Please use this identifier to cite or link to this item: http://localhost:8080/xmlui/handle/123456789/5812
Full metadata record
DC FieldValueLanguage
dc.contributor.authorAicha, AIT HABBOUCHE-
dc.contributor.authorSoulef, BRAHMI-
dc.contributor.authorNessrine, MESLI-
dc.contributor.authorIlhèm, RAHMANI-
dc.contributor.authorEncadré par :, Pr. LALAOUNA Abd El Djalil-
dc.date.accessioned2024-09-22T12:47:17Z-
dc.date.available2024-09-22T12:47:17Z-
dc.date.issued2024-
dc.identifier.urihttp://localhost:8080/xmlui/handle/123456789/5812-
dc.descriptionMPH 24/04en_US
dc.description.abstractCe projet vise à développer un outil d'interprétation automatique des spectres infrarouges pour diverses molécules organiques, traditionnellement analysées via des méthodes qui requièrent une expertise significative. Une base de données comprenant les spectres infrarouges de 1540 molécules différentes a été utilisée. Ces données sont traitées via un script Python qui extrait les informations pertinentes dans des fichiers Excel. Utilisant les notations SMILES et SMART, le script génère un ensemble de données constitué de variables X, représentant les longueurs d'onde et leur transmittances correspondants, et de variables Y, indiquant l'absence ou la présence de fonctions chimiques spécifiques pour chaque molécule. Un second script Python, exécuté dans Jupyter, a servi à développer un réseau de neurones artificiels. Ce réseau traite les données préalablement collectées afin de créer un modèle capable d'apprendre à partir de ces données et de généraliser à de nouvelles données non observées auparavant. Les résultats obtenus incluent des tableaux de performances basés sur cinq critères, le "rappel" étant jugé le plus crucial, ainsi que divers graphiques, tels que des courbes ROC et des matrices de confusion. L'analyse des résultats a permis d'évaluer les performances de 111 fonctions au total. Parmi celles-ci, 49 fonctions ont démontré des performances très satisfaisantes. Plus précisément, 83,6% de ces fonctions ont obtenu une précision supérieure à 0,8 ce qui est considéré comme excellent. Notamment, 31,7% d'entre elles ont même dépassé 0,9, De plus, 16,32% des fonctions ont atteint une précision se situant entre 0,7 et 0,8, ce qui est jugé comme bon. En basant sur ces dernier, l'interface du logiciel, ainsi que sa structure, ont été élaborées avec Visual Studio 2019. Le taux des fonctions bien appris par réseaux de neurones artificiels est considéré comme très encourageant, les échecs restants étant principalement attribués au faible nombre de modalités disponibles pour certaines fonctions. Aussi le logiciel InterSpec.Ai a été testé avec succès sur des molécules non incluses dans le jeu de données initial En conclusion, ce système, confirmant l'efficacité de l'outil développé pour faciliter l'interprétation des spectres infrarouges, répondant ainsi pleinement à l'objectif initial du projet. This project aims to develop an automated tool for interpreting infrared spectra for various organic molecules, traditionally analyzed using methods that require significant expertise. A database containing the infrared spectra of 1540 different molecules was used. This data is processed via a Python script that extracts the relevant information into Excel files. Using SMILES and SMART notations, the script generates a dataset consisting of X variables, representing the wavelengths and their corresponding transmittances, and Y variables, indicating the absence or presence of specific chemical functions for each molecule. A second Python script, executed in Jupyter, was used to develop an artificial neural network. This network processes the previously collected data to create a model capable of learning from this data and generalizing to new, previously unobserved data. The results obtained include performance tables based on five criteria, with "recall" being deemed the most crucial, as well as various graphs, such as ROC curves and confusion matrices. The analysis of the results made it possible to evaluate the performances of 111 functions in total. Among these, 49 functions demonstrated very satisfactory performances. More precisely, 83.6% of these functions obtained a precision greater than 0.8, which is considered excellent. Notably, 31.7% of them even exceeded 0.9. Additionally, 16.32% of the functions achieved a precision between 0.7 and 0.8, which is considered good. Based on these results, the software interface and structure were developed using Visual Studio 2019. The rate of functions well-learned by the ANN is considered very encouraging, with the remaining failures mainly attributed to the low number of modalities available for certain functions. The InterSpec.Ai software was also successfully tested on molecules not included in the initial dataset. In conclusion, this system, confirming the effectiveness of the developed tool for facilitating the interpretation of infrared spectra, fully meets the initial objective of the project.en_US
dc.language.isofren_US
dc.publisherUniversité Constantine 3 Salah Boubnider,Faculté de Médecineen_US
dc.subjectinterprétation des spectres infrarougesen_US
dc.subjectintelligence artificielleen_US
dc.subjectlogiciel InterSpecen_US
dc.subjectréseaux de neurones artificielsen_US
dc.subjectPythonen_US
dc.subjectvisual studio 2019en_US
dc.subjectAien_US
dc.titleDEVLOPPMENT D’UN OUTIL D’INTERPRETATION DES SPECTRES INFRAROUGEen_US
dc.typeOtheren_US
Appears in Collections:Mémoires en Pharmacie / مذكرات في الصيدلة

Files in This Item:
File Description SizeFormat 
MPH 24-04-dévloppement d'un outil d'interpretation IR.pdfMPH 24/04602.92 kBAdobe PDFView/Open


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