Différenciation d’espèces bactériennes via la détection en temps réel de composés organiques volatils microbiens à l’aide d’un détecteur photoionisation multiplexé en longueur d’onde et d’une analyse d’images par IA

Pourquoi « sentir » les germes pourrait changer les soins hospitaliers

Les hôpitaux luttent en permanence contre des infections que les patients contractent pendant leur traitement, souvent causées par des bactéries résistantes aux antibiotiques courants. Les médecins ont besoin de savoir rapidement quel germe est présent pour choisir le bon médicament, mais les tests actuels peuvent prendre des jours. Cette étude explore une nouvelle approche qui « écoute » l’odeur des bactéries en temps réel et utilise l’intelligence artificielle pour distinguer les espèces, dans le but d’accélérer le diagnostic et d’améliorer la prise en charge des patients.

Des germes qui laissent une empreinte chimique

De la même façon que le café, les fleurs ou la peinture dégagent une odeur reconnaissable, les bactéries libèrent leur propre mélange de minuscules molécules volatiles. Ce sont les composés organiques volatils, ou COV, et chaque espèce tend à émettre un mélange particulier au cours de sa croissance. Les auteurs se sont concentrés sur quatre agents pathogènes courants en milieu hospitalier, dont E. coli et Staphylococcus aureus, qui sont des causes majeures d’infections urinaires, sanguines et pulmonaires. Si ces mélanges chimiques peuvent être lus rapidement et de façon fiable, ils pourraient servir de sorte d’empreinte révélant quel germe est présent sans avoir besoin de toucher les bactéries elles‑mêmes.

Un capteur compact qui détecte des indices invisibles

Pour capturer ces odeurs bactériennes, l’équipe a construit un petit appareil basé sur une technologie appelée détection par photoionisation. À l’intérieur du capteur, quatre petites lampes projettent une lumière à haute énergie sur les COV entrants. Chaque lampe a une énergie lumineuse différente, de sorte que chacune réagit de préférence à une tranche légèrement différente du mélange chimique. Lorsque les molécules sont frappées par la lumière, elles forment des particules chargées qui génèrent un faible courant électrique. Sur une période de 20 minutes, chaque lampe produit sa propre courbe de courant, reflétant l’évolution de l’odeur bactérienne dans le temps. Ensemble, ces quatre courbes forment une sorte de motif multicolore spécifique à chaque espèce et au nombre de bactéries présentes.

Transformer les signaux du capteur en images pour l’IA

Les courbes électriques brutes sont complexes et difficilement interprétables à l’œil nu. Les chercheurs ont donc converti les courbes en images, en remplissant l’aire sous chaque courbe et en combinant les quatre signaux des lampes en une seule image. Ils ont ensuite utilisé un réseau de reconnaissance d’images pré‑entraîné, initialement conçu pour classer des photographies courantes, et l’ont adapté à cette tâche en recourant à une stratégie appelée apprentissage en quelques exemples (few‑shot learning). Cette approche est conçue pour fonctionner même lorsque seuls un petit nombre d’exemples sont disponibles, ce qui est souvent le cas lorsqu’un nouveau capteur est développé. Le modèle d’IA a appris à repérer les différences subtiles de forme et d’intensité entre les images issues de différentes bactéries et de différents niveaux de concentration.

Ce que le système sait déjà nous dire

Lors des tests, le capteur a distingué de manière fiable les quatre espèces bactériennes sur la base de leurs motifs de COV, atteignant plus de 88 % de précision pour l’identification des espèces. Il a détecté des niveaux bactériens très faibles, jusqu’à environ une centaine de cellules par millilitre, ce qui recoupe la plage observée dans les premières infections sanguines et est bien en dessous des niveaux typiques dans les infections urinaires. Le système a également différencié niveaux faibles et élevés de contamination, une capacité qui pourrait aider les cliniciens à décider si une infection est significative ou en phase précoce. Lorsque l’équipe a constitué un jeu de données plus équilibré, les performances du modèle d’IA se sont encore améliorées, montrant qu’une plus grande cohérence des données rendrait la méthode encore plus puissante.

Ce que cela pourrait signifier pour les patients

Ce travail ne remplace pas encore les tests de laboratoire standard, mais il montre que la combinaison d’un capteur simple basé sur l’odeur et d’une IA moderne peut rapidement indiquer quelles bactéries sont présentes et en quelle abondance. Parce que l’appareil est compact, n’utilise pas d’étiquettes spéciales ni de préparation d’échantillon complexe, et analyse directement l’air au‑dessus d’une culture, il pourrait être adapté pour une utilisation au chevet ou à proximité du patient. À l’avenir, des outils similaires pourraient aider les médecins à réagir plus vite aux infections nosocomiales, à adapter plus précisément les traitements et à réduire l’utilisation inutile d’antibiotiques à large spectre, contribuant ainsi à de meilleurs résultats pour les patients.

Citation: Costa, S.P., Cardoso, A., Mahmoodnia, H. et al. Bacterial species differentiation via real-time detection of microbial volatile organic compounds using a wavelength multiplexed photoionization detector and AI image-based analysis. Sci Rep 16, 15924 (2026). https://doi.org/10.1038/s41598-026-46818-x

Mots-clés: détection bactérienne, composés organiques volatils, capteur photoionisation, intelligence artificielle, infections en milieu hospitalier