Identification de composants de l'écosystème microbien des surfaces de production de viande porcine associés à Listeria monocytogenes
Bibliographic record
Abstract
Listeria monocytogenes est responsable de la listériose, une toxi-infection alimentaire présentant un taux de mortalité élevé (20 à 30%) chez les populations à risque. Les produits de la filière porcine ont été incriminés à plusieurs reprises dans des éclosions de listériose. En transformation, la contamination des produits prêts-à-manger est d’une importance particulière puisque ces aliments sont consommés sans préparation subséquente. Le pathogène, par son caractère psychrophile et sa capacité à former des biofilms est en mesure de s’établir et de persister dans les environnements de production alimentaire. Il peut alors être transféré de niches environnementales vers les produits de viande. Cette contamination croisée est inhérente à l’introduction préalable de L. monocytogenes dans l’environnement de transformation. Il a été rapporté que les pièces de viande crue provenant des étapes en amont de la transformation constituent la principale voie d’entrée de L. monocytogenes en atelier de transformation. Dans la nature, les biofilms sont composés de plusieurs microorganismes dont l’identité et les interactions façonnent le développement des communautés microbiennes. Le microbiote d’accompagnement a été proposé comme facteur pouvant influencer la présence et la persistance de L. monocytogenes. Ainsi, la présente thèse a pour but d’identifier des déterminants bactériens présents dans le microbiote des surfaces en contact avec les produits de viande en salle de découpe en abattoir porcin associés à la présence ou à l’absence de L. monocytogenes. La caractérisation du microbiote ainsi que la détection de L. monocytogenes ont été réalisées en parallèle sur les échantillons de surfaces recueillis. Les analyses de diversité menées sur les résultats issus du séquençage de l’ARNr 16S ont révélé une hétérogénéité dans la répartition des genres bactériens sur ces surfaces en fonction des lignes de production ainsi qu’en fonction des différentes visites. La présence de déterminants microbiens a permis la construction de deux modèles prédictifs basés sur les forêts d’arbres décisionnels permettant, sur la base du microbiote de chaque échantillon, de prédire son appartenance à une visite (à 94%) et à une ligne de production (à 88%). L. monocytogenes a été retrouvée dans 12,24% des échantillons de surfaces de découpe récoltés. Une distribution non stochastique des isolats a été observée (sur trois des six lignes de production) suggérant une localisation préférentielle de L. monocytogenes en salle de découpe. La caractérisation des isolats a révélé une faible diversité génétique ainsi que la présence de plusieurs caractéristiques associées à une adaptation à l’environnement de production et à une atténuation de la virulence. L’outil statistique MaAsLin a permis d’identifier le taxon Veillonella comme déterminant bactérien de la présence de L. monocytogenes sur les surfaces de découpe. Il a pu être démontré par approche culturale, en laboratoire, que Veillonella dispar et Veillonella atypica augmentaient significativement la croissance et la survie de L. monocytogenes en cocultures planctoniques ainsi qu’en biofilms. Les résultats obtenus suggèrent que l’action de Veillonella serait médiée par des composés sécrétés ou rendus disponibles par la bactérie. Les résultats de la présente étude contribuent à une meilleure compréhension des patrons de contamination associés à L. monocytogenes en abattoir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".