FR3129406A1 - Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien - Google Patents
Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien Download PDFInfo
- Publication number
- FR3129406A1 FR3129406A1 FR2112454A FR2112454A FR3129406A1 FR 3129406 A1 FR3129406 A1 FR 3129406A1 FR 2112454 A FR2112454 A FR 2112454A FR 2112454 A FR2112454 A FR 2112454A FR 3129406 A1 FR3129406 A1 FR 3129406A1
- Authority
- FR
- France
- Prior art keywords
- microbial
- hyperspectral
- spectrum
- susceptibility
- antimicrobial agent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000004599 antimicrobial Substances 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 244000005700 microbiome Species 0.000 title claims abstract description 29
- 230000000813 microbial effect Effects 0.000 claims abstract description 58
- 238000001228 spectrum Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 241000894007 species Species 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 5
- RJQXTJLFIWVMTO-TYNCELHUSA-N Methicillin Chemical compound COC1=CC=CC(OC)=C1C(=O)N[C@@H]1C(=O)N2[C@@H](C(O)=O)C(C)(C)S[C@@H]21 RJQXTJLFIWVMTO-TYNCELHUSA-N 0.000 claims description 5
- 229960003085 meticillin Drugs 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 241000894006 Bacteria Species 0.000 description 8
- 239000001963 growth medium Substances 0.000 description 7
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 6
- 230000000845 anti-microbial effect Effects 0.000 description 4
- 230000001580 bacterial effect Effects 0.000 description 4
- 238000010186 staining Methods 0.000 description 4
- 241000191967 Staphylococcus aureus Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000003115 biocidal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002906 microbiologic effect Effects 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 241000607142 Salmonella Species 0.000 description 1
- 206010041925 Staphylococcal infections Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000001840 matrix-assisted laser desorption--ionisation time-of-flight mass spectrometry Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000015688 methicillin-resistant staphylococcus aureus infectious disease Diseases 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 238000012543 microbiological analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Analytical Chemistry (AREA)
- Toxicology (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Biotechnology (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien La présente invention concerne un procédé de prédiction de la susceptibilité d’une souche microbienne à un agent antimicrobien, le procédé étant caractérisé en ce qu’il comprend la mise en œuvre, par des moyens de traitement de données (4) d’un client (2), d’étapes de : (a) Obtention d’une image hyperspectrale entre 390nm et 900 nm représentant au moins une colonie de ladite souche dans un échantillon dépourvu d'agent antimicrobien (22); (b) Détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie, ci-après "spectre de test" ; (c) Comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l’espèce et étant apprises sur au moins un spectre hyperspectral d’une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l'agent antimicrobien de la classe microbienne de référence; (d) Détermination de la susceptibilité de la souche microbienne à l'agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test. Figure pour l’abrégé : Fig. 1
Description
DOMAINE TECHNIQUE GENERAL
L’invention a trait au domaine de l’analyse microbiologique, et en particulier de la caractérisation de microorganismes, notamment la prédiction du caractère sensible ou résistant de levures, de moisissures et de bactéries à un agent antimicrobien.
De manière avantageuse, l’invention s’applique à l’analyse d’une image hyperspectrale d’une ou plusieurs colonies de bactéries, de moisissures ou de levures ayant poussées dans un milieu de culture observable.
ETAT DE L’ART
Dans le domaine du diagnosticin vitrodes microorganismes, en particulier pathogènes, la caractérisation d’un microorganisme consiste préférentiellement à identifier son espèce et sa sensibilité à un agent antimicrobien, (ou « antibiogramme »), afin de déterminer un traitement pour le patient infecté par ce microorganisme. Pour ce faire, un processus microbiologique complexe est usuellement mis en œuvre en laboratoire, processus qui nécessite le plus souvent la connaissance préalable d’autres propriétés du microorganisme, notamment son règne (e.g. levure ou bactérie), et dans le cadre bactérien son type de Gram ou son caractère fermentaire ou non. En effet, ces informations permettent notamment de choisir un milieu de culture ou un type d’agents antimicrobien adaptés au microorganisme afin de déterminer, in fine, son espèce ou son antibiogramme. Par exemple, le choix d’une galerie d’identification de microorganismes API® commercialisée par la demanderesse se fonde sur la connaissance du règne du microorganisme (e.g. levure vs bactérie) ou du type de Gram de la souche bactérienne à identifier. De même la détermination de l’antibiogramme d’une souche bactérienne par le système Vitek ® 2 commercialisé par la demanderesse se fonde sur le choix d’une carte en fonction du type de Gram et du caractère fermentant ou non de ladite souche. Il est également possible de citer l’identification par spectrométrie de masse MALDI-TOF employant une matrice différente selon que le microorganisme à identifier est une levure ou une bactérie. Ainsi connaître au plus tôt ces informations permet d’optimiser le processus microbiologique, notamment en accélérant ce dernier ou en réduisant le nombre de consommables employés.
