IA & Applications en Chimie

Initiation à l’intelligence artificielle pour les chimistes : des réseaux de neurones à la prédiction de toxicité moléculaire, en passant par les objets connectés et les assistants IA pédagogiques.

Formation conçue et dispensée dans le cadre de la L3 ICPAC — Université Côte d’Azur — Disponible via webprofs.fr

L’approche

« Démystifier l’IA, comprendre ses mécanismes de base et voir ses applications directes dans le domaine de la chimie — de la modélisation à la prédiction de la toxicité, en passant par les capteurs connectés. L’IA devient un véritable accélérateur de projets scientifiques, permettant aux experts de leur domaine de créer des applications numériques avancées sans nécessairement maîtriser tous les aspects de la programmation. »

Cette formation progressive fait le pont entre chimie et intelligence artificielle. Les étudiants partent d’un seul neurone modélisant la loi de Beer-Lambert, et arrivent jusqu’aux Graph Neural Networks capables de prédire la toxicité de milliers de molécules sur 12 cibles biologiques simultanément.

Parcours pédagogique

7 modules progressifs, des bases de l’IA jusqu’aux GNN, avec exercices pratiques sur données réelles à chaque étape.

🧠
Introduction IA & LLM Historique, Transformers, attention
🔬
Réseaux de neurones Neurone formel, rétropropagation
📡
Agents IA & IoT Arduino, MQTT, capteurs connectés
🧪
IA en Chimie Beer-Lambert → GNN → Toxicité

De la loi de Beer-Lambert aux GNN

Le parcours illustre comment un même outil — le réseau de neurones — s’enrichit progressivement pour répondre aux enjeux de la chimie.

⚗️

1 neurone = Loi de Beer-Lambert

Un seul neurone à activation linéaire modélise A = ε × l × C. Le poids appris correspond au coefficient d’extinction molaire, le biais à l’absorbance résiduelle. Dosage réel de sulfate de cuivre.

Régression · Beer-Lambert · 1 neurone
🎯

Classification binaire

Passage à la classification avec fonction sigmoïde : séparation de données en 2 classes, visualisation des frontières de décision, extension à 3 classes avec Softmax.

Sigmoïde · Softmax · Frontières
💊

Toxicité moléculaire (MLP)

Réseau dense (Keras) + empreintes de Morgan (2048 bits) pour prédire la toxicité sur la base ClinTox (1 480 molécules). Limite : perte de l’information structurelle.

Morgan Fingerprints · Keras · ClinTox
🕸️

Graph Neural Networks (GNN)

La molécule est un graphe : atomes = nœuds, liaisons = arêtes. Le GNN conserve la géométrie 3D. Prédiction multi-tâches sur 12 cibles biologiques (Tox21, 8 000+ molécules, score ROC-AUC).

DeepChem · Tox21 · Message Passing

Le problème des réseaux classiques en chimie

Pourquoi les GNN surpassent les approches classiques : un réseau de neurones standard ne peut pas traiter directement la structure géométrique d’une molécule.

Descripteurs globaux — masse molaire, logP, nombre d’atomes : l’agencement précis des atomes est perdu
Fingerprints classiques — vecteurs binaires (0/1) : la connectivité topologique est perdue
GNN — chaque atome observe ses voisins, l’information se propage de proche en proche, l’empreinte moléculaire est apprise
Résultat — le GNN automatise à grande échelle le raisonnement logique du chimiste en respectant la structure géométrique

Comment fonctionne un GNN ?

À partir d’une base de molécules connues, le réseau apprend en 4 étapes itératives :

👁️
Observation locale Chaque atome examine ses voisins
🔄
Propagation Message Passing de proche en proche
🧬
Empreinte apprise Embedding moléculaire (Global Pooling)
📊
Prédiction Probabilité de toxicité

Outils pédagogiques interactifs

Trois programmes Python développés pour visualiser et comprendre les réseaux de neurones en temps réel.

📊

mlp_pedagogique.py

Tableau de bord interactif (Matplotlib) pour visualiser en temps réel l’entraînement d’un MLP : hyperparamètres, fonctions d’activation, ajustement des poids.

MLP · Matplotlib · Interactif
🕸️

gnn_architecture.py

Visualisation graphique (NetworkX) de l’architecture interne d’un GNN : caractéristiques atomiques, Message Passing, Global Pooling, dimensions des matrices.

GNN · NetworkX · Architecture
🧪

gnn_pedagogique.py

Tableau de bord dynamique : entraînement en direct sur des molécules (Hexane, Benzène, Phénol, Éthanol), projection dans l’espace latent 2D, courbe de Loss.

Espace latent · Molécules · Temps réel

Agents IA & objets connectés

L’IA comme accélérateur de projets scientifiques : les étudiants en chimie utilisent des agents IA pour concevoir rapidement des objets connectés et leurs interfaces web.

Utilisation d’agents IA pour coder et configurer des microcontrôleurs Arduino
Protocole MQTT pour la transmission des données capteurs (température, humidité via DHT22)
Visualisation en temps réel sur tableau de bord web
Des non-spécialistes du numérique transforment une idée scientifique en prototype fonctionnel

Assistant IA intégré à Moodle

Un tuteur virtuel interactif basé sur LangFlow, directement intégré à la plateforme Moodle, spécialisé en IA, réseaux de neurones et Python.

Guidage pas à pas pour résoudre les exercices et TP
Entraîneur QCM pour évaluer les connaissances de manière ciblée
Support des formules mathématiques dans les questions
Développement de l’esprit critique face aux réponses de l’IA

Ressources & code source

Notebooks Jupyter :

IA_reseau_1neurone_TP_Chimie.ipynb · IA_reseau_2classes.ipynb · Toxicite_Keras_2.ipynb · Toxicite_GNN_DeepChem.ipynb · Toxicite_GNN_Tox21.ipynb · GNN_Toxicite_Ameliore.ipynb
Programmes interactifs Python :

mlp_pedagogique.py · gnn_architecture.py · gnn_pedagogique.py
Technologies :

Python · Keras · DeepChem · NetworkX · Matplotlib · RDKit · Morgan Fingerprints · Arduino · MQTT · LangFlow · Moodle
Jeux de données :

ClinTox (1 480 molécules) · Tox21 (8 000+ molécules, 12 cibles biologiques)

Voir le code sur GitHub →

Un projet IA appliquée à la chimie ?

Formation, développement de notebooks, déploiement d’assistants IA pédagogiques ou projets IoT pour la chimie — parlons-en.

Me contacter →