Proyecto LLBI Sense
La fermentation est un processus métabolique au cours duquel des micro-organismes, tels que les bactéries, les levures ou les champignons, transforment des substrats organiques — principalement des sucres — en composés plus simples, tels que des alcools, des acides organiques ou des gaz. Traditionnellement associée à la production alimentaire et de boissons, son importance s’est considérablement accrue au cours des dernières décennies en raison de son rôle central dans la biotechnologie moderne et les procédés industriels durables.
Aujourd’hui, la fermentation est l’une des plateformes biotechnologiques les plus importantes au monde. Son essor rapide est alimenté par la demande croissante de produits d’origine biologique (tels que les produits pharmaceutiques, les enzymes, les biopolymères et les aliments fonctionnels), ainsi que par le besoin de trouver des alternatives plus efficaces et plus durables à la synthèse chimique classique. De ce fait, les procédés de fermentation sont largement utilisés dans divers secteurs, notamment l’agroalimentaire, l’industrie pharmaceutique, les biocarburants et la production de composés à forte valeur ajoutée.
Un bioréacteur est un système dans lequel la fermentation s’effectue dans des conditions contrôlées. Il s’agit d’une cuve conçue pour favoriser et optimiser la croissance microbienne et la formation du produit en régulant des paramètres clés tels que la température, le pH, l’oxygène dissous, l’agitation et l’apport en nutriments. Un contrôle précis de ces variables est essentiel, car même de légers écarts peuvent avoir un impact significatif sur les performances du procédé et la qualité du produit.
Les bioréacteurs modernes sont équipés d’une large gamme de capteurs permettant une surveillance en temps réel du processus. Parmi les capteurs courants, on trouve ceux qui mesurent le pH, la température, l’oxygène dissous (OD), la pression et le débit, ainsi que des systèmes d’estimation indirecte de la biomasse. Parallèlement, des techniques non invasives avancées telles que la spectroscopie, les ultrasons et l’analyse d’images sont de plus en plus intégrées, permettant d’évaluer l’état de la culture sans avoir recours à un échantillonnage destructif. Ces technologies ouvrent la voie à des stratégies de contrôle plus sophistiquées basées sur la modélisation prédictive.
Dans ce contexte, la modélisation des variables de fermentation à l’aide de l’analyse d’images et de méthodes non destructives suscite un intérêt croissant. Elle permet de mettre en place des processus plus automatisés, plus robustes et plus efficaces, tout en réduisant le recours aux mesures hors ligne et en améliorant la capacité à s’adapter de manière dynamique aux changements au sein du système.
De plus, les volumes importants de données collectées grâce aux techniques non invasives modernes, ainsi que les modèles prédictifs développés à partir de celles-ci, favorisent l’exploration de l’intelligence artificielle (IA), qui peut être appliquée à ces bioprocédés. Dans cette optique, l’IA est capable de contrôler et d’optimiser les processus de fermentation menés dans des bioréacteurs en intégrant des données en temps réel provenant de multiples capteurs et de systèmes de surveillance non invasifs. Grâce à des algorithmes avancés d’apprentissage automatique, elle peut identifier des tendances, prédire l’évolution des processus et ajuster de manière dynamique les paramètres opérationnels tels que le pH, la température, l’aération et l’agitation. Cela permet d’améliorer la stabilité des processus, d’augmenter la productivité et d’optimiser l’uniformité des produits, tout en réduisant le recours aux interventions manuelles et aux prélèvements hors ligne.
Parmi les techniques modernes non invasives, l’analyse d’images se distingue par sa capacité à assurer un suivi continu, en temps réel et riche en informations du processus de fermentation, sans interférer avec le système. Contrairement aux méthodes d’échantillonnage traditionnelles, elle permet d’extraire, directement à partir de données visuelles, des caractéristiques quantitatives et qualitatives liées à la croissance microbienne, à la morphologie, à l’agrégation et à la dynamique globale de la culture.