Historiquement, chacune de ces propriétés est déterminée par une technique qui comprend un nombre important d’étapes manuelles (fixation, coloration, mordançage, lavage, sur coloration...), et donc longue à mettre en œuvre.
La demande internationale WO 2019/122732 décrit une méthode de détermination du type de Gram et du caractère fermentant d’une souche de bactérie qui soit automatique et qui ne nécessite pas de marquer ou de colorer la bactérie ou son milieu de culture pour déterminer ces caractéristiques. Pour ce faire, on utilise un système d’imagerie dite multispectrale voire hyperspectrale. Il s’agit d’un système avec une forte résolution spectrale permettant de produire une image numérique de la lumière réfléchie par, ou transmise au travers de, la boite de Pétri présentant un grand nombre de canaux. Alors qu’une image RGB standard a trois canaux, une image dite HSI (pour «HyperSpectralImaging ») forme un cube de données qui peut présenter plusieurs centaines de canaux spectraux sur une gamme de longueur d’onde de 390 à 900 nm (soit une résolution spectrale de quelques nanomètres). Un algorithme de classification adéquat appliqué à l’image HSI permet alors directement de déterminer le type de Gram et le caractère fermentant ou non de la souche représentée. On peut alors choisir un milieu de culture ou un type d’agents antimicrobien adaptés au microorganisme afin de déterminer, in fine, sa sensibilité à l’antibiotique en fonction de sa pousse dans un échantillon du milieu de culture.
Ledocument Arrigoni , Turra et Signoroni , Hyperspectral image analysis for rapid and accurate discrimination of bacterial infections: A benchmark study, propose même directement de déterminer, à partir de l‘image HSI, l’espèce du microorganisme. Comme expliqué, ces informations sont intéressantes, mais ne suffisent pas en soi à déterminer si le microorganisme est résistant à un antimicrobien, et il reste nécessaire de réaliser l’antibiogramme. En effet, pour une même espèce telle queS. aureus, on trouve des souches résistantes et d’autres non. On parle par exemple de MRSA pour « Methicillin-resistant Staphylococcus aureus » et MSSA pour « Methicillin-sensitive Staphylococcus aureus », i.e. des souches deS. aureusrespectivement résistantes ou non à l’antibiotique méticilline.
Le documentPark et al., Classification of Salmonella Serotypes with Hyperspectral Microscope Imagery, propose une solution permettant de classifier des microorganismes à une taxonomie inférieure à l’espèce, cependant au prix de manipulations et de matériels complexes. En effet, il est nécessaire d’isoler une colonie, puis d’acquérir une image HSI au microscope dite HMI spécifiquement de cette colonie. L’algorithme observe alors les cellules à l’échelle individuelle et une par une, cette observation individuelle étant utilisée pour la classification.
Il reste ainsi souhaitable de pouvoir disposer d’une solution rapide et efficace permettant de déterminer la susceptibilité, i.e. la résistance ou la sensibilité, d’un microorganisme à un agent antimicrobien. Une telle solution s’intègre par exemple dans un processus clinique consistant à prélever l’échantillon sur un patient susceptible d’être infecté par un microorganisme pathogène, à préparer l’échantillon en vue son analyse par la solution d’invention, à appliquer cette dernière, à réaliser un choix d’antimicrobien en fonction du résultat de susceptibilité délivré par la solution puis à appliquer l’antimicrobien choisi au patient. De manière avantageuse, l’invention s’applique à l’analyse d’une image hyperspectrale d’une ou plusieurs colonies de bactéries, de moisissures ou de levures ayant poussées dans un milieu de culture et observables sans utilisation de marqueurs ou de coloration, sans observation des cellules à l’échelle individuelle ou sans utilisation de système optique à fort grossissement tel qu’un microscope, et sans procéder à la destruction des bactéries ou des colonies.
De manière avantageuse, l’invention s’applique dès qu’une colonie occupe quelques pixels dans l’image hyperspectrale acquise, notamment à partir de 10 pixels.
