Nez artificiel à base de gélatine pour la détection des maladies
Les composés organiques volatils (COV) sont des composés organiques qui s’évaporent à température ambiante et sont produits par la plupart des organismes. De plus en plus d’éléments indiquent que les altérations des COV sont associées à plusieurs maladies, dont le cancer et la tuberculose.
Nouveaux biomatériaux pour la fabrication de nez électroniques
Les nez électroniques sont une technologie qui utilise des capteurs chimiques de gaz capables de détecter des gaz, des COV ou des odeurs et qui peuvent servir dans de nombreuses applications. La recherche dans le domaine des matériaux de détection des gaz se développe rapidement. L’objectif principal du projet SCENT, financé par l’UE, était de développer des matériaux qui modifient leurs propriétés optiques et électriques en présence de COV. «Ces nouveaux matériaux sont des gels contenant de la gélatine, comme celle que nous utilisons pour cuisiner, qui est préparée de manière à devenir stable à l’air et à encapsuler des sondes optiques et électriques utilisées pour la détection», explique Cecília Roque, coordinatrice du projet. Comme les matériaux en gel modifient leurs propriétés en présence de certains COV, ils peuvent être utilisés comme des capteurs qui fournissent un signal lorsqu’ils sont exposés à des échantillons gazeux. Ces capteurs ont été incorporés dans des dispositifs de nez électronique sur mesure, dans une chambre de détection qui imite notre cavité nasale. Le dispositif comprenait également un système de transduction du signal qui imite les impulsions électriques envoyées à notre cerveau lorsque les COV se lient aux récepteurs olfactifs de notre nez. L’équipe du projet SCENT a mis au point de nouveaux matériaux à base de gel, composés de composants biologiques et chimiques uniques. Elle a également généré des matériaux de détection des gaz à partir de sources végétales, une solution respectueuse de l’environnement.
L’IA améliore l’identification des agents pathogènes grâce aux COV
«Le nez électronique développé dans le cadre du projet SCENT fonctionne de manière similaire à notre odorat. Il doit d’abord être “entraîné”, en exposant ses capteurs à des échantillons connus et en recueillant des signaux», explique Cecília Roque. Ces signaux sont utilisés pour développer l’algorithme d’apprentissage automatique, qui peut faire des prédictions concernant la nature d’un échantillon particulier. En utilisant cette approche, les chercheurs ont produit des COV signatures pour la classification de différents agents pathogènes. À l’aide d’un vaste ensemble de données, ils ont associé les caractéristiques des COV à la pathogénicité des micro-organismes. Ils ont découvert que 18 COV suffisent pour prédire l’identité des agents pathogènes avec une exactitude de 77 % et jusqu’à 100 % de précision % accuracy and up to 100 %. Ils ont en outre généré des ensembles de COV qui peuvent prédire la présence d’un agent pathogène dans un échantillon avec une précision et une exactitude élevées. La base de données établie sur les agents pathogènes et les COV à partir d’échantillons biologiques distincts peut servir de base à la future mise en œuvre clinique de ces capteurs de gaz. Il est important de noter que les algorithmes de classification peuvent être mieux entraînés à l’aide de données expérimentales afin d’augmenter la sensibilité de la détection.
Faire progresser le diagnostic clinique
Les méthodes actuelles de détection microbienne en milieu clinique prennent environ 24 à 36 heures, alors que pour les bactéries à croissance lente, cela peut prendre jusqu’à une semaine. Étant donné la prévalence de la résistance aux antimicrobiens, les nez électroniques capables de détecter les COV bactériens en tant que biomarqueurs d’infection offrent une approche plus rapide et tout aussi sensible. Selon Cecília Roque, «la boîte à outils SCENT peut encore être utilisée pour plusieurs applications dans le domaine de la santé, de la sécurité ou de l’industrie alimentaire, par exemple». L’équipe étudie actuellement la validation technologique de son nez électronique pour la surveillance non invasive des patients atteints de cancer de la vessie, dans le cadre du projet ENSURE de validation du concept du CER.
Mots‑clés
SCENT, composés organiques volatils, COV, nez électronique, gel, apprentissage automatique, algorithme, infection bactérienne
