The pregnancy period and first days of a newborn’s life is an important time window to ensure a healthy development of the baby. This is also the time when the mother and her baby are exposed to the same environmental conditions and intake of nutrients, which can be determined by assessing the blood metabolome. For this purpose, dried blood spots (DBS) of newborns are a valuable sampling technique to characterize what happens during this important mother-child time window. We used metabolomics profiles from DBS of newborns (age 2–3 days) and maternal plasma samples at gestation week 24 and postpartum week 1 from $n=664$ mother-child pairs of the Copenhagen Prospective Studies on Asthma in Childhood 2010 (COPSAC${}_{2010}$) cohort, to study the vertical mother-child transfer of metabolites. Further, we investigated how persistent the metabolites are from the newborn and up to 6 months, 18 months, and 6 years of age. Two hundred seventy two metabolites from UPLC-MS (Ultra Performance Liquid Chromatography-Mass Spectrometry) analysis of DBS and maternal plasma were analyzed using correlation analysis. A total of 11 metabolites exhibited evidence of transfer ($R>0.3$), including tryptophan betaine, ergothioneine, cotinine, theobromine, paraxanthine, and N6-methyllysine. Of these, 7 were also found to show persistence in their levels in the child from birth to age 6 years. In conclusion, this study documents vertical transfer of environmental and food-derived metabolites from mother to child and tracking of those metabolites through childhood, which may be of importance for the child’s later health and disease.

Sustainable waste management is an extremely important issue due to its environmental, economic, and social impacts. Knowledge of the chemical composition of the waste produced is a starting point for its valorization. This research focuses, for the first time, on the by-products of pasta condiment production, starting with their characterization. In particular, the presence of potential bioactive compounds and their variability over time have been studied. The latter aspect is crucial for the subsequent valorization of these by-products. In addition to acidity and total phenolic content, an untargeted strategy was adopted, using spectroscopic and chromatographic techniques coupled with chemometrics, to study waste samples coming from four single condiment production lines, i.e., Genoese pesto, tomato, ricotta, and ragù sauces. The presence of lycopene, polyphenols, and several valuable volatile compounds was highlighted. Their presence and relative amounts vary mainly according to the presence of tomatoes in the sauce. The results obtained at different storage times (after 0, 7, 10, and 15 days) showed that the samples studied, despite having similar chemical characteristics, underwent changes after one week of storage and then presented a relatively stable chemical profile. A general decrease is observed after 7 days for almost all the chemical variables monitored, so careful planning within the first days is required to obtain a high recovery.