PRESENTATION DE L’INVENTION
Le but de la présente invention est de prédire la susceptibilité d’un microorganisme à un agent antimicrobien à l’aide d’une imagerie hyperspectrale d’une colonie microbienne ayant poussée sur un milieu de culture sans la présence dudit antimicrobien.
A cet effet l’invention a pour objet un procédé de prédiction de la susceptibilité d’une souche microbienne à un agent antimicrobien, le procédé étant caractérisé en ce qu’il comprend la mise en œuvre, par des moyens de traitement de données, d’étapes de :
(a) Obtention d’une image hyperspectrale entre 390nm et 900 nm représentant au moins une colonie de ladite souche dans un échantillon dépourvu d'agent antimicrobien ;
(b) Détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie, ci-après "spectre de test" ;
(c) Comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l’espèce et étant apprises sur au moins un spectre hyperspectral d’une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l'agent antimicrobien de la classe microbienne de référence;
(d) Détermination de la susceptibilité de la souche microbienne à l'agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test.
En d’autres termes, les inventeurs ont découvert que l’imagerie hyperspectrale entre 390nm et 900nm contient suffisamment d’informations pour prédire que deux souches microbiennes sont clonales ou issues d’une même lignée et partagent ainsi la même susceptibilité à l’agent antimicrobien. En connaissant la susceptibilité d’une classe, en prédisant qu’un nouveau microorganisme appartient à ladite classe, le nouveau microorganisme se voit prédire la susceptibilité de ladite classe.
Par « classe microbienne », on entend ici tout objet numérique caractérisant l’identité microbienne à un niveau taxonomique inférieur à l’espèce, et notamment à un niveau souche, objet avec lequel on peut comparer le spectre hypespectral d’une colonie à l’aide d’une métrique appropriée afin de déterminer l’appartenance ou de ladite colonie à ladite classe. Les classes microbiennes peuvent être des classes apprises par des algorithmes d’apprentissage automatisé, supervisé ou non, ou des spectres hyperspectraux de référence par exemple.
Selon un mode de réalisation préféré, les étapes de comparaison et de détermination sont réalisées au moyen d'un prédicteur basé sur une classification supervisée ayant pour classes microbiennes de référence l'identité des souches microbiennes de la base de données, la phase d'entrainement de la classification comprenant:
(c1) l'acquisition pour chaque souche microbienne de la base de données, de spectres hyperspectraux de colonies différentes;
(c2) l'entrainement de la classification sur les spectres hyperspectraux de colonies différentes.
En d’autres termes, plutôt que de déterminer un spectre représentatif d’une souche microbienne que l’on comparerait avec le spectre d’une colonie en cours de test, ce mode de réalisation apprend les classes sur des spectres hypespectraux issue de colonies différentes de la souche microbienne ce qui permet de tenir compte de variation dans l’acquisition de spectres, tels que l’erreur de mesure, la variabilité de l’éclairage ou encore la variabilité du spectre de nature biologique (épaisseur variable des colonies modifiant le spectres, couleurs variables...).
De manière plus spécifique, le prédicteur est un réseau de neurones artificiels convolutif. De manière préférentielle, la base de données est mise à jour de manière fréquente pour tenir compte de nouvelles souches encore non répertoriée, de variabilité intra-souche des spectres hyperspectraux ou pour incorporer des données issues de préparation d’échantillons et d'éclairage différente. L’emploi d’un tel prédicteur permet une agilité de traitement car le prétraitment qu’il incorpore (e.g. extraction de caractéristiques par réduction de la taille des variables par la ou les couches convolutives) n’est pas figé a priori.
Selon des modes de réalisation de l’invention :
- l’étape (b) comprend la segmentation de ladite image hyperspectrale de sorte à détecter ladite colonie dans l’échantillon ;
- l’étape (a) comprend l’acquisition de ladite image hyperspectrale par un dispositif d’observation connecté audit client.
- le procédé comprend une étape (a0) d’apprentissage, par des moyens de traitement de données d’un serveur, des paramètres dudit modèle de classification automatique à partir d’une base d’apprentissage d’images hyperspectrales ou de spectres de colonies déjà classifiés.
- la souche microbienne est une souche deStaphylococcus aureuset l’agent antimicrobien est la méticilline.
