Description

La recherche de nouvelles sondes luminescentes constitue un domaine en plein essor en raison de leurs nombreuses applications en imagerie biologique, en diagnostic médical et en biodétection. En particulier, les sondes émettant dans le rouge et le proche infrarouge présentent un intérêt majeur, car elles permettent une meilleure pénétration dans les tissus biologiques tout en limitant l’autofluorescence et les dommages photo-induits.
Sur le plan théorique, la modélisation quantique joue un rôle essentiel pour comprendre et prédire les propriétés optiques de ces systèmes. La TD-DFT est largement utilisée pour étudier les processus d’absorption et d’émission et établir des relations structure–propriétés. Cependant, cette approche présente plusieurs limitations : son coût computationnel devient très élevé pour les systèmes de grande taille et elle décrit difficilement certains effets essentiels, tels que l’influence explicite du solvant ou les effets de température, qui peuvent modifier les conformations moléculaires et donc les propriétés optiques.
Par ailleurs, les champs de force classiques utilisés en dynamique moléculaire ne décrivent pas correctement les états excités, ce qui limite leur capacité à reproduire la dynamique conformationnelle des chromophores luminescents. Les champs de force basés sur l’apprentissage automatique (machine learning, ML) représentent une alternative prometteuse, car ils permettent d’atteindre une précision proche des méthodes quantiques tout en conservant une efficacité compatible avec des simulations de grande échelle.
Dans ce projet, nous proposons d’étudier le comportement de molécules luminescentes en milieux aqueux et organiques en combinant dynamique moléculaire et approches de ML. L’objectif est de développer des champs de force fiables et transférables capables de reproduire les surfaces d’énergie potentielle obtenues par des calculs TD-DFT de haut niveau, tout en permettant l’exploration efficace de la flexibilité conformationnelle des chromophores et des effets du solvant.
Dans une première étape, nous utiliserons une base de données de fluorophores synthétisés par Jean-Bernard Regnouf (équipe SAMPA, L2CM), en particulier des molécules basées sur le motif 2,2′-bithiazole et des systèmes supramoléculaires flexibles tels que les podands 2,2′-bithiazolyl-p-tert-butylcalix[4]arène (voir la Figure 1). Les données expérimentales d’absorption et d’émission disponibles permettront de valider les calculs TD-DFT utilisés pour entraîner les modèles ML.
Les champs de force développés seront ensuite appliqués à un ensemble plus large de chromophores afin d’évaluer leur transférabilité et d’étudier l’influence de l’environnement sur les propriétés optiques. Cette approche permettra d’identifier les motifs structuraux contrôlant l’absorption, l’émission et la rigidité conformationnelle des molécules.
À terme, ce projet vise à établir une méthodologie prédictive combinant données expérimentales, calculs TD-DFT et apprentissage automatique pour la conception rationnelle de nouvelles sondes luminescentes. Il contribuera également à renforcer l’expertise du laboratoire L2CM dans le domaine de l’intelligence artificielle appliquée à la chimie moléculaire et aux systèmes luminescents.

Compétences requises

Le doctorant devra posséder un niveau Master en chimie, physique ou science des matériaux, avec une solide formation en chimie théorique et modélisation moléculaire. Des compétences en programmation (Python, C++, ou équivalent) et en machine learning sont fortement souhaitées. La maîtrise de logiciels de chimie quantique (notamment Gaussian) et une bonne compréhension des méthodes TD-DFT sont un atout. Des qualités telles que rigueur scientifique, autonomie, esprit d’analyse et capacité à travailler en équipe internationale sont également recherchées. La connaissance de l’anglais scientifique est indispensable pour la lecture de la littérature et la diffusion des résultats.

