Sda26 5 377-393

SDA26_5_377-393 Page 377 Lundi, 11.
décembre 2006 8:58 08
SCIENCES DES ALIMENTS, 26(2006) 377-393
L’ALIMENTATION ET LA VIE
Sym’Previus
La microbiologie prévisionnelle,
du laboratoire à l’industrie agroalimentaire
O. Couvert1, J.C. Augustin2, V. Huchet1, P. Mafart3, D. Thuault1
1. ADRIA Développement – Creac’h Gwen – F29196 Quimper Cedex.

2. École Nationale Vétérinaire d’Alfort – 7, av. De-Gaulle – F94704 Maisons-Alfort.
3. LUMAQ – 6, rue de l’Université – 29000 Quimper.
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
SUMMARY
Predictive microbiology, from laboratory to food industry.
Predictive microbiology can be divided into two groups of models, named pri-
mary and secondary models. Primary models describe the evolution of the bac-
terial population with time. These models use parameters which may vary as the
environmental factors change. Secondary models describe how those parame-
ters vary with the environmental factors. Sym’Previus meets the French expertise
in Predictive Microbiology of major food companies, technical centres and public
research institutes. This project aims at proposing an assistance in the managing
of the food safety. It is composed from two main softwares. Firstly, a database
where information on the behaviour of microorganisms in/on foods and natural
contamination of foods are structured. A query system, called MIEL, specifically
developed for the database, allows to formulate specific interrogation with a spe-
cific selection of food and microorganisms. Secondly, a user-friendly software
simulates the growth of microorganisms in food matrix. Sym’Previus is a simple
Dans chaque numéro, cette rubrique met en avant un article traitant d’un des aspects de la
nutrition, du rôle des technologies agroalimentaires sur la qualité des aliments jusqu’à la
« cuisine », en passant par les problèmes nutritionnels, la toxicologie alimentaire, et plus générale-
ment les conséquences sur la santé des pratiques alimentaires. Les articles retenus sont soit des
© Lavoisier – La photocopie non autorisée est un délit
travaux de synthèse de haut niveau faisant le point sur une question, soit des publications origina-
les rendant compte de travaux de recherche appliquée récents apportant un regard nouveau.
La Société scientifique d’hygiène alimentaire (SSHA), société savante créée en 1904 pour contri-
buer à la diffusion des connaissances en nutrition et sécurité sanitaire, est aujourd’hui formée de
deux départements : l’Institut supérieur de l’alimentation (ISA) développe des actions de formation,
d’information et de conseil ; l’Institut scientifique d’hygiène et d’analyse (ISHA) propose un catalogue
complet d’analyses (composants nutritionnels, contaminants, analyse sensorielle, microbiologie…).
Les propositions d’articles, remarques et suggestions peuvent être envoyées à :
Claude Bourgeois
SSHA
Rue du Chemin-Blanc, BP 138, Champlan F-91163 Longjumeau cedex
Tél. : + 33 (0)1 69 79 31 50
Fax : + 33 (0)1 64 48 82 49
http://www.ssha.asso.fr
cbourgeois@ssha.asso.fr
SDA26_5_377-393 Page 378 Lundi, 11. décembre 2006 8:58 08
378 Sci. Aliments 26(5), 2006 O. Couvert et al.
access to predictive microbiology for food companies. At the present time, the
software describes the effects of temperature, pH and water activity on bacteria
growth in a range of food commodities, such as cereals, egg products, dairy
products, meat... Sym’Previus is available on www.symprevius.org.
Keywords
predictive microbiology, simulation optimization, food security, Sym’Previus.
RÉSUMÉ
L’industrie agroalimentaire et les pouvoirs publics sont contraints à une vigilance
accrue sur la sécurité microbiologique des aliments proposés au consommateur
en raison des graves conséquences (coût humain, pertes commerciales et per-
tes d’image) que peut entraîner une non-conformité sur une marque ou un type
de produits. Les acteurs des filières agro-industrielles doivent répondre aux
attentes du marché et être capables d’assumer pleinement leur responsabilité
quant à la sécurité de leur fabrication.
La sécurité microbiologique des produits alimentaires exige des connaissances

solides et complexes sur la contamination naturelle des matières premières et
des produits transformés, sur la capacité de survie des micro-organismes au
cours des traitements de transformation, et leur développement aux différents
stades de conservation.
C’est dans ce contexte que s’inscrit le projet Sym’Previus ; il s’agit d’un outil
d’aide à la prévision de l’évolution des populations microbiennes dans les ali-
ments, à l’usage des professionnels de l’alimentation. Disponible sur Internet,
cet outil rassemble d’une part, une base de données issues de la bibliographie,
de l’industrie et de programmes de recherche, et d’autre part, un module de
simulation du comportement microbien s’appuyant sur les outils actuels de la
microbiologie prévisionnelle. Hormis la possibilité de prévoir le niveau de conta-
mination d’un microorganisme à un instant de la vie d’un produit (de la fabrica-
tion à la consommation), Sym’Previus permet d’optimiser un procédé, une
chaîne du froid, mais aussi d’accompagner la formulation et le développement
d’un nouveau produit.
Mots clés
microbiologie prévisionnelle, simulation, optimisation, sécurité alimentaire,
Sym’Previus.
1 – INTRODUCTION
Depuis le début de l’année 2005, les connaissances acquises en microbiologie