L’invention a également pour objet un système de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien, comprenant au moins un client comprenant des moyens de traitement de données, lesdits moyens de traitement de données étant configurés pour implémenter :
- l’obtention d’une image hyperspectrale représentant au moins une colonie dudit microorganisme dans un échantillon ;
- la détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie ;
- la comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l’espèce et étant apprises sur au moins un spectre hyperspectral d’une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l'agent antimicrobien de la classe microbienne de référence;
- la détermination de la susceptibilité de la souche microbienne à l'agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test.
Selon un mode de réalisation, le système comprend en outre un dispositif d’observation (10) pour l’acquisition de ladite images hyperspectrale.
L’invention a également pour objet un produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé tel que décrit précédemment de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien, lorsque ledit programme est exécuté sur un ordinateur.
L’invention a également pour objet un moyen de stockage lisible par un équipement informatique sur lequel un produit programme d’ordinateur comprend des instructions de code pour l’exécution d’un procédé tel que décrit précédemment de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien
PRESENTATION DES FIGURES
D’autres caractéristiques et avantages de la présente invention apparaîtront à la lecture de la description qui va suivre d’un mode de réalisation préférentiel. Cette description sera donnée en référence aux dessins annexés dans lesquels :
- la est un schéma d’une architecture pour la mise en œuvre du procédé selon l’invention ;
- la représente un premier mode de réalisation de dispositif d’observation de microorganismes dans un échantillon utilisé dans un mode de réalisation du procédé selon l’invention ;
- la représente un deuxième mode de réalisation de dispositif d’observation de microorganismes dans un échantillon utilisé dans un mode de réalisation préféré du procédé selon l’invention ;
- la représente un exemple de spectre de colonie d’une classe de résistance à un agent antimicrobien ;
- la représente un exemple de spectre de colonie d’une classe de sensibilité à un agent antimicrobien ;
- la représente les étapes d’un mode de réalisation préféré du procédé selon l’invention ;
- la représente un exemple d’architecture de réseau de neurones à convolution utilisé dans un mode de réalisation préféré du procédé selon l’invention ;
- la représente une matrice de confusion d’un prédicteur à base de réseau neuronal convolutif selon l’invention.
Claims (12)
- Procédé de prédiction de la susceptibilité d’une souche microbienne à un agent antimicrobien, le procédé étant caractérisé en ce qu’il comprend la mise en œuvre, par des moyens de traitement de données (4) d’un client (2), d’étapes de :
(a) Obtention d’une image hyperspectrale entre 390nm et 900 nm représentant au moins une colonie de ladite souche dans un échantillon dépourvu d'agent antimicrobien (22);
(b) Détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie, ci-après "spectre de test" ;
(c) Comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l’espèce et étant apprises sur au moins un spectre hyperspectral d’une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l'agent antimicrobien de la classe microbienne de référence;
(d) Détermination de la susceptibilité de la souche microbienne à l'agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test. - Procédé selon la revendication 1, selon lequel les étapes de comparaison et de détermination sont réalisées au moyen d'un prédicteur basé sur une classification supervisée ayant pour classes microbiennes de référence l'identité des souches microbiennes de la base de données, la phase d'entrainement de la classification comprenant:
(c1) l'acquisition pour chaque souche microbienne de la base de données, de spectres hyperspectraux de colonies différentes;
(c2) l'entrainement de la classification sur les spectres hyperspectraux de colonies différentes. - Procédé selon la revendication 2 selon lequel, le prédicteur est un réseau de neurones artificiels convolutif.
- Procédé selon l’une des revendications précédentes, dans lequel l’étape (b) comprend la segmentation de ladite image hyperspectrale de sorte à détecter ladite colonie dans l’échantillon (22).
- Procédé selon l’une des revendications précédentes, dans lequel l’étape (b) comprend le lissage et/ou la normalisation dudit spectre de la colonie.
- Procédé selon l’une des revendications précédentes, dans lequel l’étape (a) comprend l’acquisition de ladite image hyperspectrale par un dispositif d’observation (10) connecté audit client (2).
- Procédé selon l’une des revendications précédentes, comprenant une étape (a0) d’apprentissage, par des moyens de traitement de données (3) d’un serveur (1), des paramètres dudit modèle de classification automatique à partir d’une base d’apprentissage d’images hyperspectrales ou de spectres de colonies déjà classifiés.
- Procédé selon l’une des revendications précédentes, dans lequel la souche microbienne est une souche deStaphylococcus aureuset l’agent antimicrobien est la méticilline.