Nouvelles approches pour l’exploration des images hyperspectrales: Les techniques d'imagerie ont connu des avancées significatives, permettant des analysesdétaillées de la composition matérielle et des caractéristiques structurelles etmorphologiques. Parmi celles-ci, l'imagerie hyperspectrale (HSI) se distingue commeun puissant outil analytique, capturant un spectre pour chaque pixel d'une image,générant ainsi des données multivariées. Ces données posent des défis d'analyse,notamment dans la gestion de l'interaction entre l'information spatiale et spectrale.Dans les analyses non supervisées, les méthodes de partitionnement de données(clustering) et de démélange spectral (unmixing) sont couramment utilisées, maiselles présentent des limites dans les scénarios où les structures spatiales sont complexes,les recouvrements spectraux sévères et les compositions chimiques complexes.De plus, la corrélation spatiale-spectrale est souvent ignorée ou mal prise en compte.Pour faire face à ces problèmes, le premier point de cette thèse présente une approcheexploratoire novatrice fondée sur une interprétation géométrique des scoreset des loadings normalisés obtenus à partir de l'analyse par décomposition en valeurssingulières (SVD). L'objectif de cette méthode est d'extraire les informations les plusessentielles, en termes d'analyse de mélange linéaire, sans recourir à une optimisationou des calculs complexes, en particulier dans des scénarios présentant unchevauchement spectral et spatial significatif. Cette thèse évalue les avantages etles limites du clustering et de l'unmixing, en établissant un domaine d'applicabilitéde ces méthodes en fonction de la structure des données. Elle explore égalementdes scénarios où la structure des données s'écarte des conditions idéales pour cestechniques, ce qui entraîne des difficultés pour l'analyse et l'interprétation. Traditionnellement, le cube de données hyperspectrales est déplié pixel par pixel, convertissant les données tridimensionnelles en une matrice bidimensionnelle pour les analyses chimiométriques. Bien qu'efficace, cette approche ne prend pas en compte les relations spatiales-spectrales. Le second point principal de cette thèse est l'explorationdes techniques de décomposition de tenseurs. Bien que la décomposition par tenseursoit largement appliquée en chimiométrie, son utilisation en HSI reste limitée. En traitantle cube de données comme un tenseur d'ordre trois, cette approche préserve sastructure, permettant une analyse simultanée des dimensions spatiales et spectrales. Cela s'avère particulièrement avantageux dans le cas où les méthodes traditionnellespeinent à capturer l'intégralité du contenu informationnel en raison de la non priseen compte des relations spatial-spectrales. La thèse introduit ensuite une approchenon supervisée pour l'analyse des images hyperspectrales, basée sur la décompositionblock term (BTD) de rang-(Lr, Lr, 1). Cette méthode démontre son potentielpour gérer des cas complexes où les techniques traditionnelles, nécessitant uneréorganisation du cube de données, sont inadéquates. Les approches proposées ontd'abord été évaluées sur des ensembles de données simulées afin de définir leurchamp d'application. Elles ont ensuite été appliquées à des ensembles de donnéeshyperspectrales de référence ainsi qu'à des études de cas réelles, démontrant leurutilité dans le traitement de structures spatiales complexes et de recouvrementsspectraux significatifs dans un large éventail d'applications. Dans l'ensemble, desapproches chimiométriques novatrices ont été développées, élargissant la paletted'outils exploratoires pour l'analyse des images hyperspectrales et améliorant lacaractérisation des échantillons dans des scénarios analytiques complexes.

Background: Bipolar Disorder (BD) is a complex psychiatric condition characterized by alternating episodes of mania and depression. Diagnosis relies exclusively on clinical evaluation, frequently resulting in misdiagnosis with other psychiatric disorders due to overlapping symptomatology. This diagnostic uncertainty necessitates the development of objective laboratory-based tools to complement clinical assessment. The absence of reliable biomarkers represents a critical gap that hinders accurate diagnosis and timely therapeutic intervention. This study addresses the need for objective metabolic signatures capable of distinguishing BD patients from healthy individuals through urinary metabolomics profiling.Results: Ultra High-Performance Liquid Chromatography coupled to High Resolution Mass Spectrometry (UHPLC-HRMS) was employed to analyze urine samples from 20 BD patients and 20 healthy controls in both positive and negative ionization modes. A rigorous untargeted metabolomics workflow incorporating blanks, internal standards, and pooled quality control samples ensured high data quality and reproducibility throughout the analytical sequence. Features were extracted and putatively annotated using Compound Discoverer® v3.3 software, followed by implementation of a structured filtering pipeline designed to address high-dimensional data and potential confounding effects from pharmacological treatments. Exploratory principal component analysis revealed clear group separation, while partial least squares discriminant analysis achieved excellent classification performance with accuracy exceeding 90%. The retained metabolic features demonstrated robust discriminative power, successfully distinguishing BD patients from healthy controls based on characteristic urinary metabolic profiles.Significance: This research demonstrates that a characteristic urinary metabolic fingerprint distinguishes BD patients from healthy individuals with high accuracy. The validated analytical and chemometric workflow provides a foundation for developing objective laboratory-based diagnostic tools that could complement clinical evaluation, potentially reducing misdiagnosis rates. These findings represent a significant step toward translating metabolomics research into clinically actionable biomarker strategies for psychiatric disorders.