prévisionnelle alimentaire sont mises à disposition des industriels par le biais d’Inter-
net. Construit par un réseau de laboratoire réuni dans un groupement d’intérêt
scientifique (GIS), Sym’Previus offre une assistance dans la détermination de la
durée de vie des aliments, l’optimisation des traitements thermiques, des procédés,
des formulations, en simulant le comportement des micro-organismes.
Sym’Previus – La microbiologie prévisionnelle, du laboratoire vers l’industrie agroalimentaire 379
Pour évaluer la stabilité microbiologique d’un aliment, ou pour évaluer leur durée
de vie, deux méthodes principales sont employées depuis de nombreuses années.
La première, appelée test de vieillissement, consiste à stocker un produit dans des
conditions habituelles de conservation (température, humidité…), et de tester sa
qualité en fin de DLC. La seconde méthode consiste à inoculer le produit avec un
germe dont l’étude présente un intérêt en raison de ses propriétés pathogènes ou
d’altération, et de suivre son évolution tout au long de la durée de vie du produit. On
parle alors de tests de croissance, ou « challenge-test ». Cette seconde expérimen-
tation donne une idée très précise du comportement d’un micro-organisme dans un
produit donné. Mais le coût élevé de ces expérimentations, et leur délai de réponse
dans un système marketing où la durée accordée à la mise en place d’un produit sur
le marché devient de plus en plus courte, suscite un intérêt pour des systèmes de
simulation sur ordinateur. Préconisé par l’AFSSA1 ou par le règlement européen sur
les critères microbiologiques dans les denrées alimentaires, la demande de modéli-
sations mathématiques décrivant le développement ou la destruction des micro-
organismes a été initiée dans un contexte réglementaire.
La microbiologie prévisionnelle connaît un essort important depuis le début des
années 80. De nombreux modèles ont été développés pour décrire le comportement
bactérien en fonction des principales caractéristiques physico-chimiques des pro-
duits alimentaires (température, pH, disponibilité en eau, conservateur).
La modélisation mise en œuvre se décompose en deux étapes correspondant à
ce qu’on appelle modélisation primaire et modélisation secondaire. Les modèles pri-
maires décrivent l’évolution de la densité bactérienne au cours du temps, et les
modèles secondaires expriment l’effet des facteurs physico-chimiques environne-
mentaux sur les paramètres des modèles primaires.
2 – LA PRÉVISION DE LA CROISSANCE BACTÉRIENNE
2.1 Modèles primaires

Depuis la première description de Buchanan (1918), il est classique de distinguer
plusieurs phases dans la croissance des cultures bactériennes. On reconnaît 3 prin-
cipales phases successives : la phase de latence, la phase de croissance exponen-
tielle, puis la phase stationnaire. Les microbiologistes utilisent classiquement quatre
paramètres pour caractériser ces différentes phases : la densité cellulaire initiale (x0),
le temps de latence (lag), la vitesse relative de multiplication maximale (µmax) et la

densité maximale atteinte (xmax).
Les cinétiques sont décrites par des modèles dits « primaires », de la forme :
In x(t) = f (t, Θ1) + εt
x(t) concentration bactérienne à l’instant t
f fonction de régression
Θ1 vecteur des paramètres primaires apparaissant dans la fonction de régression
εt erreur (ou résidu) associée à l’observation
1. AFSSA – Saisine n° 2003-SA-0362 du 9 mars 2005.

Parmi les nombreux modèles proposés, celui de BARANYI et al. (1993) s’est
imposé en raison de sa relative simplicité et de l’interprétabilité biologique de ses
paramètres. Celui-ci est basé sur l’équation différentielle suivante :
dx
= µ max ⋅ α n (t ) ⋅ f ( x )
xdt
αn (t) fonction d’ajustement monotone croissante en fonction de t, convergeant
vers 1, permettant de décrire la phase de latence
n paramètre de forme
f (x) fonction de freinage monotone décroissante en fonction de x, convergeant
vers 0, permettant de décrire la phase de saturation
La fonction d’ajustement est supposée dépendante de la concentration en une
substance critique pour la division cellulaire selon une cinétique de type Michaelis-
Menten.
Le paramètre n traduit la rapidité de la transition entre les phases de latence et
exponentielle.
La fonction de freinage choisie est celle du type logistique.

Ce modèle a ensuite été modifié (BARANYI et ROBERTS, 1994, 1995 ; BARANYI et
al., 1995). La solution de l’équation différentielle est alors :
⎛ ⎞
⎜ exp µ
f (t, Θ1) = ln x0 + µ max ⋅ A(t ) − ln(1+ ⎜
max
⋅(A( t ) )
− 1⎟
⎟
⎜ xmax ⎟
⎜ ⎟
⎜⎝ x0 ⎟⎠
(
Θ1 = x0 , xmax , lag, µ max , ν )
A(t ) = t +
(
ln exp( − ν ⋅ t ) + exp( − h0 ) − exp( − ν ⋅ t − h0 ) )
ν
ν est la vitesse de production de la substance critique supposée constante
h0 est un paramètre permettant de décrire l’état physiologique de l’inoculum.
Il est lié au temps de latence par la relation : h0 = ν ·lag
Le modèle de BARANYI est habituellement utilisé en supposant ν = µmax (BARANYI
et ROBERTS, 1994, 1995 ; BARANYI et al., 1995).
Dans le modèle basé sur l’équation différentielle, nous avons vu que la transition
entre les phases de latence et exponentielle dépend de la valeur du paramètre n.

Une valeur élevée de n ( n → ) correspond à un point de rupture entre ces deux
phases. Cette rupture, proposée par KONO (1968) et BROUGHALL et al. (1983), conduit
à l’équation suivante :
⎧ln x , t ≤ lag
⎪⎪ 0
f ( t, Θ1 ) = ⎨ ⎛ ⎛x ⎞ ⎞
⎪ln xmax − ln ⎜⎜ 1+ ⎜
max
(
− 1⎟ ⋅ exp − µ max ⋅ (t − lag ) )
⎟
⎟⎠
, t > lag
⎪⎩ ⎝ ⎝ 0 x ⎠
(
Θ1 = x0 , xmax , lag, µ max )
ROSSO (1995) a montré que ce modèle logistique avec délai et rupture était dans
la plupart des cas suffisant pour décrire les cinétiques de croissance obtenues par
les méthodes classiques de dénombrement sur boîtes de Pétri.
Ce modèle présente l’avantage de n’être composé que de quatre paramètres.
De plus, ces paramètres ont tous une signification biologique.
2.2 Modèles secondaires

