Académique Documents
Professionnel Documents
Culture Documents
L’ALIMENTATION ET LA VIE
Sym’Previus
La microbiologie prévisionnelle,
du laboratoire à l’industrie agroalimentaire
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
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.
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
Mots clés
microbiologie prévisionnelle, simulation, optimisation, sécurité alimentaire,
Sym’Previus.
© Lavoisier – La photocopie non autorisée est un délit
1 – INTRODUCTION
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
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
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.
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.
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
⎛ ⎞
⎜ 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
© Lavoisier – La photocopie non autorisée est un délit
⎧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 )
SDA26_5_377-393 Page 381 Lundi, 11. décembre 2006 8:58 08
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.
( )
γ T =
( )
µ max T
( )
µ max Topt
SDA26_5_377-393 Page 382 Lundi, 11. décembre 2006 8:58 08
⎪⎪
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
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
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
⎧ 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 :
© Lavoisier – La photocopie non autorisée est un délit
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.
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
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
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.
SDA26_5_377-393 Page 386 Lundi, 11. décembre 2006 8:58 08
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
Figure 1
Requête dans la base de données, et présentation des résultats.
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
SDA26_5_377-393 Page 388 Lundi, 11. décembre 2006 8:58 08
7
Population (log UFC)
6
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
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
Population (log UFC)
0,5
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).
SDA26_5_377-393 Page 389 Lundi, 11. décembre 2006 8:58 08
90 %
95 %
99 %
2
–2
–4
–6
0 1 2 3 4
Temps (en minutes)
Figure 4
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
Nombre de réductions
décimales visé
Probabilité (+/– 0,5 %)
que le nombre de réductions
décimales soit inférieur à 5
0%
© Lavoisier – La photocopie non autorisée est un délit
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.
SDA26_5_377-393 Page 390 Lundi, 11. décembre 2006 8:58 08
6
pH
Croissance
5
90
50
4 Non croissance 10
5 10 15 20 25 30
Température
Figure 6
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
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
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
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
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com
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.
© Lavoisier – La photocopie non autorisée est un délit
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
Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur sda.revuesonline.com