L'évaluation des risques de l'exposition aux mélanges de produits chimiques par voies multiples peut être améliorée par une compréhension de la variation de la dose interne due à l’interaction entre les produits. Les modèles pharmacocinétiques à base physiologique (PBPK) sont des outils éprouvés pour prédire l'ampleur de ces variations dans différents scénarios. Dans cette étude, quatre composés organiques volatils (COV) (toluène, nhexane, cyclohexane et isooctane) ont été choisis pour représenter des produits pétroliers (essence) pouvant contaminer l'eau potable. Premièrement, les modèles PBPK ont simulé l'exposition à un seul COV par une voie (inhalation ou gavage). Ensuite, ces modèles ont été interconnectés pour simuler l'exposition à un mélange par voies multiples. Les modèles ont été validés avec des données in vivo chez des rats Sprague-Dawley (n=5) exposés par inhalation (50 ppm ; toluène, hexane, et 300 ppm ; cyclohexane, isooctane; 2-h) ou par gavage (8,3; 5,5; 27,9 et 41,27 mg/kg pour le toluène, l’hexane, le cyclohexane et l’isooctane, respectivement). Des doses similaires ont été utilisées pour l'exposition au mélange par voies multiples. Les AUC (mg/L x min) pour le toluène, l'hexane, le cyclohexane et l'isooctane étaient respectivement de 157,25; 18,77; 159,58 et 176,54 pour les données expérimentales, et 121,73; 21,91; 19,55 et 170,54 pour les modèles PBPK. Les résultats des modèles PBPK et les données in vivo (simple COV par voies multiples vs. mélange par voies multiples) ont montré des interactions entre les COVs dans le cas de l'exposition au mélange par voies multiples. Cette étude démontre l'efficacité des modèles PBPK pour simuler l'exposition aux mélanges de COV par voies multiples. / Risk assessment focusing on exposure to mixtures by multiple routes can be improved with an understanding of the changes in internal doses due to interaction among chemicals. Physiologically based pharmacokinetic (PBPK) models are proven tools to predict the magnitude of interaction in various scenarios. In this study, four volatile organic compounds (VOCs) (toluene, nhexane, cyclohexane and isooctane) were chosen to represent petroleum products that could contaminate the drinking water (e.g. gasoline). PBPK models were used first to simulate exposure to a single chemical by a single route (inhalation, gavage) and simulate exposure to a mixture by multiple routes. PBPK models were validated by comparing simulations with in vivo data. These data were collected from groups of male Sprague-Dawley rats (n=5) exposed by inhalation (50 ppm of toluene, hexane; 300 ppm of cyclohexane and isooctane; 2-hr) or gavage (8.3, 5.5, 27.9, and 41.27 mg/kg, respectively, for toluene, hexane, cyclohexane and isooctane). For exposure to the mixture by multiple routes, same doses were used. The AUCs (mg/L x min) based on experimental data were 157.25, 18.77, 159.58 and 176.54 and the AUCs of the PBPKs model were 121.73, 21.91, 19.55 and 170.54, respectively, for toluene, hexane, cyclohexane and isooctane. Results from both PBPK models and in vivo data (single VOC, multiple routes vs. mixture, multiple routes) showed interactions between VOCs in the case of exposure to the mixture by multiple routes. This study demonstrated that the PBPK model is an effective tool to simulate exposure to mixtures of VOCs by multiple routes.