Les modèles secondaires permettent de décrire l’évolution du taux de crois-
sance µmax et du temps de latence d’une population bactérienne en fonction de fac-
teurs environnementaux.
On distingue essentiellement deux approches dans l’élaboration de ces modèles
secondaires :
(i) la première approche, surtout utilisée par les équipes anglosaxones, permet
de décrire l’effet simultané de plusieurs facteurs environnementaux à l’aide
de modèles polynomiaux. Ces modèles polynomiaux de degré 2 ou 3 sont
utilisés pour décrire l’évolution du temps de latence ou du taux de croissance

en fonction de facteurs tels que la température, le pH, le taux de sel, le taux
de nitrite ou d’autres substances inhibitrices. Le développement de ces
modèles se fait de façon systématique selon un plan d’expériences défini et
dans une gamme de variation donnée. Ces modèles sont très efficaces lors
des procédures d’ajustement aux données et surtout, permettent de prendre
en compte les interactions entre facteurs environnementaux. Cependant, ces
modèles sont souvent peu robustes : ils ne sont pas extrapolables en dehors
de la plage expérimentale, cas de tout modèle empirique (BARANYI et al.,
1996) ce qui les rend difficilement utilisables en prévision.
(ii) la deuxième approche, appelée modulaire et utilisée par les équipes austra-
liennes, françaises et néerlandaises, s’appuie sur l’étude de l’effet des fac-
teurs environnementaux pris individuellement. Contrairement à l’approche
précédente, elle met en œuvre des modèles robustes comportant peu de
paramètres qui, généralement, ont une signification biologique. Ces modèles
peuvent être complexifiés en prenant en compte progressivement plusieurs
facteurs écologiques.
Dans cette seconde approche, des modèles imbriqués ont donc été proposés
pour décrire simultanément l’effet de la température, du pH, de l’activité de l’eau et
des acides organiques (ZWIETERING et al., 1992, 1993 ; WIJTZES et al., 1993, 1998 ;
ROSSO et al., 1995 ; BARANYI et al., 1996).
Partant de l’hypothèse selon laquelle la combinaison de plusieurs facteurs donne
une réponse multiplicative, Zwietering et al. (1992) introduisent le « concept

Gamma » qui quantifie l’amplitude relative de l’effet de chaque facteur. Le module
Gamma lié à un facteur correspond au rapport du taux de croissance estimé et du
taux de croissance maximum estimé pour le niveau optimum du facteur considéré.
Ainsi, dans le cas où ce facteur est la température,
( )
γ T =
( )
µ max T
( )
µ max Topt
Le modèle combinant plusieurs facteurs s’écrit alors :
µ max = µ opt .γ (T ).γ ( pH ).γ ( aw ).γ ( AH ).γ (int)
µopt taux de croissance maximum lorsque les conditions de croissance sont

optimales, c’est-à-dire à Topt, pHopt et awopt
Les fonctions γ décrivent chacune l’effet d’un facteur tel que la température, le
pH, l’activité de l’eau ou la concentration en inhibiteur. Plus tard, le γint sera introduit
(AUGUSTIN, 2000 ; LEMARC, 2001 ; LEMARC et al., 2002) et permettra de prendre en
compte les interactions entre chacun de ces facteurs.
2.3 Modèles cardinaux

ROSSO et al. (1993) ont introduit un modèle qui permet de décrire l’influence de
facteurs environnementaux sur µmax avec uniquement des paramètres ayant une
signification biologique. Ce modèle a été généralisé par la suite sous le nom de
modèle cardinal (Rosso, 1998a,b) et permettra de décrire l’effet de 3 facteurs : la

température, le pH et l’activité de l’eau.
µ max = µ opt ( X ) ⋅ CMn ( X )
µmax Taux de croissance maximal dans les conditions X

µopt Taux de croissance maximal dans les conditions optimales X
⎧0 , X ≤ Xmin
⎪
⎪ ( X − Xmax ) ⋅ ( X − Xmin ) n
⎪⎪
CMn ( X ) = ⎨ ( X opt − Xmin )n−1 ⋅ ⎡( X opt − Xmin ) ⋅ ( X − X opt ) − ( X opt − Xmax ) ⋅ (( n − 1) ⋅ X opt + Xmin − n ⋅ X ) ⎤
⎣ ⎦
⎪
⎪ , Xmin < X < Xmax
⎪
⎪⎩0 , X ≥ Xmax
X facteur environnemental (température, pH ou activité de l’eau)

Xmin valeur cardinale minimale de croissance
Xopt valeur cardinale optimale de croissance pour laquelle µmax est égal à sa
valeur optimale
Xmax valeur cardinale maximale de croissance
n paramètre de forme
2.4 Modèle Acide organique

Les acides organiques agissent de deux façons différentes sur le développement
bactérien : par une modification du pH et par un effet inhibiteur propre. Le premier
effet est pris en compte par le modèle cardinal pH, décrit ci-dessus. L’effet inhibi-
teur est due à la forme non dissociée de l’acide. LE MARC et al. (2002) et COROLLER
et al. (2005) proposent un modèle composé de seulement 2 paramètres, et
s’écrivant :
α
⎛ ⎡ AH ⎤ ⎞
µ max = µ opt .γ AH γ AH = 1− ⎜ ⎣ ⎦⎟
⎜⎝ CMI ⎟⎠
Avec :
[AH] Concentration en acide organique non-dissocié
CMI Concentration Minimale Inhibitrice d’acide organique non dissocié
α Paramètre de forme
La forme non-dissociée de l’acide est en équilibre avec la forme dissociée. Cet
équilibre est régi par le pKa de l’acide, et par le pH du milieu, et décrit par l’équation
de Henderson-Hasselbach :
⎡ A− ⎤
log ⎣ ⎦ = pH − pK a
⎡ AH ⎤
⎣ ⎦
Avec :
[AH] Concentration en acide organique non-dissocié
[A-] Concentration en acide organique dissocié
2.5 Modèle interaction