Bibliographie

[1] Unke, O. T.; Chmiela, S.; Sauceda, H. E.; Gastegger, M.; Poltavsky, I.; Schütt, K. T.; Tkatchenko, A.; Müller, K.-R. Machine learning force fields. Chemical Reviews 2021, 121, 10142–10186.
[2] Fu, J.; Zhang, S.; Zheng, X. Recent progress of machine learning on organic optoelectronic materials: absorption/emission predictions. Computational Intelligence in Chemistry Characterization (CICC) 2025, 7 (3), 181–189.
[3] Wang, L.; et al. High-precision prediction of fluorescence wavelength of organic compounds based on ensemble automatic machine learning method and online querying. Dyes and Pigments 2025, 242, 113012.
[4] Ju, C. W.; Bai, H.; Li, B.; Liu, R. Machine learning enables highly accurate predictions of photophysical properties of organic fluorescent materials: emission wavelengths and quantum yields. Journal of Chemical Information and Modeling 2020, 60, 1053–1065.
[5] Predicting fluorescence emission wavelengths and quantum yields via machine learning. Scientific Reports 2025, 15, 12345–12358.
[6] Enhanced prediction of absorption and emission wavelengths of organic compounds through hybrid graph neural network architectures. Journal of Chemical Physics 2025, 152, 074110–074124.
[7] Prediction and exploration of emission wavelength (or energy) of luminescent materials based on machine learning. Journal of Luminescence 2025, 279, 121024.
[8] Data-driven machine learning models for predicting the maximum absorption and emission wavelengths of single benzene fluorophores. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 2025, 326, 125213.
[9] Lehn, J.-M.; Regnouf-de-Vains, J.-B. Synthesis of macrobicyclic cryptates incorporating bithiazole, biimidazole and bipyrimidine binding subunits. Tetrahedron Letters 1989, 30, 2209–2212.
[10] Lehn, J.-M.; Regnouf-de-Vains, J.-B. Synthesis and properties of macrobicyclic cryptates incorporating five- and six-membered biheteroaryl units. Helvetica Chimica Acta 1992, 75, 1221–1236.
[11] Echegoyen, L.; Perez-Cordero, E.; Regnouf-de-Vains, J.-B.; Roth, C.; Lehn, J.-M. Formation of cryptatium species in solution: electrochemistry of bipyridyl-, bipyrimidyl- and bithiazole-based cryptates. Inorganic Chemistry 1993, 32 (5), 572–579.
[12] Pellet-Rostaing, S.; Regnouf-de-Vains, J.-B.; Lamartine, R. 2,2′-Bithiazolyl-p-tert-butylcalix[4]arene podands: synthesis and fluorescence properties. Tetrahedron Letters 1996, 37 (33), 5889–5892.
[13] Pellet-Rostaing, S.; Regnouf-de-Vains, J.-B.; Lamartine, R.; Meallier, P.; Guittonneau, S.; Fenet, B. Fluorescence quenching of 2,2′-bithiazole-containing calix[4]arenes by copper(I). Helvetica Chimica Acta 1997, 80, 1229–1243.
[14] Pellet-Rostaing, S.; Regnouf-de-Vains, J.-B.; Lamartine, R.; Fenet, B. A bithiazole-containing calix[4]arene as a versatile ligand for copper(I) and copper(II). Inorganic Chemistry Communications 1999, 2 (2), 4–7.
[15] Wagner, M.; Engrand, P.; Regnouf-de-Vains, J.-B.; Marsura, A. Heptakis-6-(5-methylene-ureido-5′-methyl-2,2′-bithiazolyl)-cyclomaltoheptaose as a new fluorescent polydentate ligand. Tetrahedron Letters 2001, 42 (31), 5207–5209.
[16] Mourer, M.; Psychogios, N.; Laumond, G.; Aubertin, A.-M.; Regnouf-de-Vains, J.-B. Synthesis and anti-HIV evaluation of water-soluble calixarene-based bithiazolyl podands. Bioorganic & Medicinal Chemistry 2010, 18, 36–45.
[17] Geller, C.; Fontanay, S.; Mourer, M.; Massimba Dibama, H.; Regnouf-de-Vains, J.-B.; Finance, C.; Duval, R. E. Antiseptic properties of two calix[4]arene derivatives on the human coronavirus 229E. Antiviral Research 2010, 88, 343–346.
[18] Mourer, M.; Massimba Dibama, H.; Constant, P.; Daffé, M.; Regnouf-de-Vains, J.-B. Anti-mycobacterial activities of some cationic and anionic calix[4]arene derivatives. Bioorganic & Medicinal Chemistry 2012, 20, 2035–2041.
[19] Mourer, M.; Fontanay, S.; Duval, R. E.; Regnouf-de-Vains, J.-B. Synthesis, characterisation and biological evaluation as antibacterial agents of water-soluble calix[4]arenes and phenol derivatives incorporating carboxylate groups. Helvetica Chimica Acta 2012, 95 (8), 1373–1386.

Mots clés

Dynamique moléculaire, Systèmes luminescentes, Apprentissage automatique, Champs de force, TD-DFT, Imagerie médicale