L’identification des souches de levure est cruciale pour différentes applications dans les domaines de la microbiologie et de la biotechnologie. Son utilisation peut être déterminante dans les processus de fermentation ou la détection de pathogènes, par exemple. Dans ce contexte, Amarok Biotechnologies a réussi à mettre au point un modèle préliminaire de grande précision permettant de classer les populations mixtes de levures. Les travaux se sont appuyés sur des technologies avancées, combinant la cytométrie de flux d’imagerie à l’intelligence artificielle (IA) pour créer un modèle de classification des levures statistiquement significatif dans des populations mixtes.

Contexte et enjeux de l’identification des levures

Les méthodes d’identification traditionnelles, qui reposent sur des tests biochimiques et des observations morphologiques, peuvent prendre du temps et nécessiter des connaissances pointues. La combinaison de l’intelligence artificielle et de la cytométrie en flux avec imagerie offre une alternative rapide, automatisée et précise, permettant un profilage morphométrique et autofluorescent détaillé des cellules de levure. 

Finalité et approche expérimentale d’association de la cytométrie en flux et de l’IA

L’objectif était de générer un modèle d’identification des levures statistiquement significatif, déterminé par intelligence artificielle à l’aide de réseaux neuronaux convolutionnels ou d’analyse discriminante linéaire (ADL / LDA).  Ce qui permettrait de distinguer les souches à l’aide de données morphométriques et de caractéristiques d’autofluorescence obtenues par l’imagerie à haute résolution. 

Pour cela, les chercheurs ont utilisé un cytomètre en flux Amnis® ImageStream®X MKII, couplé aux logiciels d’intelligence artificielle Amnis® AI et IDEAS® ML. Ils ont sélectionné les cinq souches de levure suivantes : German Ale, B. Brut, Pichia, LG Monaco et 1H. 

Deux modèles ont été combinés : 

1. Le premier utilise les caractéristiques de l’imagerie en fond clair, validées par une analyse statistique de l’identité de la souche et de sa classe réelle. 
2. Le second se base sur l’algorithme d’analyse discriminante linéaire (ADL / LDA), tout en associant des mesures d’autofluorescence.

Le modèle d’analyse a été créé en recueillant des échantillons de caractéristiques morphométriques obtenues par analyse individuelle de chaque souche. L’ajout des caractéristiques individuelles d’autofluorescence et de taille (surface en μm²) a permis de lever l’ambiguïté sur les souches de levure ayant des caractéristiques morphométriques similaires.

Résultats clés et impact du modèle de classification des levures

Les « super-paramètres » calculés permettent une séparation maximale entre les différentes souches lors de l’analyse de populations mixtes. Le taux de précision du modèle atteint 97 % (moyenne pondérée). Ceci indique une bonne prédiction de la classe d’appartenance de la souche, puisque la performance statistique a été évaluée à 95 % et aucune erreur n’a été détectée par l’IA.

L’association de ces techniques avancées a permis d’attribuer à chaque souche une « signature numérique multiparamétrique » unique, basée sur ses caractéristiques les plus significatives. Il en découle une classification précise même dans les cas où les similitudes morphométriques pourraient prêter à confusion. Ce modèle permet donc d’identifier des souches de tailles et d’états d’agrégation différents sans erreur significative.

Évolutions futures et applications potentielles pour la microbiologie et la biotechnologie

Ce modèle d’IA peut être réentraîné en ajoutant des souches et des paramètres supplémentaires tels que des marqueurs d’anticorps fluorescents spécifiques (test de Bretta), de la coloration de la viabilité, etc.  Il présente une bonne adaptabilité permettant l’expansion de son utilisation. Cette technologie pourrait donc révolutionner l’analyse des levures dans la recherche et l’industrie, en permettant l’identification et le suivi des populations de levures avec une intervention humaine minimale.