Modélisation et caractérisation efficace de la réponse bactérienne aux antibiotiques

Modelling and efficient characterization of enzyme-mediated response to antibiotic treatments

• Auteur / Autrice : Virgile Andreani
• Direction : Grégory Batt
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance le 17/12/2020
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : InBio - Méthodes Expérimentales et Computationnelles pour la Modélisation des Processus Cellulaires
• Jury : Président / Présidente : Marie Doumic
• Jury : Examinateurs / Examinatrices : Grégory Batt, Rosalind Allen, Tobias Bollenbach, Lingchong You, Philippe Glaser
• Jury : Rapporteurs / Rapporteuses : Rosalind Allen, Tobias Bollenbach

Mots clés

Mots clés contrôlés

Résistance aux antibiotiques

Mots clés libres

Équation de croissance-Fragmentation

Modèle de population structuré par la taille

Tolérance collective aux antibiotiques

Inférence de paramètres

Résistance aux antibiotiques

Collective antibiotic tolerance

Antimicrobial resistance

Parameter inference

Size-Structured population model

Growth-Fragmentation equation

Résumé

La résistance aux antibiotiques est connue comme l'un des plus grands dangers de santé publique. Dans les hôpitaux, la susceptibilité d'une souche à un antibiotique est quantifiée par sa Concentration Minimale Inhibitrice (CMI) : la dose minimale d'antibiotique nécessaire pour inhiber la croissance de la souche pendant 24 heures. Cette valeur joue un rôle central dans les décisions de traitements.Or, la CMI est une mesure reposant sur un unique point de temps. Pourrait-on obtenir une évaluation plus informative de la résistance d'une souche, en exploitant sa courbe de croissance entière, observée par densité optique (DO) ? Cette donnée pourrait être disponible dans un contexte clinique, ce qui est nécessaire pour la pertinence de l'approche. Le problème est complexe, notamment parce que les antibiotiques β-lactames provoquent la filamentation des cellules, ce qui décorrèle la DO du nombre de cellules vivantes.Dans cette thèse, nous développons un modèle mathématique de la réponse de populations bactériennes à des β-lactames, qui rassemble les différents types de résistance. Unifiant les échelles moléculaire, de la cellule et de la population, ce modèle offre des prédictions simultanées de la DO et du nombre de cellules. Son cœur est un modèle de croissance-fragmentation : une équation aux dérivées partielles considérant explicitement la distribution des tailles des cellules. Or, le modèle à EDP n'est pas idéal pour l'optimisation numérique, et notamment pour l'inférence de paramètres. Nous décrivons donc le passage à un modèle compagnon à équations différentielles ordinaires, pour une calibration efficace.Après calibration de ce modèle sur un ensemble d'isolats cliniques à l'aide d'un pilote sur mesure permettant l'automatisation d'un lecteur de plaques, nous montrons que nous pouvons relier plusieurs paramètres du modèle aux gènes et mutations contribuant à la résistance des souches aux antibiotiques. Nous proposons ensuite une méthode permettant de catégoriser les souches, en dépit de la présence de paramètres non identifiables, et observons l'émergence de trois classes : les souches sensibles, les souches tolérantes et résilientes, et les résistantes. En comparaison avec le système classique définissant les souches susceptibles, intermédiaires, et résistantes, ces classes fournissent une explication plus riche du comportement des isolats, et offrent un débouché direct sur l'optimisation de traitements.

Antibiotic resistance is widely recognized as one of the biggest threats to global health.In hospitals, the susceptibility of a strain to an antibiotic is quantified by its Minimum Inhibitory Concentration (MIC): the minimal concentration of antibiotic necessary to inhibit the growth of the strain during 24 hours. This value plays a central role for treatment decisions.However, the MIC is a measure relying on a unique timepoint. Could we get a more informative assessment of antibiotic resistance by exploiting the whole growth curve, observed by optical density? This information could be available in a clinical context, which is a requirement of the approach. The problem is complex, notably because β-lactam antibiotics induce cell filamentation, which decorrelates the optical density from the number of live cells.In this thesis, we build a mathematical model of the response of bacterial populations to β-lactams, encompassing the different kinds of antibiotic resistance under a unifying framework. Bridging the three scales: molecular-, cell-, and population-level, this model provides simultaneous predictions of the optical density and the number of cells. Its core is a growth-fragmentation equation: a partial differential equation that considers explicitly the distribution of cell lengths. The PDE model is not very practical for numerical optimization, notably for parameter inference. Therefore, we describe the passage to a companion ODE model for efficient calibration.After calibrating this model on a library of clinical isolates with the help of a custom driver allowing the programmable use of a commercial plate reader, we show that we can relate several parameters to the antibiotic resistance genes and mutations present in the strains. We then propose a method to cluster the strains despite the presence of unidentifiable parameters, and show that three classes emerge: sensitive, tolerant/resilient, and resistant strains. In comparison with the classical susceptible, intermediate and resistant classification, these classes provide a richer explanation of the behaviour of the isolates, and allow a direct exploitation for treatment optimization.