De plus, l’analyse d’images peut être facilement intégrée à des outils informatiques avancés, notamment des algorithmes d’apprentissage automatique et d’intelligence artificielle, ce qui permet une extraction automatisée des caractéristiques et une meilleure capacité prédictive. Son coût relativement faible, son évolutivité et son adaptabilité à différentes configurations de bioprocédés en font une approche particulièrement intéressante tant pour la recherche à l’échelle du laboratoire que pour les applications industrielles. Parmi les techniques d’imagerie, l’imagerie par rétrodiffusion laser (LLBI) caractérise l’atténuation de la transmission lumineuse en fonction d’une grandeur variable mesurée dans une matrice donnée. Ce principe est à la base d’un large éventail de méthodes analytiques. Cependant, dans ce cas précis, on recourt à l’analyse d’images et aux techniques d’exploration de données pour étudier les diagrammes de diffraction générés par les interactions entre la matrice et la lumière. Dans la recherche en agroalimentaire, l’imagerie par rétrodiffusion laser a été utilisée pour modéliser différentes transformations de matrices alimentaires dues à l’action enzymatique.
Compte tenu du contexte décrit, les principaux objectifs du projet peuvent être définis comme suit :
L’objectif principal est de développer un cadre prédictif et fondé sur les données pour la modélisation des processus de fermentation dans des bioréacteurs, à l’aide de l’analyse d’images et de techniques de surveillance non destructives. Ce cadre vise à extraire des informations pertinentes sur le processus à partir de données en temps réel et à les traduire en estimations fiables des variables clés de la fermentation.
Un deuxième objectif consiste à étudier la relation entre les signaux visuels et ceux issus des capteurs, d’une part, et les états biochimiques et physiques sous-jacents de la culture, d’autre part. Le projet vise notamment à déterminer comment les caractéristiques extraites des données d’image peuvent être mises en corrélation avec des variables critiques du processus, telles que la concentration en biomasse, la phase de croissance et les performances globales du processus.
Un autre objectif majeur consiste à concevoir et à évaluer des modèles d’apprentissage automatique et d’intelligence artificielle capables de prédire la dynamique de la fermentation. Ces modèles devraient pouvoir intégrer des données provenant de sources multiples, notamment des images et des mesures issues de capteurs classiques, afin d’améliorer la précision et la robustesse des prédictions.
Par ailleurs, le projet vise à explorer le potentiel de ces approches fondées sur l’intelligence artificielle pour la surveillance et le contrôle en temps réel des bioréacteurs. Il s’agit notamment d’évaluer leur aptitude à faciliter la prise de décision et à permettre la mise en œuvre de stratégies de contrôle adaptatives qui optimisent automatiquement les conditions du procédé.
Enfin, ce projet vise à contribuer au développement de systèmes de surveillance des bioprocédés plus efficaces, évolutifs et non invasifs, afin de réduire la dépendance vis-à-vis des méthodes traditionnelles d’échantillonnage destructives et d’ouvrir la voie à des plateformes de fermentation plus autonomes.
Material and methods
Imaging device and capture
Un dispositif d’imagerie à faible coût a été conçu sur la base des travaux de Verdú et al. (2020) afin de recueillir des informations à chaque instant d’échantillonnage, générées par les interactions entre la lumière et la matrice. L’objectif était d’utiliser des images pour enregistrer la variance générée dans la matrice au cours de la fermentation, en capturant les motifs de diffraction transmis par l’interaction entre le laser et la matrice à chaque instant d’échantillonnage à l’intérieur de la cuve. La figure 1-A présente un schéma de configuration du dispositif.
Fig. 1. Dispositif de capture et schémas de traitement d’images. A : Configuration du système de capture. B : Traitement des images. C : Sélection de la région d’intérêt (ROI).
Des données de fermentation parallèles seront également recueillies afin d’établir une corrélation entre les variables issues de l’imagerie et les paramètres clés de la fermentation, tels que la densité cellulaire mesurée par spectrophotométrie et le nombre total de cellules déterminé à l’aide de tests sur plaques de gélose.
À cette fin, les objectifs de ce projet peuvent être résumés comme suit :
- Concevoir, adapter et optimiser le dispositif de capture d’images
- Examiner les variables pouvant être dérivées des images
- Modéliser les changements enregistrés
- Établir une corrélation entre ces changements et des variables mesurables
- Étudier la scalabilité dans des bioréacteurs pilotes et industriels
Ce projet a été développé par Sergio Hernández, responsable R&D chez Techmi Group, ainsi que par Cade Medearis et Jake Holfinger, stagiaires venus des États-Unis. Si vous souhaitez en savoir plus sur ce projet, vous pouvez visionner la vidéo qui explique plus en détail le fonctionnement du laser.