient de régression entre chaque propriété et indice est présenté dans le tableau 13. Les tracés de régression quadratique des paires de propriétés physico-chimiques et d'indices ayant le coefficient de détermination le plus élevé sont présentés dans la figure 5.

Diagrammes de régression quadratique.

Dans l'analyse de régression cubique, l'indice de connectivité des liaisons atomiques présente la plus grande capacité prédictive, indiquée par le coefficient de régression le plus élevé, pour la masse moléculaire. Le meilleur prédicteur de la valeur pKa et de la densité de vapeur est l'indice arithmétique géométrique. Le meilleur prédicteur de la valeur DL50 et du point de fusion est l'indice de division symétrique. La capacité de prédiction d'un point d'ébullition élevé est démontrée par RM2. Le meilleur prédicteur de la valeur log P est l'indice oublié. Le coefficient de régression entre chaque propriété et indice est présenté dans le tableau 14. Les courbes de régression cubique des paires propriété physico-chimique/indice présentant le coefficient de détermination le plus élevé sont présentées dans la figure 6.

Diagrammes de régression cubique.

Pour le poids moléculaire, le modèle cubique présente la valeur la plus élevée de R2 (0,9039), ce qui suggère qu'il explique la majeure partie de la variance, ABC étant le meilleur prédicteur. Pour le point de fusion, le modèle cubique présente la valeur la plus élevée de R2 (0,5744), mais une valeur p élevée de 0,2852, ce qui le rend statistiquement faible. Pour le point d'ébullition, le modèle cubique présente une valeur de R2 (0,9071) et une valeur p inférieure à 0,05, ce qui en fait le meilleur modèle, avec l'indice de prédiction RM2. Pour la valeur de pKa, R2 (0,9419) pour le modèle cubique, ce qui présente la meilleure capacité prédictive. Pour la masse volumique de vapeur, le modèle cubique est le meilleur (R2 (0,9998)) avec la plus faible RMSE. Tous les modèles sont hautement significatifs. Pour les valeurs log P et DL50, les modèles sont statistiquement insignifiants en raison de valeurs p élevées (> 0,05).

Pour développer le modèle le plus prédictif, la régression cubique offre la précision maximale pour les quatre paramètres moléculaires : masse moléculaire (MM), point d’ébullition (PE), pKa et densité de vapeur (DV), comme l’indiquent les valeurs les plus élevées de R2. Les modèles pour PB, MMM, pKa et DV ont des valeurs de p inférieures à 0,05 en termes de signification statistique, ce qui indique qu’ils sont fiables pour prédire ces propriétés. Cependant, en raison de leurs corrélations plus faibles et de leur insignifiance statistique, les modèles pour le point de fusion (PF), LogP et DL50 affichent des valeurs de R2 plus faibles et des valeurs de p plus élevées, ce qui en fait des prédicteurs moins précis. Le tableau 15 présente le meilleur modèle prédictif.

Nous prenons en compte l'acide propionique, un autre conservateur alimentaire, afin de valider le modèle prédictif. L'acide propionique est un fongicide utilisé pour empêcher la croissance des bactéries et des champignons dans les céréales stockées pour être utilisées par les animaux et la volaille58. La structure chimique de l'acide propionique est illustrée à la figure 7. Nous calculons les indices topologiques de l'acide propionique basés sur le degré, comme dans le théorème 3.1, et les résultats sont présentés dans le tableau 16. En substituant les valeurs d'indice dans le modèle prédictif, les caractéristiques physico-chimiques de l'acide propionique sont estimées. Les valeurs expérimentales des caractéristiques physico-chimiques sont tirées de PubChem45. Les valeurs expérimentales et prédites des caractéristiques physico-chimiques de l'acide propionique sont comparées dans le tableau 17, ce qui indique qu'elles sont approximativement égales. Ces résultats montrent la qualité de la prédiction par le modèle des caractéristiques des nouveaux conservateurs alimentaires candidats. Cette technique peut être utilisée pour cribler un grand nombre de produits chimiques et identifier ceux qui présentent un fort potentiel d'utilisation comme conservateurs alimentaires.

