Une équipe de chercheurs de Rice University et du Baylor College of Medicine a développé une nouvelle stratégie pour identifier les polluants dangereux dans le sol, même ceux qui n'ont jamais été isolés ou étudiés dans un laboratoire.
La nouvelle approche, décrite dans une étude publiée dans Actes de l'Académie nationale des sciencesutilise l'imagerie à base de lumière, les prédictions théoriques des signatures lumineuses des composés et des algorithmes d'apprentissage automatique (ML) pour détecter des composés toxiques comme les hydrocarbures aromatiques polycycliques (HAP) et leurs composés dérivés (PAC) dans le sol.
Un sous-produit commun de la combustion, des HAP et des PAC a été lié au cancer, aux problèmes de développement et à d'autres problèmes de santé graves.
L'identification des polluants dans le sol nécessite généralement des laboratoires avancés et des échantillons de référence physique standard des contaminants suspects. Cependant, pour de nombreux polluants environnementaux qui présentent un risque de santé publique, il n'y a pas de données expérimentales disponibles qui peuvent être utilisées pour les détecter.
« Cette méthode permet d'identifier des produits chimiques qui n'ont pas encore été isolés expérimentalement », a déclaré Naomi Halas, professeur d'université et professeur de Stanley C. Moore de génie électrique et informatique chez le riz.
La nouvelle méthode utilise une technique d'imagerie basée sur la lumière connue sous le nom de spectroscopie Raman améliorée en surface, qui analyse comment la lumière interagit avec les molécules, suivant les modèles uniques, ou spectres, émettent-ils. Les spectres servent de «empreintes digitales chimiques» pour chaque composé. La technique est affinée grâce à l'utilisation de nanoheslls de signature conçus pour améliorer les traits pertinents dans les spectres.
En utilisant la théorie fonctionnelle de la densité – une technique de modélisation informatique qui peut prédire comment les atomes et les électrons se comportent dans une molécule – les chercheurs ont calculé ce que les spectres de toute une gamme de HAP et de PAC ressemblent à la base de la structure moléculaire des composés. Cela leur a permis de générer une bibliothèque virtuelle des « empreintes digitales » pour les HAP et les PAC.
Deux algorithmes ML complémentaires – l'extraction de pointe caractéristique et la similitude de pic caractéristique – ont été utilisés pour analyser les traits spectraux pertinents dans les échantillons de sols réels et les correspondre aux composés cartographiés dans la bibliothèque virtuelle de spectres.
« Nous utilisons des HAP dans le sol pour illustrer cette nouvelle stratégie très importante », a déclaré Halas. « Il y a des dizaines de milliers de produits chimiques dérivés des HAP et cette approche – calculant leurs spectres et utilisant l'apprentissage automatique pour connecter les spectres théoriquement calculés à ceux observés dans un échantillon – nous permet d'identifier des produits chimiques pour lesquels nous ne pouvons pas ou n'avons pas de données expérimentales pour. »
La méthode comble un écart critique dans la surveillance environnementale, ouvrant la porte à l'identification d'une gamme beaucoup plus large de composés dangereux, dont ceux qui ont changé au fil du temps. Ceci est particulièrement important étant donné que le sol est un environnement dynamique où les produits chimiques sont soumis à des transformations qui peuvent les rendre plus difficiles à détecter.
Thomas Senftle, professeur agrégé de Rice Marsh Rice de Rice en génie chimique et biomoléculaire, a comparé le processus à l'utilisation de la reconnaissance faciale afin de trouver un individu dans une foule.
« Vous pouvez imaginer que nous avons une photo d'une personne lorsqu'elle est adolescente, mais maintenant ils sont dans la trentaine », a déclaré Senftle. « Dans mon groupe, ce que nous faisons est, du côté théorie, nous pouvons prédire à quoi ressemblera l'image. »
Les chercheurs ont testé la méthode sur le sol d'un bassin versant et d'une zone naturelle restaurée en utilisant à la fois des échantillons contaminés artificiellement et un échantillon de contrôle. Les résultats ont montré que la nouvelle approche a sélectionné de manière fiable des traces de HAP encore minuscules en utilisant un processus plus simple et plus rapide que les techniques conventionnelles.
« Cette méthode peut identifier les molécules de polluants PAH et PAC moins connues et largement non étudiées », a déclaré Oara Neumann, chercheur en riz qui est co-auteur de l'étude.
À l'avenir, la méthode pourrait permettre des tests sur le terrain sur place en intégrant les algorithmes ML et la bibliothèque spectrale théorique avec des appareils Raman portables dans un système mobile, ce qui facilite les agriculteurs, les communautés et les agences environnementales pour tester le sol pour des composés dangereux sans avoir besoin pour envoyer des échantillons à des laboratoires spécialisés et à attendre les jours pour les résultats.
