La contamination microbienne des approvisionnements en eau potable pose des défis permanents, même dans les pays développés (Hrudey et Hrudey, 2019). La détection rapide des agents pathogènes responsables reste un défi, et les méthodes en ligne actuelles reposent sur des indicateurs de substitution, tels que la turbidité et le pH. Les technologies émergentes, comme la cytométrie en flux (FCM), offrent une surveillance à haute résolution temporelle, fournissant ainsi un aperçu des communautés microbiennes. Ici, nous explorons la nécessité d’une détection des anomalies microbiennes en temps réel. Nous introduisons également un nouveau modèle informatique, Microbial Community Change Detection (MCCD), conçu pour transformer les caractéristiques de la communauté microbienne en un signal de contrôle de processus en ligne.
La puissance de la cytométrie en flux
La méthode de cytométrie en flux (FCM) a gagné en importance dans la surveillance de la qualité de l'eau, offrant des informations détaillées sur la dynamique microbienne (Egli et Stefan, 2015 ; Van Nevel et al., 2017b ; Safford et Bischel, 2018). Les méthodes traditionnelles, comme la numération sur plaques hétérotrophes, ont des limites de vitesse (2 à 7 jours). La capacité du FCM à mesurer les particules en suspension en temps réel en fait un outil précieux pour évaluer la qualité microbiologique lors du traitement de l'eau.
Défis liés à la surveillance des concentrations microbiennes
Cependant, la concentration microbienne dans les processus d'eau peut fluctuer considérablement en raison de divers facteurs (Besmer et Hammes, 2016 ; Buysschaert et al., 2018b ; Schleich et al., 2019). Les fluctuations périodiques, la croissance du biofilm et les changements saisonniers peuvent rendre difficile la distinction entre les changements microbiens normaux et anormaux.
Au-delà de la concentration cellulaire : les empreintes digitales cytométriques
Les mesures cytométriques en flux fournissent la concentration cellulaire et les empreintes cytométriques, résumant la distribution bactérienne dans l'espace du signal (Koch et al., 2014). Bien que des méthodes hors ligne aient été utilisées pour l'analyse des empreintes digitales, il existe des approches en ligne innovantes pour la surveillance en temps réel, telles que BactoSense. .
Présentation de MCCD : un modèle de détection d'anomalies en temps réel
Le modèle MCCD répond au besoin de surveillance automatique et en temps réel des populations microbiennes dans les processus d'eau. Il utilise une analyse en deux étapes, transformant les mesures cytométriques en flux en empreintes digitales simplifiées à l'aide de l'algorithme Probability Binning (Roederer et al., 2001 ; Rogers et Holyst, 2009). Les empreintes digitales sont ensuite introduites dans un modèle en ligne qui les compare à un ensemble de mesures de référence, permettant ainsi le calcul d'un score aberrant.
Test des performances du MCCD
Pour évaluer les performances du MCCD, nous avons effectué des tests in silico et in vitro, simulant des contaminations aiguës dans des systèmes d'eau réels. Le modèle a démontré sa robustesse face aux variations dynamiques tout en détectant de manière fiable les contaminations intentionnelles.
Conclusion
En conclusion, le modèle MCCD, avec sa capacité à fournir un score aberrant en ligne, offre une solution prometteuse pour détecter rapidement une contamination microbiologique potentielle dans les systèmes d'eau. Cela devient particulièrement crucial lorsque le délai entre le traitement et la distribution est minime. En tirant parti des capacités du FCM et des modèles informatiques avancés, l'industrie de l'eau peut améliorer sa capacité à garantir une eau potable sûre et de haute qualité.
Lisez l'article complet sur Frontiers ici.
Comments