Acide propionique.

Dans cette étude, les indices topologiques sont utilisés efficacement pour créer des modèles de prédiction permettant d'évaluer les caractéristiques physico-chimiques des conservateurs alimentaires. Nous avons déterminé la méthode la plus fiable pour prédire ces attributs en comparant les modèles de régression linéaire et curvilinéaire. Les résultats montrent que les modèles de régression cubique sont supérieurs aux modèles linéaires et quadratiques, car ils produisent des valeurs de R² telles que 0,9998 pour la densité de vapeur et 0,9039 pour la masse moléculaire, ce qui indique une capacité prédictive élevée. Le meilleur modèle prédictif est également identifié. De plus, l'applicabilité et la fiabilité du modèle sont confirmées par sa validation avec l'acide propionique, un conservateur alimentaire existant. Dans d'autres études, ce modèle prédictif pourrait être utilisé pour le criblage de composés conservateurs alimentaires. Cette étude démontre comment les approches informatiques peuvent être utilisées pour cribler et concevoir de nouveaux conservateurs alimentaires, offrant ainsi une alternative économique et efficace aux tests expérimentaux.

Toutes les données générées ou analysées au cours de cette étude sont incluses dans cet article publié.

Branen, AL et al. (éd.) Additifs alimentaires (CRC Press, 2001).

Google Scholar

Lindsay, RC Additifs alimentaires. Dans Fennema's Food Chemistry 701–762 (CRC Press, 2007).

Russell, NJ & Gould, GW (éd.) Conservateurs alimentaires (Springer, 2003).

Google Scholar

Awuchi, CG, Twinomuhwezi, H., Igwe, VS & Amagwula, IO Additifs et conservateurs alimentaires pour applications alimentaires domestiques et industrielles. J. Anim. Health 2(1), 1–16 (2020).

Google Scholar

Sharma, S. Les conservateurs alimentaires et leurs effets nocifs. Int. J. Sci. Res. Publ. 5(4), 1–2 (2015).

CAS Google Scholar

Jurić, M., Bandić, LM, Carullo, D. & Jurić, S. Progrès technologiques dans les revêtements comestibles : tendances émergentes et applications dans la conservation durable des aliments. Food Biosci. 58, 103835 (2024).

Article Google Scholar

Damayanti, S., Permana, J. & Tjahjono, DH L'utilisation de la chimie computationnelle pour prédire la toxicité des additifs alimentaires antioxydants et de leurs métabolites comme référence pour la réglementation de la sécurité alimentaire. Pharma Chem J. 7, 174–181 (2015).

CAS Google Scholar

Mirza, N. et al. Implications pour la santé, évaluation de la toxicité et de la sécurité des additifs alimentaires fonctionnels. Dans Additifs alimentaires : de la chimie à la sécurité (IntechOpen, 2024).

Roy, K. Progrès dans la modélisation QSAR. Dans Applications in Pharmaceutical, Chemical, Food, Agricultural and Environmental Sciences 555 (Springer, 2017).

Roy, K., Kar, S. & Das, RN Une introduction à la modélisation QSAR/QSPR : concepts fondamentaux (Springer, 2015).

Réserver Google Scholar

Katritzky, AR, Lobanov, VS & Karelson, M. QSPR : La corrélation et la prédiction quantitative des propriétés chimiques et physiques à partir de la structure. Chem. Soc. Rev. 24(4), 279–287 (1995).

Article CAS Google Scholar

Liu, P. & Long, W. Méthodes mathématiques actuelles utilisées dans les études QSAR/QSPR. Int. J. Mol. Sci. 10(5), 1978–1998 (2009).

Article CAS PubMed PubMed Central Google Scholar

Kiralj, R. & Ferreira, M. Procédures de validation de base pour les modèles de régression dans les études QSAR et QSPR : théorie et application. J. Braz. Chem. Soc. 20, 770–787 (2009).

Article CAS Google Scholar

West, DB Introduction à la théorie des graphes Vol. 2 (Prentice Hall, 2001).

Google Scholar

Trinajstic, N. Théorie des graphes chimiques (CRC Press, 2018).