- Système de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien, comprenant au moins un client (2) comprenant des moyens de traitement de données (4), caractérisé en ce que lesdits moyens de traitement de données (4) sont configurés pour implémenter :
- l’obtention d’une image hyperspectrale représentant au moins une colonie dudit microorganisme dans un échantillon (22) ;
- la détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie ;
- la comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l’espèce et étant apprises sur au moins un spectre hyperspectral d’une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l'agent antimicrobien de la classe microbienne de référence;
- la détermination de la susceptibilité de la souche microbienne à l'agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test.
- Système selon la revendication 9, comprenant en outre un dispositif d’observation (10) pour l’acquisition de ladite images hyperspectrale.
- Produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé selon l’une des revendications 1 à 8 de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien, lorsque ledit programme est exécuté sur un ordinateur.
- Moyen de stockage lisible par un équipement informatique sur lequel est enregistré un produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé selon l’une des revendications 1 à 8 de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2112454A FR3129406A1 (fr) | 2021-11-24 | 2021-11-24 | Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien |
| CN202280078213.9A CN118339308A (zh) | 2021-11-24 | 2022-11-24 | 确定微生物对抗微生物剂易感性的方法 |
| PCT/FR2022/052171 WO2023094775A1 (fr) | 2021-11-24 | 2022-11-24 | Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien |
| EP22826157.4A EP4437493A1 (fr) | 2021-11-24 | 2022-11-24 | Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2112454 | 2021-11-24 | ||
| FR2112454A FR3129406A1 (fr) | 2021-11-24 | 2021-11-24 | Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3129406A1 true FR3129406A1 (fr) | 2023-05-26 |
Family
ID=81327848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2112454A Pending FR3129406A1 (fr) | 2021-11-24 | 2021-11-24 | Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4437493A1 (fr) |
| CN (1) | CN118339308A (fr) |
| FR (1) | FR3129406A1 (fr) |
| WO (1) | WO2023094775A1 (fr) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015189390A1 (fr) * | 2014-06-13 | 2015-12-17 | Q-Linea Ab | Procédé pour la détection et la caractérisation d'un micro-organisme |
| US20170236281A1 (en) * | 2014-07-24 | 2017-08-17 | University Health Network | Collection and analysis of data for diagnostic purposes |
| EP3257947A1 (fr) * | 2016-06-16 | 2017-12-20 | Biomérieux | Procede et systeme d'identification du type de gram d'une bacterie |
| WO2019122734A1 (fr) * | 2017-12-21 | 2019-06-27 | bioMérieux | Procede d'identification d'une levure ou d'une bacterie |
| WO2019122732A1 (fr) | 2017-12-21 | 2019-06-27 | bioMérieux | Procede et systeme d'identification du type de gram d'une bacterie |
-
2021
- 2021-11-24 FR FR2112454A patent/FR3129406A1/fr active Pending
-
2022
- 2022-11-24 CN CN202280078213.9A patent/CN118339308A/zh active Pending
- 2022-11-24 WO PCT/FR2022/052171 patent/WO2023094775A1/fr active Application Filing
- 2022-11-24 EP EP22826157.4A patent/EP4437493A1/fr active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015189390A1 (fr) * | 2014-06-13 | 2015-12-17 | Q-Linea Ab | Procédé pour la détection et la caractérisation d'un micro-organisme |
| US20170236281A1 (en) * | 2014-07-24 | 2017-08-17 | University Health Network | Collection and analysis of data for diagnostic purposes |
| EP3257947A1 (fr) * | 2016-06-16 | 2017-12-20 | Biomérieux | Procede et systeme d'identification du type de gram d'une bacterie |
| WO2019122734A1 (fr) * | 2017-12-21 | 2019-06-27 | bioMérieux | Procede d'identification d'une levure ou d'une bacterie |
| WO2019122732A1 (fr) | 2017-12-21 | 2019-06-27 | bioMérieux | Procede et systeme d'identification du type de gram d'une bacterie |
Non-Patent Citations (5)
| Title |
|---|
