Article pp.377-393 du Vol.26 n°5 (2006)

(1)

L’ALIMENTATION ET LA VIE

Sym’Previus

La microbiologie prévisionnelle,

du laboratoire à l’industrie agroalimentaire

O. Couvert

¹

, J.C. Augustin

²

, V. Huchet

¹

, P. Mafart

³

, D. Thuault

¹

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.

SUMMARY

Predictive microbiology, from laboratory to food industry.

Predictive microbiology can be divided into two groups of models, named primary and secondary models. Primary models describe the evolution of the bacterial population with time. These models use parameters which may vary as the environmental factors change. Secondary models describe how those parameters 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 specific 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 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 [email protected]

(2)

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 pertes 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 aliments, 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 contamination d’un microorganisme à un instant de la vie d’un produit (de la fabrication 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.

(3)

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 produits 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 primaires décrivent l’évolution de la densité bactérienne au cours du temps, et les modèles secondaires expriment l’effet des facteurs physico-chimiques environnementaux 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 principales phases successives : la phase de latence, la phase de croissance exponentielle, 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 (x_max).

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.

(4)

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 :

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 :

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 ( ) 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 :

dx

xdt=µ_max⋅α_n( ) ( )t f x⋅

f t x A t A t

( , ) ln ( ) ln( exp ( )

max

Θ1 = 0+_µ ⋅ − 1+

(

^µmax⋅

)

⁻¹¹

0

x x

max

⎛

⎝

⎜⎜

⎜

⎞

⎠

⎟⎟

⎟ Θ1=

(

^x0^,^x^max^,^lag^,^µ^max^,^ν

)

A t t t h t h

( ) ln exp( ) exp( ) exp( )

= +

(

− ⋅ +^ν − − − ⋅ −^ν

)

ν

0 0

n→

f t

x t lag

x x

x ( , )

ln ,

ln _max ln ^max

Θ₁

0

1 1

=

≤

− +⎛ −

⎝⎜ ⎞

⎠⎟ ⋅⋅

(

− ⋅ −

)

⎛

⎝⎜⎜ ⎞

⎠⎟⎟ >

⎧

⎨⎪⎪

⎩⎪

⎪ exp µ_max (t lag) ,t lag

Θ1=

(

^x0^,^x^max^,^lag^,^µ^max

)

(5)

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 croissance µ_max et du temps de latence d’une population bactérienne en fonction de facteurs 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 facteurs 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 µ

T µ

T Topt

( )

⁼

⁽ )

( )

max max

(6)

Le modèle combinant plusieurs facteurs s’écrit alors :

µopt taux de croissance maximum lorsque les conditions de croissance sont optimales, c’est-à-dire à T_opt, pH_opt et aw_opt

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 µ_max 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 Taux de croissance maximal dans les conditions X

µ_opt Taux de croissance maximal dans les conditions optimales X

X facteur environnemental (température, pH ou activité de l’eau) X_min valeur cardinale minimale de croissance

X_opt valeur cardinale optimale de croissance pour laquelle µmax est égal à sa valeur optimale

X_max 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 inhibiteur 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 :

µmax = µopt. ( ). (γT γ pH). (γaw). (γ AH). (int)γ

µmax = µopt( )X CM X⋅ n( )

CM X

X X

X X X X

X X

n

( ) opt

,

( ) ( )

(

min

max min

= min

≤

− ⋅ −

− 0

))ⁿ⁻¹⋅ (X_opt−X_min) (⋅X−X_opt) (− X_opt−X_max) ((⋅ n−11 0

) )

, ,

min

min max

max

⋅ + − ⋅

⎡⎣ ⎤

⎦

< <

≥

⎧

X X n X

X X X

X X

⎨⎨ opt

⎪⎪

⎩

⎪⎪

µ_max = µ_opt.γ_AH γ

α AH = −⎛⎡⎣ ⎤⎦CMI

⎝

⎜⎜

⎞

⎠

⎟⎟

1 AH

(7)

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 pK_a de l’acide, et par le pH du milieu, et décrit par l’équation de Henderson-Hasselbach :

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 :

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-

log A

AH pH pK

a

⎡ −

⎣ ⎤

⎡⎣ ⎤⎦⎦ = −

γ ψ

ψ ψ ψ

int

,

.( )

, ,

.

= − .