Réserver Google Scholar

Gutman, I. Indices topologiques basés sur le degré. Croat. Chem. Acta 86(4), 351–361 (2013).

Article CAS Google Scholar

Estrada, E. & Uriarte, E. Progrès récents sur le rôle des indices topologiques dans la recherche sur la découverte de médicaments. Curr. Med. Chem. 8(13), 1573–1588 (2001).

Article CAS PubMed Google Scholar

Furtula, B. & Gutman, I. Un index topologique oublié. J. Math. Chem. 53(4), 1184–1190 (2015).

Article MathSciNet CAS Google Scholar

Rouvray, DH La modélisation des phénomènes chimiques à l'aide d'indices topologiques. J. Comput. Chem. 8(4), 470–480 (1987).

Article MathSciNet CAS Google Scholar

Jyothish, K. & Santiago, R. Modélisation quantitative de la relation structure-propriété avec la prédiction des propriétés physico-chimiques de certains nouveaux médicaments contre la dystrophie musculaire de Duchenne. ACS Omega 10(4), 3640 (2025).

Article Google Scholar

Gayathri, KB et Roy, S. Étude quantitative de la relation structure-propriété des médicaments contre la dépression post-partum à l'aide d'indices topologiques et de modèles de régression. Ain Shams Eng. J. 16(1), 103194 (2025).

Article Google Scholar

Renai, PNAD, Roy, S. & Govardhan, S. Analyse QSPR pour certaines architectures biomoléculaires. Int. J. Quantum Chem. 124(11), e27423 (2024).

Article CAS Google Scholar

Govardhan, S., Roy, S., Prabhu, S. & Arulperumjothi, M. Caractérisation topologique de nanorubans de graphène à bords arrondis avec applications aux spectroscopies RMN. J. Mol. Struct. 1303, 137492 (2024).

Article CAS Google Scholar

Jeyaraj, SV & Santiago, R. Une étude sur une technique efficace pour générer une caractérisation topologique basée sur les vertex de la structure 2D de l'acide borique. ACS Omega 8(25), 23089–23097 (2023).

Article CAS PubMed PubMed Central Google Scholar

Augustine, T. & Santiago, R. Sur l'analyse topologique basée sur le degré de voisinage sur la structure TriCF à base de mélamine. Symétrie 15(3), 635 (2023).

Article ADS CAS Google Scholar

Hasani, M., Ghods, M., Mondal, S., Siddiqui, MK & Cheema, IZ Modélisation QSPR pour les médicaments contre la pyélonéphrite : une approche par indices topologiques utilisant MATLAB. J. Supercomput. 81(3), 479 (2025).

Article Google Scholar

Pyka, A. Application d'indices topologiques pour la prédiction de l'activité biologique d'alcoxyphénols sélectionnés. Acta Pol. Pharm. 59(5), 347–352 (2002).

CAS PubMed Google Scholar

Ejima, O., Abubakar, MS, Pawa, SS, Ibrahim, AH & Aremu, KO Apprentissage d'ensemble et indices topologiques de graphes pour prédire les propriétés physiques des médicaments contre les troubles mentaux. Phys. Scr. 99(10), 106009 (2024).

Article CAS Google Scholar

Li, H. et al. Analyse topologique et modélisation prédictive des structures d'acides aminés avec implications pour la bioinformatique et la biologie structurale. Sci. Rep. 15(1), 638 (2025).

Article CAS PubMed PubMed Central Google Scholar

Abubakar, MS, Ejima, O., Sanusi, RA, Ibrahim, AH & Aremu, KO Prédiction des propriétés des médicaments antibactériens à l'aide d'indices topologiques de graphes et d'apprentissage automatique. IEEE Access 12, 181420–181435 (2024).

Article Google Scholar

Yap, CW, Li, H., Ji, ZL & Chen, YZ Méthodes de régression pour le développement de modèles QSAR et QSPR afin de prédire des composés ayant des propriétés pharmacodynamiques, pharmacocinétiques et toxicologiques spécifiques. Mini-Rev. Med. Chem. 7(11), 1097–1107 (2007).