Le γint décrit les interactions entre les facteurs. Proposé par LE MARC et al. (2001)
puis modifiée par AUGUSTIN et al. (2005), cette fonction ne nécessite aucun paramè-
tre supplémentaire en plus de ceux estimés dans les fonctions gamma. Le modèle
s’écrit :
⎧ 1, ψ ≤ 0.5
⎪
γ int = ⎨2.(1− ψ ) , 0.5 < ψ < 1
⎪ 0, ψ ≤1
⎩
ϕ( i )
ψ= ∑ 2.∏ (1− ϕ( j ))
i
j≠i
3
⎛ X −X ⎞
opt
ϕX = ⎜ ⎟
⎜⎝ X opt − Xmin ⎟⎠
( )
2
ϕ AH = 1− γ [ AH ] )
Avec :
X: facteurs température, pH ou activité de l’eau

[AH] : concentration en acide organique non dissocié
3 – LA PRÉVISION DE LA DESTRUCTION THERMIQUE
Les barèmes industriels appliqués pour la stérilisation ou la pateurisation sont

établis en grande partie d’après l’expérience de l’entreprise. Ils sont déterminés à
partir d’une valeur de thermorésistance souvent la plus élevée rencontrée dans la lit-
térature ou le cas échéant, à partir d’une valeur déterminée sur un micro-organisme

ayant causé dans le passé un accident de stérilisation. Le modèle de Bigelow qui
permet de décrire l’effet de la température, est préféré à celui d’Arrhenius dans le
domaine de l’industrie alimentaire. Quant à la prise en compte du pH ou des autres
facteurs physico-chimiques du produit, seules des données bibliographiques, ainsi
que des données historiques de l’entreprise permettent de moduler empiriquement
les barèmes. Dans ces conditions, le nombre de réductions décimales atteint est
difficilement calculable et par conséquent, l’optimisation reste difficile.
L’objectif de la microbiologie prévisionnelle est de quantifier l’effet des différents
facteurs physico-chimiques du produit, afin de définir la nouvelle thermo-résistance
des microorganismes qui dépend directement de ces facteurs. En effet, l’« effet
destructeur » de 2 traitements identiques ne sera pas le même à 2 pH différents.
3.1 Modèle primaire

La thermorésistance d’une population bactérienne est classiquement définie par
sa durée de réduction décimale D, c’est-à-dire le temps nécessaire pour diviser sa

taille par 10, dans des conditions de traitement constantes. Cependant, les thermo-
résistances au sein d’une population bactérienne sont souvant hétérogènes et sui-
vent généralement une distribution de Weibull. Le modèle de destruction, proposé
par MAFART et al. 2002 s’écrit alors :
p
⎛t⎞
log N = log N0 − ⎜ ⎟
⎝ δ⎠
Avec :
δ Première durée est la durée de réduction décimale dont la signification est
voisine de celle de D
p paramètre de forme, reflétant la distribution de la thermorésistance au sein
de la population.
Ce dernier paramètre est considéré en première approximation, comme indé-
pendant des conditions de traitement thermique. Lorsque p est égal à l’unité, tous
les individus de la population possèdent la même thermorésistance et la destruction
est alors log-linaire.
3.2 Modèles secondaires

Les modèles secondaires quantifient l’effet des facteurs environnementaux sur la
thermorésistance δ. Pour décrire l’effet de différents facteurs environnementaux sur

la destruction thermique d’un microorganisme, l’approche modulaire consiste à
modéliser individuellement l’effet de chaque facteur. Chaque facteur environnemen-
tal se dédouble en un facteur x agissant sur la thermorésistance proprement dite au
cours du traitement thermique, et un facteur noté x’ agissant sur l’aptitude des cel-
lules survivantes mais endommagées, à se développer lors de l’incubation post-trai-
tement thermique. Ces deux effets combinés sont globalisés dans le concept de
« durée de réduction décimale apparente » notée δ’, avec δ’ < δ lorsque les condi-
tions d’incubations ne sont pas optimales (milieu acide, sec ou salé par exemple, ou
encore température d’incubation non optimale).
Lorsque les facteurs pris en compte sont la température (T), le pH et l’activité de

l’eau (aw), le modèle s’écrit selon le système d’équations :
1
=
δ δ*
1
( ) ( ) ( )
.λ T .λ pH .λ aw ...
Où :
. δ* est la durée de réduction décimale dans les conditions de référence de T,
pH et aw déterminée sur une matrice alimentaire donnée.
. λX est une fonction relative au facteur x.
. δ est la durée de réduction décimale dans les conditions environnementales
optimales d’incubation définies par les fonctions λX.
et
1 1
( ) ( ) ( )
= .λ T ' .λ pH ' .λ a'w ...
δ' δ
Où δ’ est la durée de réduction décimale apparente et où les facteurs x’ se rap-

portent aux conditions d’incubation.
Les fonctions λX peuvent s’écrire sous la forme :
n
⎛X−X ⎞
λ( X ) = ⎜ ref
⎟
⎝ zX ⎠
n pouvant prendre la valeur 1 ou 2 selon le facteur x étudié.

