Thèse de Ian Ramtanon : « Exploration de la diversité chimique et des tendances de réactivité enzymatique dans des échantillons complexes de biomasse : approche combinée spectrométrie de masse haute résolution/résonance magnétique nucléaire »
La biomasse lignocellulosique est une ressource renouvelable dont la conversion en bioéthanol constitue une voie prometteuse pour produire des carburants alternatifs et décarbonés. La conversion de cette biomasse inclue un prétraitement nécessaire à sa déstructuration. Cette opération génère cependant des composés susceptibles d’inhiber l’action des enzymes servant à l’hydrolyse de la cellulose en glucose, limitant de ce fait le rendement de cette réaction. Dans l’objectif d’améliorer la rentabilité de ces procédés, ces inhibiteurs doivent être identifiés, mais leur présence dans un milieu très complexe composé de plusieurs centaines de produits est un véritable challenge.
Le projet de thèse a abordé cette problématique sous l’angle d’une stratégie analytique multi-techniques innovantes permettant de cartographier la diversité chimique des hydrolysats, puis de proposer une méthodologie qui permette d’établir les liens entre les constituants et l’inhibition enzymatique observée. Cette stratégie repose sur une approche de fractionnement par extractions liquide-liquide successives par CPC1, pour simplifier les hydrolysats étudiés, suivie d’une caractérisation de chaque fraction par LC-HRMS/MS2 [1] et RMN3. Ceci génère des jeux de données complémentaires de par l’universalité de la réponse des composés majoritaires par RMN et la sensibilité de la spectrométrie de masse. Les propriétés inhibitrices des fractions et des hydrolysats ont ensuite été évaluées à partir de tests de réactivité en hydrolyse enzymatique, puis finalement des méthodes chimiométriques [2] et chémoinformatiques ont permis d’analyser ces données multidimensionnelles (CPC-LC-HRMS/MS, CPC-RMN, réponse en réactivité).
1 Extraction liquide-liquide par chromatographie de partage centrifuge
2 Chromatographie en phase liquide en couplage avec la spectrométrie de masse haute résolution en tandem
3 Résonance Magnétique Nucléaire
Une diversité chimique considérable a été mise en évidence comme l’illustre la Figure 1 sur un hydrolysat. La visualisation proposée permet de présenter de manière synthétique : la complexité de l’échantillon (un point représentant un composé détecté) et les familles chimiques principales. La démarche facilite en outre l’identification par propagation de l’information, car l’identification d’un seul composé par cluster permet de faire des propositions pour les points du même cluster (appartenant à une même famille chimique) et elle accroît le niveau de confiance des regroupements par le biais d’un jeu de couleur.
Les analyses réalisées sur 22 hydrolysats issus de différentes biomasses ont révélé la présence conjointe de sucres, d’acides organiques et de composés phénoliques, certains de ces composés jouant un rôle déterminant dans l’inhibition enzymatique. Enfin, l’exploitation avancée de ces données complexes a permis de proposer des candidats aux tendances inhibitrices concernant l’hydrolyse enzymatique.
Ces avancées fournissent des perspectives précieuses en termes d’options méthodologiques, pour mieux comprendre les mécanismes d’inhibition et optimiser les stratégies de conversion de la biomasse en bioéthanol.
Références :
- I. Ramtanon, A. Berlioz-Barbier, S. Remy, JH. Renault, A. Le Masle. A combined liquid chromatography – trapped ion mobility – tandem high-resolution mass spectrometry and multivariate analysis approach for the determination of enzymatic reactivity descriptors in biomass hydrolysates, Journal of Chromatography A, vol. 1706, (2023),
>> DOI : https://doi.org/10.1016/j.chroma.2023.464277
- I. Ramtanon, M. Lacoue-Nègre, A. Berlioz-Barbier, A. Le Masle, JH. Renault, A selective genetic algorithm - PLS-DA approach based on untargeted LC-HRMS: Application to complex biomass samples, Chemometrics and Intelligent Laboratory Systems, vol. 261, (2025),
>> DOI : https://doi.org/10.1016/j.chemolab.2025.105381
Contact scientifique : Agnès Le Masle