⎧

⎨⎪

⎩⎪

≤

< <

≤ 1

2 1 0

0 5

0 5 1

1

ψ ϕ

= ϕ

−

∏

≠

∑

_. ₍^{( )}ⁱ _{( ))}_j

j i

i 2 1

ϕ_X ^opt

opt

X X

= −

−

⎛

⎝⎜⎜ ⎞

⎠⎟⎟

min 3

ϕ_AH = −

(

¹ γ^[_AH^]⁾

)

²

(8)

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 :

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 environnemental 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 cellules survivantes mais endommagées, à se développer lors de l’incubation post-traitement thermique. Ces deux effets combinés sont globalisés dans le concept de

« durée de réduction décimale apparente » notée δ’, avec δ’ < δ lorsque les conditions d’incubations ne sont pas optimales (milieu acide, sec ou salé par exemple, ou encore température d’incubation non optimale).

logN logN t ^p

= −⎛

⎝⎜

⎞

0 δ⎠⎟

(9)

Lorsque les facteurs pris en compte sont la température (T), le pH et l’activité de l’eau (a_w), le modèle s’écrit selon le système d’équations :

Où :

. δ* est la durée de réduction décimale dans les conditions de référence de T, pH et a_w 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

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 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) . x_ref est la valeur de référence du facteur (à laquelle est déterminé δ*)

Il peut s’agir d’une valeur conventionnelle notée x* (T_ref= T* = 121,1 °C) ou d’une valeur estimée notée x_opt (aw’_ref= aw’_opt = aw optimale post traitement)

. z_X s’exprime dans l’unité de x, et représente l’écart par rapport à x_ref 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 concept 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 a_w 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.

1 1

δ δ= _*^.λ

(

^T

)

^.λ

(

^pH

)

^.λ

(

^a^w

)

^...

1 1

δ'=δ.λ

(

^T' .

)

λ

(

^pH' .

)

λ

(

^a' ...^w

)

λ( )X X X z

ref X

n

=⎛ −

⎝⎜ ⎞

⎠⎟

(10)

Face à cette multitude de facteurs, tout modèle, aussi complexe soit il, sera toujours 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’agroalimentaire, 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 populations 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 organiques).

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 destruction 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 permettant 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-organisme dans cet aliment.

(11)

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 thermique. 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 facteurs 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 peuvent être renseignés dans le programme en conditions statiques (valeurs constantes) 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 prendre 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

Figure 1

Requête dans la base de données, et présentation des résultats.

(12)

thermorésistance. Pour la croissance, il s’agit des paramètres cardinaux, correspondant 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 disponibles 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

Temps (en heure)

Distribution du taux de croissance

Densité (%)

Population (log UFC)

µmax 9

8 7 6 5 4 3 2 1 0

0

0,008 0,009 0,010 0,011 0,012 0,013 0,014 0,015 0,016 0,017 0,018

0 200 400 600 800 1 000 1 400 1 800 2 200 2 600

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

Temps (en heure)

Suivi de température

Température

Temps (en heure) 0,7

0,6 0,5 0,4 0,3 0,2 0,1 0,0

4 6 8 10 12 14 16

0 5 10 15 20 25 30 35

Figure 3

Simulation de croissance selon un profil de température (rupture de chaîne du froid).

(13)

Temps (en minutes)

0 2

90 % 95 % 99 %

– 2

– 4

– 6

0 1 2 3 4

Figure 4

Simulation de destruction thermique d’une souche de Bacillus cereus exposé à 100 °C pendant 4 minutes.

4 6 8 10 12

Nombre de réductions décimales visé Probabilité (+/– 0,5 %) que le nombre de réductions décimales soit inférieur à 5

14 0 %

Figure 5

Distribution statistique du nombre de réduction décimale d’une souche de Bacillus cereus exposé à 100 °C pendant 4 minutes.

(14)

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 microbiologie 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-

Température

pH

7

Croissance 8

6

90 50 10 5

4

5 10 15 20 25 30

Non croissance

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 %.

(15)

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 [email protected]

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.

(16)

RÉFÉRENCES BIBLIOGRAPHIQUES

AUGUSTIN J.C., 2000. Modélisation de la dynamique de croissance des populations de Listeria monocytogenes dans les aliments, Thèse de doctorat, Université Claude Bernard, Lyon I.

AUGUSTIN J.C., ZULIANI V., CORNU M., GUILLIER L., 2005. Growth rate and growth probability of Listeria monocytogenes in dairy, meat and sea- food products in suboptimal conditions, J. Appl.

Microbiol., 99(5), 1019-42.

BARANYI J., ROBERTS T.A., MCCLURE P., 1993. A non-autonomous differential equation to model bacterial growth, Food Microbiol., 27, 61-75.

BARANYI J., ROBERTS T.A., 1994. A dynamic approach to predicting bacterial growth in food, Int. J. Food Microbiol., 23, 277-294.

BARANYI J., ROBERTS T.A., 1995. Mathematics of predictive food microbiology, Int. J. Food Micro- biol., 26, 199-218.

BARANYI J., ROBINSON T.P., KALOTI A., MACKEY B.M., 1995. Predicting growth of Brochothrix thermosphacta at changing temperature, Int. J.

Food Microbiol., 27, 61-75.