Où :
.x est le facteur environnemental étudié
(noté x pour l’effet au cours du traitement, x’ pour l’effet post traitement)
. xref est la valeur de référence du facteur (à laquelle est déterminé δ*)
Il peut s’agir d’une valeur conventionnelle notée x* (Tref = T* = 121,1 °C) ou
d’une valeur estimée notée xopt (aw’ref = aw’opt = aw optimale post traite-
ment)
. zX s’exprime dans l’unité de x, et représente l’écart par rapport à xref entraî-
nant une variation de δ* d’un facteur 10.
Le « concept lambda », proposé par MAFART (2000) parfaitement analogue au
« concept gamma » de Zwietering pour la croissance, sous-entend que l’effet de
chaque facteur est indépendant de celui des autres. Il s’agit de l’extension du con-
cept classique de « taux de létalité souvent noté L(T), fonction de la température. Le
faible poids des interactions ne justifie pas leur prise en compte et rendrait le
modèle moins robuste (COUVERT, 2002).
L’effet des facteurs température, pH et aw peut être décrit en utilisant un mini-
mum de paramètres ayant tous une signification biologique (MAFART et LEGUÉRINEL,
1998 ; GAILLARD et al., 1998a, 1998b ; COUVERT et al., 1999, COROLLER et al., 2000).
La contradiction évidente entre la simplicité de la théorie (basée sur la prise en
compte de quelques facteurs) et la complexité du comportement des spores bacté-
riennes au cours de la destruction appelle cependant à la plus grande vigilance. La
multitude de facteurs intervenant sur la vitesse de destruction thermique, et intera-
gissant entre eux, ne peut bien évidemment pas être totalement maîtrisée. Mais une
sélection judicieuse des facteurs principaux et leur intégration dans nos modèles
conduit peu à peu à des estimations de moins en moins fausses.
Face à cette multitude de facteurs, tout modèle, aussi complexe soit il, sera tou-
jours trop simple. À l’inverse, un modèle trop complexe resterait inutilisable puisque
certains facteurs tels que la température ou le pH de sporulation resteront incontrô-
lables lorsqu’il s’agit de la contamination naturelle d’ingrédients alimentaires. La
microbiologie prévisionnelle doit donc sans cesse rechercher l’équilibre entre la sim-
plicité des modèles et la justesse de la prévision.
4 – SYM’PREVIUS
Aujourd’hui, plusieurs logiciels de microbiologie prévisionnelle sont disponibles

sur le marché. Le plus récent est issu du programme de recherche Sym’Previus
(1999-2003), système de prévision du comportement des microorganismes dans les
aliments. Fondé sur l’utilisation de modèles modulaires, Sym’Previus est un outil
interactif, disponible sur Internet, et à l’usage des professionnels de l’agroalimen-

taire, des instituts techniques, des centres de recherche et des pouvoirs publics. Il
combine une base de données expérimentales sur le comportemant des micro-
organismes dans les aliments, et un logiciel de simulation de l’évolution des popula-
tions bactériennes. Il apporte ainsi des réponses aux questions concernant le déve-
loppement et la destruction thermique des microorganismes dans les aliments sous
l’influence de différents facteurs (température, pH, activité de l’eau, acides organi-
ques).
L’originalité de Sym’Previus réside dans le fait que c’est un logiciel centré sur les
aliments : les données sont issues d’essais réalisés à partir d’aliments alors que les
logiciels pré-existants étaient principalement fondés sur des informations recueillies
à partir de milieux synthétiques.
4.1 La base de données Sym’Previus

La base de données est une banque de résultats de challenge-tests réalisés sur
aliments. Elle contient des courbes de croissance, de décroissance ou de destruc-
tion thermique. On y trouve des données sur les principaux micro-organismes
pathogènes, quel que soit le type d’aliment. Les informations saisies sont encore
essentiellement bibliographiques, mais s’enrichissent progressivement de données
issues de programmes de recherches nationaux ou internationaux.
Cette base de données est accessible à l’aide d’un module d’interrogation per-
mettant de faire des requêtes structurées, selon l’aliment, le micro-organisme et le

facteur étudié. Les résultats sont présentés sous forme de graphiques ou de
tableaux de valeurs directement enregistrables au format MS Excel (figure 1). Les
informations recueillies permettent d’estimer les paramètres caractéristiques d’un
aliment ou d’un micro-organisme vis-à-vis du potentiel de croissance. Ces paramè-
tres peuvent être estimés grâce au module de calcul. C’est ensuite ce module de
calcul qui permet de simuler le développement ou la destruction de ce micro-orga-
nisme dans cet aliment.

Figure 1
Requête dans la base de données, et présentation des résultats.
4.2 Le module de calcul

Ce module offre une assistance dans l’utilisation des modèles de la microbiologie
prévisionnelle, tant sur le plan de la croissance bactérienne que de la destruction ther-
mique. Les travaux en cours sur la décroissance non thermique, et sur la variabilité du
temps de latence viendront très prochainement enrichir ce système de prévision.
Basé sur le « concept Gamma » proposé par ZWIETERING en 1992, les simulations
de croissance prennent en compte la matrice alimentaire, ainsi que plusieurs fac-
teurs environnementaux tels que la température, le pH, l’activité de l’eau, les acides
organiques et les interactions pouvant exister entre ces facteurs. Ces facteurs peu-
vent être renseignés dans le programme en conditions statiques (valeurs constan-
tes) ou en conditions dynamiques (enregistrements de température, variations de pH
à cours d’une fermentation, etc.).
Les simulations peuvent être réalisées sur des espèces bactériennes étudiées
dans le cadre du projet Sym’Previus, et dont les paramètres de croissance ou de
destruction ont été enregistrés dans le logiciel. C’est le cas de Bacillus cereus,
Escherichia coli, Listeria monocytogenes et Salmonella pour la croissance, auquels
s’ajoutent Clostridium perfringens et Staphylococcus aureus pour la destruction
thermique. Pour chaque espèce, jusqu’à 12 souches ont été étudiées afin de pren-
dre en compte la variabilité biologique au sein d’une même espèce.
Mais il est également possible de réaliser des simulations sur n’importe quel
microorganisme, pourvu que l’on connaisse ses paramètres de croissance ou de
thermorésistance. Pour la croissance, il s’agit des paramètres cardinaux, correspon-

dant aux limites de developpement (exemple : 3 paramètres permettent de caracté-
riser l’effet de la température sur le taux de croissance : il s’agit des valeurs de
température minimale, optimale et maximale de croissance du germe. Il en est de
même pour les autres facteurs pH, aw ou acides organiques). On peut alors simuler
le développement de Staphylococcus aureus, Clostridium botulinum, Pseudomonas
ou tout autre micro-organisme à condition d’avoir leurs valeurs cardinales disponi-
bles dans certains ouvrages de microbiologie générale. Les résultats sont représen-
tés sous forme de graphiques, comme le montrent les figures 2 à 6.
Simulation de croissance
9
7
Population (log UFC)
6
Distribution du taux de croissance