Article CAS PubMed Google Scholar

Levine, AS & Fellers, CR Action de l'acide acétique sur les micro-organismes responsables de la détérioration des aliments. J. Bacteriol. 39(5), 499–515 (1940).

Article CAS PubMed PubMed Central Google Scholar

Tewari, S., Sehrawat, R., Nema, PK & Kaur, BP Effet de conservation du traitement à haute pression sur l'acide ascorbique des fruits et légumes : une revue. J. Food Biochem. 41(1), e12319 (2017).

Article Google Scholar

Imran, M. et al. Palmitate d'ascorbyle : une revue complète de ses caractéristiques, de sa synthèse, de son encapsulation et de ses applications. Process Biochem. 142, 68–80 (2024).

Article CAS Google Scholar

Del Olmo, A., Calzada, J. & Nunez, M. Acide benzoïque et ses dérivés comme composés naturels dans les aliments et comme additifs : utilisations, exposition et controverse. Crit. Rev. Food Sci. Nutr. 57(14), 3084–3103 (2017).

Article PubMed Google Scholar

Goodman, DL, McDonnel, JT, Nelson, HS, Vaughan, TR & Weber, R. Urticaire chronique exacerbée par les conservateurs alimentaires antioxydants, l'hydroxyanisole butylé (BHA) et l'hydroxytoluène butylé (BHT). J. Allergy Clin. Immunol. 85, 570–575 (1990).

Article Google Scholar

Zhang, W., Roy, S., Assadpour, E., Cong, X. & Jafari, SM Films biopolymères réticulés par l'acide citrique pour l'emballage et la conservation des aliments. Adv. Colloid Interface Sci. 314, 102886 (2023).

Article CAS PubMed Google Scholar

Liu, S. et al. Le dicarbonate de diméthyle en tant qu'additif alimentaire inhibe efficacement Geotrichum citri-aurantii des agrumes. Foods. 11(15), 2328 (2022).

Article CAS PubMed PubMed Central Google Scholar

Nerin, C., Becerril, R. et Silva, F. Éthyl lauroyl arginate (LAE) : activité antimicrobienne et applications dans les systèmes alimentaires. Dans Antimicrobial Food Packaging 405–414 (Academic Press, 2025).

Talevi, A., Bellera, CL, Castro, EA & Bruno-Blanch, LE Une application réussie de criblage virtuel : prédiction de l'activité anticonvulsivante dans le test MES des conservateurs pharmaceutiques et alimentaires largement utilisés méthylparabène et propylparabène. J. Comput. Aided Mol. Des. 21, 527–538 (2007).

Article ADS CAS PubMed Google Scholar

Vandenberg, LN et Bugos, J. Évaluation des implications pour la santé publique du conservateur alimentaire propylparabène : ce produit chimique est-il utilisé en toute sécurité depuis des décennies ?. Curr. Environ. Health Rep. 8, 54–70 (2021).

Article CAS PubMed Google Scholar

Javaheri-Ghezeldizaj, F., Alizadeh, AM, Dehghan, P. & Dolatabadi, JEN Aperçu pharmacocinétique et toxicologique de l'additif alimentaire gallate de propyle. Food Chem. 423, 135219 (2023).

Article CAS PubMed Google Scholar

Stopforth, JD, Sofos, JN & Busta, FF Acide sorbique et sorbates. Food Sci. Technol. 145, 49 (2005).

CAS Google Scholar

Khezerlou, A., Pouya Akhlaghi, A., Alizadeh, AM, Dehghan, P. & Maleki, P. Impact alarmant de l'utilisation excessive de tert-butylhydroquinone dans les produits alimentaires : une revue narrative. Toxicol. Rep. 9, 1066–1075 (2022).

Article CAS PubMed PubMed Central Google Scholar

Centre national d'information sur la biotechnologie. Base de données des composés PubChem. Bibliothèque nationale de médecine des États-Unis. https://pubchem.ncbi.nlm.nih.gov/. Consulté le 11 mars 2025.

Gutman, I. & Trinajstić, N. Théorie des graphes et orbitales moléculaires. Dans New Concepts II 49–93 (Springer, 2005).