BARANYI J., ROSS T., MCMEEKIN T.A., ROBERTS T.A., 1996. Effects of parameterization on the performance of empirical models used in ‘predictive microbiology’, Food Microbiol., 13, 83- 91.

BROUGHALL J.M., ANSLOW P.A., KILSBY B.C., 1983. Hazard analysis applied to microbial growth in foods : development of mathematical models describing the effect of water activity, J.

Appl. Bacteriol., 55, 101-110.

BUCHANAN R.E., 1918, Life phases in a bacterial culture, J. Infect. Dis., 98, 1271-1273.

COROLLER L., LEGUERINEL I. et MAFART P., 2000.

Effect of water activities of heating and recovery media on apparent heat resistance of Bacillus cereus spores, Appl. and env. Microbiol., 67, 317-322.

COROLLER L., GUERROT V., HUCHET V.,LE MARC Y., MAFART P., SOHIER D., THUAULT D., 2005.

Modelling the influence of single acid and mix- ture on bacterial growth, Int. J. Food Microbiol., 100, 167-178.

COUVERT O., LEGUERINEL I. et MAFART P., 1999.

Modelling the overall effect of pH on the apparent heat resistance of Bacillus cereus spores.

Int. J. Food Microbiol., 49, 57-62.

COUVERT O., 2002. Prise en compte de l’effet du pH dans l’optimisation des traitements thermiques, Thèse de doctorat, Université de Bretagne Occi- dentale.

GAILLARD S., LEGUERINEL I. et MAFART P., 1998a.

Modelling combined effects of temperature and pH on the heat resistance of spores of Bacillus cereus. Int. J. of Food Microbiol., 15, 625-630.

GAILLARD S., LEGUERINEL I. ET MAFART P., 1998b. Model for combined effects of temperature, pH and water activity on thermal inactiva- tion of Bacillus cereus spores. J. Food Sc., 63(5) 887-889.

KONO T., 1968. Kinetics of microbial cell growth, Biotech. Bioeng., 10, 105-131.

LE MARC Y., 2001. Développement d’un modèle modulaire décrivant l’effet des interactions entre les facteurs environnementaux sur les aptitudes de croissance de Listeria, Thèse de doctorat, Université de Bretagne Occidentale.

LE MARC Y., HUCHET V., BOURGEOIS C., GUYON- NET J., MAFART P., THUAULT D., 2002. Model- ling the growth kinetics of Listeria as a function of temperature, pH and organic acid concentration. Int. J. Food Microbiol. 73, 219-237.

MAFART P. et LEGUERINEL I., 1998. Modelling combined effects of temperature and pH on the heat resistance of spores by a linear-Bigelow equation. J. Food Sc., 63(1), p. 6-8.

MAFART P., 2000. Taking injuries of surviving bacteria into account for optimising heat treatments, Int. J. Food Microbiol., 55, 175-179.

MAFART P., COUVERT O., GAILLARD S. et LEGUERINEL I., 2002. On calculating sterility in thermal preservation methods : application of the Weibull frequency distribution model. Int. J.

ROSSO L., LOBRY J.R., FLANDROIS J.P., 1993. An unexpected correlation between cardinal tem- peratures of microbial growth highlighted by a new model, J. Theor. Biol., 162, 447-463.

ROSSO L., 1995. Modélisation et Microbiologie Prévisionnelle : Elaboration d’un Nouvel Outil pour l’Agroalimentaire, Thèse de doctorat, Uni- versité Claude Bernard – Lyon 1, n° 95-197.

ROSSO L., LOBRY J.R., BAJARD S., FLANDROIS J.P., 1995. Convenient model to describe the combined effects of temperature and pH on microbial growth, Appl. Environ. Microbiol., 61, 610-616.

ROSSO L., 1998a. Predictive Microbiology : Valida- tion of the models in the industrial context, COST914 Workshop.

ROSSO L., 1998b. Quantification et prévision du comportement dynamique des populations microbiennes : Applications à la sécurité des aliments, Mémoire d’Habilitation à Diriger les Recherches, Université de Paris-Sud.

WIJTZES T., MCCLURE P.J., ZWIETERING M.H., ROBERTS T.A., 1993. Modelling bacterial growth of Listeria monocytogenes as a function of water activity, pH and temperature, Int. J.

(17)

WIJTZES T., VAN’T RIET K., HUIS IN’T VELD J.H.J., ZWIETERING M.H., 1998. A decision support system for the prediction of microbial food safety and food quality, Int. J. Food Microbiol., 42, 79-90.

ZWIETERING M.H., WIJTZES T., DE WIT J.C., VAN’T RIET K., 1992. A decision support system for

prediction of the microbial spoilage in foods, J. Food Prot., 55, 973-979.

ZWIETERING M.H., WIJTZES T., DE WIT J.C., VAN’T RIET K., 1993. A decision support system for prediction of the microbial spoilage in foods, J.

Ind. Microbiol., 12, 324-329.