5
4
Densité (%)
1
0
0,008 0,009 0,010 0,011 0,012 0,013 0,014 0,015 0,016 0,017 0,018
0 µmax
0 200 400 600 800 1 000 1 400 1 800 2 200 2 600
Temps (en heure)
Figure 2
Simulation de croissance avec bandes de confiance à 80, 90 et 95 %
en conditions environnementales statiques (de température, pH et aw).
L’histogramme représente la distribution statique du taux de croissance.
Simulation de croissance
0,7
0,6
0,5
0,4 Suivi de température

16
14
0,3
Température
12
10
0,2 8
6
0,1 4
0 5 10 15 20 25 30 35
Temps (en heure)
0,0
0 5 10 15 20 25 30 35
Temps (en heure)
Figure 3
Simulation de croissance selon un profil de température (rupture de chaîne du froid).
90 %
95 %
99 %
2

0
–2
–4
–6
0 1 2 3 4
Temps (en minutes)
Figure 4
Simulation de destruction thermique d’une souche de Bacillus cereus

exposé à 100 °C pendant 4 minutes.
Nombre de réductions
décimales visé
Probabilité (+/– 0,5 %)
que le nombre de réductions
décimales soit inférieur à 5
0%
4 6 8 10 12 14
Figure 5
Distribution statistique du nombre de réduction décimale d’une souche
de Bacillus cereus exposé à 100 °C pendant 4 minutes.
6
pH
Croissance
5
90
50
4 Non croissance 10
5 10 15 20 25 30
Température
Figure 6
Combinaisons des facteurs température et pH marquant la limite entre la croissance

et la non croissance de Staphylococcus aureus, dans un produit contenant 2 mM
d’acide acétique et d’une aw de 0,96. Les courbes représentent les probabilités
de croissance à 10, 50 et 90 %.
4.3 Trois exemples d’application

1. Les challenge-tests sont généralement réalisés à température constante.
Grâce à la microbiologie prévisionnelle, il est possible d’étendre la portée de ce
challenge-test en réalisant des simulations selon différents profils de température. Il
devient alors possible de simuler une rupture de chaîne du froid lors d’un transport
(figure 3), lors de l’achat ou d’après un mode de consommation particulier.
2. La mise en place d’une nouvelle recette doit permettre d’assurer à la fois de
bonnes qualités organoleptiques, et une certaine stabilité microbiologique. La
combinaison des différents facteurs physico-chimiques que sont la température, le
pH, l’aw et la quantité d’acide organique peut permettre d’atteindre une stabilité
totale du produit vis-à-vis d’un germe pathogène ou d’altération (figure 6). La micro-
biologie prévisionnelle oriente et optimise les expérimentations longues et onéreuses.
3. Le traitement thermique est utilisé pour assainir les aliments en éliminant les
micro-organismes. Cependant, des traitements mal adaptés peuvent conduire à une
altération des qualités organoleptiques, une modification des couleurs, de la texture.
Il existe plusieurs couples temps/température conduisant à une même destruction

bactérienne, sans pour autant avoir le même effet sur l’aspect organoleptique. Un
traitement à haute température, et pendant des temps plus courts préserve souvent
les qualités du produit. La microbiologie prévisionnelle permet, par simulation, de
déterminer l’ensemble des couples temps/température permettant d’atteindre la
destruction bactérienne souhaitée.
4.4 Les développements à venir

Dans quelques mois, Sym’Previus va se doter de deux nouveaux outils de
calcul. Le premier permettra de mieux prendre en compte les faibles contamina-
tions, comme c’est souvent le cas pour les flores pathogènes (ex : Listeria monocy-
togenes). Le comportement d’une cellule isolée sur un aliment est différent, d’un
point de vue macroscopique, de celui d’une contamination de 100 ou 1 000 cellules
par gramme, tel qu’on l’observe souvent lors d’un test de croissance. Cette diffé-
rence vient notamment du temps de latence, temps à partir duquel les cellules vont
entrer en phase de croissance. Ces temps de latence varient d’une cellule à l’autre,
et sont répartis selon une certaine distribution statistique. Le temps de latence
apparent d’un groupe de cellules correspondra donc en réalité au temps de latence
de la cellule la plus rapide du groupe. Enfin, l’allure de cette distribution de temps de
latence dépendra des stress (thermique, acide, salin, etc.) rencontrés par les cellules
avant d’arriver sur l’aliment (pendant le process). L’outil de calcul permettra donc
d’estimer la probabilité de latence en fonction de la taille de l’inoculum et de l’histo-
rique de la contamination.
Le second programme qui sera mis en place permettra de simuler la décrois-
sance de populations bactériennes placées dans des conditions hostiles, tels que
dans des caillés acides, des saumures, ou tout autre environnement ne permettant
pas le développement d’un micro-organisme.
Enfin, la base de données et l’ensemble des outils de calcul continueront à
s’enrichir de nouvelles données et de nouveaux paramètres avec le développement

continu de la microbiologie prévisionnelle, afin de constituer un outil de prévision
toujours plus précis et adapté à l’industrie alimentaire.
Sym’Previus est accessible à partir du site

www.symprevius.org
Pour tout renseignement complémentaire,
contacter Olivier Couvert, à l’ADRIA
à l’adresse olivier.couvert@adria.tm.fr
Les applications de Sym’Previus sont nombreuses, et permettent de limi-