| ARRIGONI SIMONE ET AL: "Hyperspectral image analysis for rapid and accurate discrimination of bacterial infections: A benchmark study", COMPUTERS IN BIOLOGY AND MEDICINE, NEW YORK, NY, US, vol. 88, 21 June 2017 (2017-06-21), pages 60 - 71, XP085171351, ISSN: 0010-4825, DOI: 10.1016/J.COMPBIOMED.2017.06.018 * |
| BOSOON PARK ET AL: "Hyperspectral microscope imaging methods to classify gram-positive and gram-negative foodborne pathogenic bacteria", TRANSACTIONS OF THE AMERICAN SOCIETY OF AGRICULTURAL ENGINEERS, AMERICAN SOCIETY OF AGRICULTURAL ENGINEERS. ST.JOSEPH, MI, US, vol. 58, no. 1, 1 January 2015 (2015-01-01), pages 5 - 16, XP008182213, ISSN: 0001-2351, DOI: 10.13031/TRANS.58.10832 * |
| GRAUS MATTHEW S ET AL: "Hyperspectral fluorescence microscopy detects autofluorescent factors that can be exploited as a diagnostic method forspecies differentiation", JOURNAL OF BIOMEDICAL OPTICS, SPIE, 1000 20TH ST. BELLINGHAM WA 98225-6705 USA, vol. 22, no. 1, 1 January 2017 (2017-01-01), pages 16002, XP060082688, ISSN: 1083-3668, [retrieved on 20170105], DOI: 10.1117/1.JBO.22.1.016002 * |
| GUILLEMOT MATHILDE ET AL: "Hyperspectral imaging for presumptive identification of bacterial colonies on solid chromogenic culture media", PROCEEDINGS OF SPIE; [PROCEEDINGS OF SPIE ISSN 0277-786X VOLUME 10524], SPIE, US, vol. 9887, 27 April 2016 (2016-04-27), pages 98873L - 98873L, XP060069290, ISBN: 978-1-5106-1533-5, DOI: 10.1117/12.2229761 * |
| HUISUNG KIM ET AL: "Development of a multispectral light-scatter sensor for bacterial colonies", JOURNAL OF BIOPHOTONICS, vol. 10, no. 5, 14 July 2016 (2016-07-14), DE, pages 634 - 644, XP055454322, ISSN: 1864-063X, DOI: 10.1002/jbio.201500338 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4437493A1 (fr) | 2024-10-02 |
| CN118339308A (zh) | 2024-07-12 |
| WO2023094775A1 (fr) | 2023-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20080310692A1 (en) | System and method of organism identification | |
| EP3257947B1 (fr) | Procede et systeme d'identification du type de gram d'une bacterie | |
| EP3728624A1 (fr) | Procede d'identification d'une levure ou d'une bacterie | |
| EP3728623A1 (fr) | Procede et systeme d'identification du type de gram d'une bacterie | |
| US20080102487A1 (en) | Method and apparatus for non-invasive rapid fungal specie (mold) identification having hyperspectral imagery | |
| Krauß et al. | Colocalization of fluorescence and Raman microscopic images for the identification of subcellular compartments: a validation study | |
| Thiel et al. | An improved method for the automated enumeration of fluorescently labelled bacteria in human faeces | |
| US20040253660A1 (en) | Automated microbiological testing apparatus and method | |
| Herrero-Langreo et al. | Hyperspectral imaging for food-related microbiology applications | |
| EP2347296B1 (fr) | Procédure de préparation d'une image d'analyse virtuelle traitée | |
| EP2300985A1 (fr) | Procede d'analyse cellulaire d'un prelevement au moyen d'une plaque d'analyse virtuelle | |
| He et al. | Rapid bacteria identification using structured illumination microscopy and machine learning | |
| FR3129406A1 (fr) | Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien | |
| FR2942319A1 (fr) | Procede de preparation d'une plaque d'analyse virtuelle traitee | |
| Guillemot et al. | Hyperspectral imaging for presumptive identification of bacterial colonies on solid chromogenic culture media | |
| CN102971747A (zh) | 使用分类学的层级分类鉴定和/或表征微生物菌剂 | |
| EP3797169B1 (fr) | Procédé de contrôle de sensibilité à des agents chimiques | |
| CN118314411B (zh) | 基于图像分析的微生物检测方法、系统、设备及介质 | |
| CN116399864A (zh) | 一种基于革兰氏染色和机器视觉的细菌耐药性检测方法 | |
| Leroux et al. | Uropathogens identification by multispectral imaging of urine clinical samples using a low-cost device: an intermediate-technology solution | |
| Köberle et al. | Next generation mycological diagnosis: Artificial intelligence‐based classifier of the presence of Malassezia yeasts in tape strip samples | |
| Isil et al. | Virtual Gram staining of label-free bacteria using darkfield microscopy and deep learning | |
| WO2023126589A1 (fr) | Methode d'analyse d'images de microbes | |
| Marcoux | Mid-infrared multispectral lensless imaging for wide-field and label-free microbial identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230526 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |