Restez à jour, décidez plus vite et sécurisez vos choix. > Adhérez à l’ADRIA en 2026
HEMI
Méta-analyse et agrégation de données hétérogènes en vue de consolider des modèles de prédiction : application en microbiologie et sécurité des aliments
Le projet HEMI vise à évaluer les opportunités présentées par les méthodes de Machine Learning pour améliorer la précision et la robustesse des modèles prédictifs en microbiologie.
Résumé du projet
| Période | 2025 – 2028 |
| Type de projet | Thèse |
| Axes scientifiques ADRIA associés | Simulation des phénomènes biologiques et physico-chimiques |
| Thématique principale | Modélisation de réponses biologiques complexes |
| Partenaires | ADRIA, LUBEM, INRAE (SECALIM), CNIEL |
| Financement | CIFRE, CNIEL |
| Contacts ADRIA | Yvan Le Marc |
Pourquoi ce projet ?
La sécurité et la qualité microbiologique des aliments reposent de plus en plus sur des outils d’aide à la décision, basés sur des modèles de microbiologie prévisionnelle. Ces approches nécessitent toutefois des données nombreuses, fiables et structurées, souvent dispersées dans la littérature scientifique. L’enjeu du projet est donc de faciliter l’exploitation de ces connaissances grâce à des méthodes de Machine Learning associées à une validation experte.
Objectifs du projet
La thèse HEMI vise à concevoir et valider une méthodologie permettant d’enrichir en continu les modèles de microbiologie prévisionnelle à partir de données issues de sources multiples : littérature scientifique, littérature grise (EFSA, FDA…) et bases de données ouvertes. Elle doit notamment permettre de :
- collecter et structurer de façon systématique des données expérimentales hétérogènes (protocoles, matrices, indicateurs microbiologiques) ;
- modéliser la variabilité liée aux conditions expérimentales et quantifier l’incertitude associée aux estimations ;
- évaluer l’apport des approches de machine learning en complément des modèles paramétriques existants ;
- intégrer progressivement les paramètres et modèles enrichis dans Sym’Previus.
Approche et travaux menés
Les travaux combinent la mise en place d’un pipeline automatisé d’extraction, de nettoyage et de structuration des données, des méthodes statistiques avancées (méta-analyse, modèles bayésiens hiérarchiques) et une évaluation comparative d’algorithmes de machine learning (forêts aléatoires, réseaux de neurones, modèles hybrides). Les résultats seront transférés sous la forme d’un prototype intégré à Sym’Previus.
Ce que le projet apporte aux filières agroalimentaires
- Des paramètres de croissance et d’inactivation plus robustes, établis à partir d’un volume de données beaucoup plus large ;
- une meilleure prise en compte de la variabilité et de l’incertitude dans les simulations ;
- des outils Sym’Previus enrichis plus régulièrement, au service de l’évaluation de la durée de vie et de la maîtrise des risques microbiologiques.
Partenaires du projet
Financement du projet