L'évaluation des risques de l'exposition aux mélanges de produits chimiques par voies multiples peut être améliorée par une compréhension de la variation de la dose interne due à l’interaction entre les produits. Les modèles pharmacocinétiques à base physiologique (PBPK) sont des outils éprouvés pour prédire l'ampleur de ces variations dans différents scénarios. Dans cette étude, quatre composés organiques volatils (COV) (toluène, nhexane, cyclohexane et isooctane) ont été choisis pour représenter des produits pétroliers (essence) pouvant contaminer l'eau potable. Premièrement, les modèles PBPK ont simulé l'exposition à un seul COV par une voie (inhalation ou gavage). Ensuite, ces modèles ont été interconnectés pour simuler l'exposition à un mélange par voies multiples. Les modèles ont été validés avec des données in vivo chez des rats Sprague-Dawley (n=5) exposés par inhalation (50 ppm ; toluène, hexane, et 300 ppm ; cyclohexane, isooctane; 2-h) ou par gavage (8,3; 5,5; 27,9 et 41,27 mg/kg pour le toluène, l’hexane, le cyclohexane et l’isooctane, respectivement). Des doses similaires ont été utilisées pour l'exposition au mélange par voies multiples. Les AUC (mg/L x min) pour le toluène, l'hexane, le cyclohexane et l'isooctane étaient respectivement de 157,25; 18,77; 159,58 et 176,54 pour les données expérimentales, et 121,73; 21,91; 19,55 et 170,54 pour les modèles PBPK. Les résultats des modèles PBPK et les données in vivo (simple COV par voies multiples vs. mélange par voies multiples) ont montré des interactions entre les COVs dans le cas de l'exposition au mélange par voies multiples. Cette étude démontre l'efficacité des modèles PBPK pour simuler l'exposition aux mélanges de COV par voies multiples. / Risk assessment focusing on exposure to mixtures by multiple routes can be improved with an understanding of the changes in internal doses due to interaction among chemicals. Physiologically based pharmacokinetic (PBPK) models are proven tools to predict the magnitude of interaction in various scenarios. In this study, four volatile organic compounds (VOCs) (toluene, nhexane, cyclohexane and isooctane) were chosen to represent petroleum products that could contaminate the drinking water (e.g. gasoline). PBPK models were used first to simulate exposure to a single chemical by a single route (inhalation, gavage) and simulate exposure to a mixture by multiple routes. PBPK models were validated by comparing simulations with in vivo data. These data were collected from groups of male Sprague-Dawley rats (n=5) exposed by inhalation (50 ppm of toluene, hexane; 300 ppm of cyclohexane and isooctane; 2-hr) or gavage (8.3, 5.5, 27.9, and 41.27 mg/kg, respectively, for toluene, hexane, cyclohexane and isooctane). For exposure to the mixture by multiple routes, same doses were used. The AUCs (mg/L x min) based on experimental data were 157.25, 18.77, 159.58 and 176.54 and the AUCs of the PBPKs model were 121.73, 21.91, 19.55 and 170.54, respectively, for toluene, hexane, cyclohexane and isooctane. Results from both PBPK models and in vivo data (single VOC, multiple routes vs. mixture, multiple routes) showed interactions between VOCs in the case of exposure to the mixture by multiple routes. This study demonstrated that the PBPK model is an effective tool to simulate exposure to mixtures of VOCs by multiple routes.

Mobile Ad Hoc Networks (MANETs) are a class of infrastructure less network architecture which are formed by a collection of mobile nodes that communicate with each other using multi-hop wireless links. They eliminate the need for central management, hence each node must operate cooperatively to successfully maintain the network. Each node performs as a source, a sink and a router. Future applications of MANETs are expected to be based on all-IP architecture, carrying a multitude of real-time multimedia applications such as voice, video and data. It would be necessary for MANETs to have an efficient routing and quality of service (QoS) mechanism to support diverse applications. This thesis proposes a set of cooperative protocols that provide support for QoS routing. The first is the on-demand, Non-Disjoint Multiple Routes Discovery protocol (NDMRD). NDMRD allows the establishment of multiple paths with node non-disjoint between source and destination node. It returns to the source a collection of routes with the QoS parameters. The second part of the protocol is the Node State Monitoring protocol for the purpose of monitoring, acquisition, dissemination and accumulation of QoS route information. The third part of the protocol implements the QoS route selection based on a Genetic Algorithm. The GA is implemented online with predetermined initial population and weighted-sum fitness function which operates simultaneously on the node bandwidth, media access delay, end to end delay and the node connectivity index (NCI). The term node connectivity index is a numerical value designed to predict comparatively the longest time a node-pair might be connected wirelessly.