ter les dépenses en expérimentations microbiologiques, et de gagner un
temps précieux pour :
– Prévoir le niveau de présence d’un microorganisme à un instant de la vie d’un
produit (fabrication – conditionnement – distribution – consommation).
– Quantifier l’effet des facteurs (exemple d’une modification de la température
de conservation).
– Optimiser une formulation (pH, aw), une chaîne du froid, un procédé.
– Accompagner le développement des nouveaux produits ou des nouveaux

procédés.
– Simuler la croissance de micro-organismes dans les aliments.
– Déterminer des combinaisons des 4 facteurs : température/pH/aw/acides
organiques, à partir desquels le développement bactérien est totalement inhibé.
– Optimiser des barèmes de pasteurisation/stérilisation.
– Calculer des valeurs pasteurisatrices / stérilisatrices.
– Calculer l’efficacité d’un traitement thermique sur la réduction microbienne.
RÉFÉRENCES BIBLIOGRAPHIQUES
AUGUSTIN J.C., 2000. Modélisation de la dynami- GAILLARD S., LEGUERINEL I. ET MAFART P.,
que de croissance des populations de Listeria 1998b. Model for combined effects of tempera-
monocytogenes dans les aliments, Thèse de ture, pH and water activity on thermal inactiva-
doctorat, Université Claude Bernard, Lyon I. tion of Bacillus cereus spores. J. Food Sc., 63(5)
AUGUSTIN J.C., ZULIANI V., CORNU M., GUILLIER 887-889.
L., 2005. Growth rate and growth probability of KONO T., 1968. Kinetics of microbial cell growth,
Listeria monocytogenes in dairy, meat and sea- Biotech. Bioeng., 10, 105-131.
food products in suboptimal conditions, J. Appl. LE MARC Y., 2001. Développement d’un modèle
Microbiol., 99(5), 1019-42. modulaire décrivant l’effet des interactions entre
BARANYI J., ROBERTS T.A., MCCLURE P., 1993. A les facteurs environnementaux sur les aptitudes
non-autonomous differential equation to model de croissance de Listeria, Thèse de doctorat,
bacterial growth, Food Microbiol., 27, 61-75. Université de Bretagne Occidentale.
BARANYI J., ROBERTS T.A., 1994. A dynamic LE MARC Y., HUCHET V., BOURGEOIS C., GUYON-
approach to predicting bacterial growth in food, NET J., MAFART P., THUAULT D., 2002. Model-
Int. J. Food Microbiol., 23, 277-294. ling the growth kinetics of Listeria as a function
BARANYI J., ROBERTS T.A., 1995. Mathematics of of temperature, pH and organic acid concentra-
predictive food microbiology, Int. J. Food Micro- tion. Int. J. Food Microbiol. 73, 219-237.
biol., 26, 199-218. MAFART P. et LEGUERINEL I., 1998. Modelling
BARANYI J., ROBINSON T.P., KALOTI A., MACKEY combined effects of temperature and pH on the
B.M., 1995. Predicting growth of Brochothrix heat resistance of spores by a linear-Bigelow
thermosphacta at changing temperature, Int. J. equation. J. Food Sc., 63(1), p. 6-8.
Food Microbiol., 27, 61-75. MAFART P., 2000. Taking injuries of surviving bacte-
BARANYI J., ROSS T., MCMEEKIN T.A., ROBERTS ria into account for optimising heat treatments,
T.A., 1996. Effects of parameterization on the Int. J. Food Microbiol., 55, 175-179.
performance of empirical models used in ‘pre- MAFART P., COUVERT O., GAILLARD S. et
dictive microbiology’, Food Microbiol., 13, 83- LEGUERINEL I., 2002. On calculating sterility in
91. thermal preservation methods : application of
BROUGHALL J.M., ANSLOW P.A., KILSBY B.C., the Weibull frequency distribution model. Int. J.
1983. Hazard analysis applied to microbial Food Microbiol., 72, 107-113.
growth in foods : development of mathematical ROSSO L., LOBRY J.R., FLANDROIS J.P., 1993. An
models describing the effect of water activity, J. unexpected correlation between cardinal tem-
Appl. Bacteriol., 55, 101-110. peratures of microbial growth highlighted by a
BUCHANAN R.E., 1918, Life phases in a bacterial new model, J. Theor. Biol., 162, 447-463.
culture, J. Infect. Dis., 98, 1271-1273. ROSSO L., 1995. Modélisation et Microbiologie
COROLLER L., LEGUERINEL I. et MAFART P., 2000. Prévisionnelle : Elaboration d’un Nouvel Outil
Effect of water activities of heating and recovery pour l’Agroalimentaire, Thèse de doctorat, Uni-
media on apparent heat resistance of Bacillus versité Claude Bernard – Lyon 1, n° 95-197.
cereus spores, Appl. and env. Microbiol., 67, ROSSO L., LOBRY J.R., BAJARD S., FLANDROIS
317-322. J.P., 1995. Convenient model to describe the
COROLLER L., GUERROT V., HUCHET V.,LE MARC combined effects of temperature and pH on
Y., MAFART P., SOHIER D., THUAULT D., 2005. microbial growth, Appl. Environ. Microbiol., 61,
610-616.
Modelling the influence of single acid and mix-