Furtula, B., Gutman, I. & Ediz, S. Sur la différence des indices de Zagreb. Discrete Appl. Math. 178, 83–88 (2014).

Article MathSciNet Google Scholar

Shirdel, GH, Rezapour, H. & Sayadi, AM L'indice hyper-Zagreb des opérations graphiques (2013).

Ali, A., Raza, Z., & Bhatti, AA Sur l'index augmenté de Zagreb. Préimpression arXiv arXiv:1402.3078 (2014).

Randic, M. Caractérisation de la ramification moléculaire. J. Am. Chem. Soc. 97(23), 6609–6615 (1975).

Article CAS Google Scholar

Gutman, I., Furtula, B., et Elphick, C. Trois indices topologiques nouveaux/anciens basés sur le degré du sommet. Dans MATCH Communications in Mathematical and in Computer Chemistry (2014).

Zhong, L. L'indice harmonique pour les graphes. Appl. Math. Lett. 25(3), 561–566 (2012).

Article MathSciNet Google Scholar

Zhou, B. & Trinajstić, N. Sur un nouvel indice de connectivité. J. Math. Chem. 46, 1252–1270 (2009).

Article MathSciNet CAS Google Scholar

Vukičević, D. & Furtula, B. Indice topologique basé sur les rapports des moyennes géométriques et arithmétiques des degrés des sommets d'extrémité des arêtes. J. Math. Chem. 46, 1369–1376 (2009).

Article MathSciNet Google Scholar

Vukičević, D. & Gaśperov, M. Modélisation additive des liaisons 1. Indices adriatiques. Croat. Chem. Acta 83, 243–260 (2010).

Google Scholar

Estrada, E., Torres, L., Rodriguez, L. & Gutman, I. Un indice de connectivité atome-liaison : Modélisation de l'enthalpie de formation des alcanes Indian. J. Chem. 37A, 849 (1998).

CAS Google Scholar

Gutman, I. Approche géométrique des indices topologiques basés sur le degré : indices de Sombor. MATCH Commun. Math. Comput. Chem. 86(1), 11–16 (2021).

MathSciNet Google Scholar

Ranaei, V., Pilevar, Z., Khaneghah, AM & Hosseini, H. Acide propionique : méthode de production, état actuel et perspectives. Food Technol. Biotechnol. 58(2), 115 (2020).

Article CAS PubMed PubMed Central Google Scholar

Télécharger les références

Financement en libre accès fourni par le Vellore Institute of Technology.

Département de mathématiques, École des sciences avancées, Institut de technologie de Vellore, Vellore, 632 014, Inde

KB Gayathri et S. Roy

Rechercher l'auteur sur : PubMed Google Scholar

Rechercher l'auteur sur : PubMed Google Scholar

GKB : Conceptualisation ; rédaction-ébauche originale ; validation ; logiciel RS : Supervision ; validation ; conceptualisation.

Correspondance à S. Roy.

Les auteurs ne déclarent aucun conflit d’intérêts.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès. Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support et sous tout format, à condition de citer l'auteur(e) original(e) et la source, de fournir un lien vers la licence Creative Commons et d'indiquer les éventuelles modifications. Les images et autres éléments tiers contenus dans cet article sont inclus dans la licence Creative Commons de l'article, sauf mention contraire dans une ligne de crédit. Si un élément n'est pas inclus dans la licence Creative Commons de l'article et que l'utilisation que vous envisagez n'est pas autorisée par la réglementation ou dépasse les limites autorisées, vous devrez obtenir l'autorisation directement auprès du détenteur des droits d'auteur. Pour consulter une copie de cette licence, rendez-vous sur http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Gayathri, KB, Roy, S. Étude comparative QSPR des conservateurs alimentaires à l'aide d'indices topologiques et de modèles de régression. Sci Rep 15, 24557 (2025). https://doi.org/10.1038/s41598-025-08002-5

Télécharger la citation

Reçu : 17 avril 2025

Accepté : 18 juin 2025

Publié le 8 juillet 2025

DOI : https://doi.org/10.1038/s41598-025-08002-5

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt