Soutenance de thèse de Julien PEYROUX le 28/10/22

La soutenance de thèse de Julien PEYROUX de l'équipe TIMC TrEE aura lieu vendredi 28 octobre 2022 à 14h30 sur le thème :

« Étude et application de nouvelles techniques d'imagerie
et d'intelligence artificielle pour l'identification bactérienne. »

 

bullet Jury :

  • MAX MAURIN, Professeur des Universités - Praticien Hospitalier, Université Grenoble Alpes, Directeur de thèse
  • AHMED LBATH, Professeur des Universités, Université Grenoble Alpes, Co-Directeur de thèse
  • MURIEL CORNET, Professeure des Universités - Praticienne Hospitalière, Université Grenoble Alpes, Examinatrice
  • CATHERINE NEUWIRTH, Professeure des Universités - Praticienne Hospitalière, Université de Bourgogne, Examinatrice
  • SOPHIE JARRAUD, Professeure des Universités - Praticienne Hospitalière, Université de Lyon, Rapporteure
  • CHRISTOPHE MARQUETTE, Directeur de recherche, CNRS Délégation Rhône Auvergne, Rapporteur

 

bullet Mots clés :  

Identification, Automatisation, Diffraction LASER, Bactériologie

bullet Résumé :

Depuis la découverte des bactéries et de leur implication dans de nombreuses pathologies humaines, leur détection et identification est un pilier central du diagnostic et du traitement des infections bactériennes. De nos jours, la détermination des profils protéomique et/ou moléculaire d’une souche à identifier, a émergé comme gold-standard pour l’identification de micro-organismes, bien que des techniques plus anciennes comme la coloration de Gram, l’utilisation des tests biochimiques ou la croissance sur milieu gélosé complètent toujours l’arsenal diagnostique utilisé.
L’apparition de nouvelles techniques n’est pas le seul point d’évolution de la bactériologie moderne. Le nombre de prélèvements à visée diagnostique reçus dans les laboratoires de bactériologie est en croissance constante, dû en partie au vieillissement de la population mais également à la flambée des résistances bactériennes aux antibiotiques. Les aspects médico-économiques des infections bactériennes poussent en permanence les laboratoires de biologie médicale à chercher à raccourcir le temps d’analyse pour l’identification bactérienne tout en conservant un coût des analyses aussi bas que possible. L’apparition des premiers systèmes automatisés, basés sur l’identification biochimique, dans les années 1990, puis l’utilisation de la spectrométrie de masse en routine une décennie plus tard, ont marqué l’essor de l’automatisation des laboratoires de bactériologie médicale.
L’analyse de pattern de diffraction LASER de colonies bactériennes utilise le phénomène de diffraction de Fresnel. Lorsqu’il est dirigé sur une colonie bactérienne, un LASER se retrouve diffracté en un pattern de diffraction. Il a été démontré que ces patterns de diffraction sont spécifiques de la forme et de la conformation de la colonie bactérienne et donc possiblement de l’espèce bactérienne. Cette approche peut ainsi être applicable à l’identification bactérienne. C’est d’ailleurs l’objectif de la société BioKube Automation qui développe un automate basé sur ce principe et qui a financée ce projet de thèse.
L’objectif de ce travail de thèse était donc d’établir une preuve de concept pour l’utilisation de pattern de diffraction de colonies bactériennes dans l’optique d’obtenir une identification de l’espèce bactérienne ainsi que de développer un automate permettant ces identifications. Ainsi, le développement du prototype de l’automate BioKube a été mené en parallèle du développement de son logiciel et de l’intégration d’un réseau neuronal convolutif permettant la classification des patterns de diffraction en partenariat avec la société Revartis. Ce travail a abouti à l’obtention d’un prototype fonctionnel permettant la détection de colonies, l’acquisition de leur pattern de diffraction ainsi que leur classification.
Pour permettre une identification bactérienne grâce au réseau neuronal convolutif, ce dernier doit être entrainé sur des bases de données. Ainsi, pour cette preuve de concept, deux bases de données ont été développées en incluant 6 espèces bactériennes. Les patterns de diffraction constituant ces bases de données ont été acquis à deux temps différents d’incubation (12 et 16 heures) pour étudier les délais de croissance bactérienne nécessaires à l’obtention d’une identification par cette nouvelle approche. Les modèles de classification développés ont permis une identification des espèces bactériennes avec 95,4 % et 94 % de classifications correctes après respectivement 12 et 16 heures d’incubation. Obtenus à partir d’une base de données restreinte incluant seulement 6 espèces bactériennes, ces résultats établissent une preuve de concept pour cette nouvelle approche d’identification bactérienne mais nécessitent des études complémentaires sur des bases de données contenant un nombre bien plus important d’espèces bactériennes. Ceci dans le but de valider l’utilisation de cette nouvelle technique pour l’identification bactérienne.