ture on bacterial growth, Int. J. Food Microbiol., ROSSO L., 1998a. Predictive Microbiology : Valida-
100, 167-178. tion of the models in the industrial context,
COUVERT O., LEGUERINEL I. et MAFART P., 1999. COST914 Workshop.
Modelling the overall effect of pH on the appar- ROSSO L., 1998b. Quantification et prévision du
ent heat resistance of Bacillus cereus spores. comportement dynamique des populations
Int. J. Food Microbiol., 49, 57-62. microbiennes : Applications à la sécurité des ali-
COUVERT O., 2002. Prise en compte de l’effet du pH ments, Mémoire d’Habilitation à Diriger les
dans l’optimisation des traitements thermiques, Recherches, Université de Paris-Sud.
Thèse de doctorat, Université de Bretagne Occi- WIJTZES T., MCCLURE P.J., ZWIETERING M.H.,
dentale. ROBERTS T.A., 1993. Modelling bacterial
GAILLARD S., LEGUERINEL I. et MAFART P., 1998a. growth of Listeria monocytogenes as a function
Modelling combined effects of temperature and of water activity, pH and temperature, Int. J.
pH on the heat resistance of spores of Bacillus Food Microbiol., 18, 139-149.
cereus. Int. J. of Food Microbiol., 15, 625-630.
WIJTZES T., VAN’T RIET K., HUIS IN’T VELD J.H.J., prediction of the microbial spoilage in foods,
ZWIETERING M.H., 1998. A decision support J. Food Prot., 55, 973-979.
system for the prediction of microbial food ZWIETERING M.H., WIJTZES T., DE WIT J.C., VAN’T
safety and food quality, Int. J. Food Microbiol., RIET K., 1993. A decision support system for
42, 79-90. prediction of the microbial spoilage in foods, J.
ZWIETERING M.H., WIJTZES T., DE WIT J.C., VAN’T Ind. Microbiol., 12, 324-329.
RIET K., 1992. A decision support system for

Sda26 5 377-393

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Sda26 5 377-393

Transféré par

Droits d'auteur :

Formats disponibles

SDA26_5_377-393 Page 377 Lundi, 11.

décembre 2006 8:58 08

SCIENCES DES ALIMENTS, 26(2006) 377-393

O. Couvert1, J.C. Augustin2, V. Huchet1, P. Mafart3, D. Thuault1

1. ADRIA Développement – Creac’h Gwen – F29196 Quimper Cedex.

378 Sci. Aliments 26(5), 2006 O. Couvert et al.

La sécurité microbiologique des produits alimentaires exige des connaissances

Depuis le début de l’année 2005, les connaissances acquises en microbiologie

Sym’Previus – La microbiologie prévisionnelle, du laboratoire vers l’industrie agroalimentaire 379

2 – LA PRÉVISION DE LA CROISSANCE BACTÉRIENNE

2.1 Modèles primaires

le temps de latence (lag), la vitesse relative de multiplication maximale (µmax) et la

1. AFSSA – Saisine n° 2003-SA-0362 du 9 mars 2005.

380 Sci. Aliments 26(5), 2006 O. Couvert et al.

La fonction de freinage choisie est celle du type logistique.

entre les phases de latence et exponentielle dépend de la valeur du paramètre n.

Sym’Previus – La microbiologie prévisionnelle, du laboratoire vers l’industrie agroalimentaire 381

2.2 Modèles secondaires

utilisés pour décrire l’évolution du temps de latence ou du taux de croissance

une réponse multiplicative, Zwietering et al. (1992) introduisent le « concept

382 Sci. Aliments 26(5), 2006 O. Couvert et al.

Le modèle combinant plusieurs facteurs s’écrit alors :

µ max = µ opt .γ (T ).γ ( pH ).γ ( aw ).γ ( AH ).γ (int)

µopt taux de croissance maximum lorsque les conditions de croissance sont

2.3 Modèles cardinaux

modèle cardinal (Rosso, 1998a,b) et permettra de décrire l’effet de 3 facteurs : la

µ max = µ opt ( X ) ⋅ CMn ( X )

µmax Taux de croissance maximal dans les conditions X

X facteur environnemental (température, pH ou activité de l’eau)

2.4 Modèle Acide organique

Sym’Previus – La microbiologie prévisionnelle, du laboratoire vers l’industrie agroalimentaire 383

2.5 Modèle interaction

X: facteurs température, pH ou activité de l’eau

3 – LA PRÉVISION DE LA DESTRUCTION THERMIQUE

Les barèmes industriels appliqués pour la stérilisation ou la pateurisation sont

384 Sci. Aliments 26(5), 2006 O. Couvert et al.

térature ou le cas échéant, à partir d’une valeur déterminée sur un micro-organisme

3.1 Modèle primaire

sa durée de réduction décimale D, c’est-à-dire le temps nécessaire pour diviser sa

3.2 Modèles secondaires

thermorésistance δ. Pour décrire l’effet de différents facteurs environnementaux sur

Sym’Previus – La microbiologie prévisionnelle, du laboratoire vers l’industrie agroalimentaire 385

Lorsque les facteurs pris en compte sont la température (T), le pH et l’activité de

Où δ’ est la durée de réduction décimale apparente et où les facteurs x’ se rap-

n pouvant prendre la valeur 1 ou 2 selon le facteur x étudié.

386 Sci. Aliments 26(5), 2006 O. Couvert et al.

Aujourd’hui, plusieurs logiciels de microbiologie prévisionnelle sont disponibles

interactif, disponible sur Internet, et à l’usage des professionnels de l’agroalimen-

4.1 La base de données Sym’Previus

mettant de faire des requêtes structurées, selon l’aliment, le micro-organisme et le

Sym’Previus – La microbiologie prévisionnelle, du laboratoire vers l’industrie agroalimentaire 387

4.2 Le module de calcul

388 Sci. Aliments 26(5), 2006 O. Couvert et al.

thermorésistance. Pour la croissance, il s’agit des paramètres cardinaux, correspon-

Distribution du taux de croissance

© Lavoisier – La photocopie non autorisée est un délit

0,4 Suivi de température

Sym’Previus – La microbiologie prévisionnelle, du laboratoire vers l’industrie agroalimentaire 389

Population (log UFC)

Simulation de destruction thermique d’une souche de Bacillus cereus

390 Sci. Aliments 26(5), 2006 O. Couvert et al.

Combinaisons des facteurs température et pH marquant la limite entre la croissance

4.3 Trois exemples d’application