Améliorer la salubrité des aliments à l’aide de la génomique

Integrating Whole-Genome Sequencing data into quantitative risk assessment of foodborne antimicrobial resistance: A review of opportunities and challenges. Collineau L*, Boerlin P, Carson CA, Chapman B*, Fazil A*, Hetman B*, McEwen SA, Parmley EJ, Reid-Smith RJ, Taboada EN*, Smith BA*. Front Microbiol 2019 May 21;10:1107. doi: https://doi.org/10.3389/fmicb.2019.01107

 

Les effets de la résistance aux antimicrobiens (RAM) chez les bactéries d’origine alimentaire sur la santé publique sont peu connus. Les modèles de risque sont des outils qui servent à prédire les répercussions des dangers microbiens et à orienter l’élaboration d’interventions efficaces. Le séquençage du génome entier (SGE) est un autre outil important qui a révolutionné de nombreux aspects de la santé publique, allant du diagnostic et de la surveillance des agents pathogènes jusqu’aux enquêtes sur les éclosions. La mise en commun de ces puissants outils permettrait d’améliorer l’exactitude et le succès des stratégies dirigées visant à réduire les risques associés à la RAM et à éliminer les dangers microbiens d’origine alimentaire.

Que savait-on de ce domaine avant vos travaux, et quel est le motif de cette recherche ?

La résistance aux antimicrobiens (RAM) est un problème complexe engendré par de nombreux facteurs étroitement liés, qui se répercute à l’ensemble de la chaîne alimentaire. Pourtant, on ne connaît pas les répercussions précises de la RAM d’origine alimentaire sur la santé publique. Le Codex Alimentarius de l’Organisation mondiale de la Santé donne des indications scientifiques sur la manière d’évaluer et de gérer cette menace pour la santé publique à l’aide d’un processus appelé évaluation quantitative du risque microbien (EQRM). L’accès de plus en plus facile au séquençage du génome entier (SGE) fournit une quantité sans précédent de données sur les agents pathogènes qui peuvent servir à prédire des indicateurs de risque, dont la RAM et les facteurs qui influent sur la gravité des maladies. Ces renseignements pourraient orienter la tenue des EQRM de la ferme à la table et aider à estimer les risques en matière de santé publique associés à la RAM d’origine alimentaire. Toutefois, peu d’applications pratiques ont été réalisées jusqu’à présent pour intégrer le SGE dans les EQRM. Le présent examen jette les bases nécessaires pour intégrer la génomique dans la modélisation des risques et la façon dont le SGE pourrait alimenter les modèles d’EQRM pour mesurer la RAM d’origine alimentaire.

Quels sont les résultats les plus importants de vos travaux ?

L’adoption et l’utilisation généralisées du SGE offre une occasion d’améliorer la prochaine génération de modélisation des EQRM pour la RAM d’origine alimentaire. Le SGE peut aider à retracer les points de contamination alimentaire, à réaliser le sous-typage des espèces et à prédire l’expression des profils de pharmacorésistance. Les données des séquences analysées peuvent être utilisées pour déterminer la classification des dangers microbiologiques en fonction de leurs caractéristiques (p. ex. la croissance, la survie, la pathogénicité, la virulence ou la réponse à un traitement antimicrobien). En outre, le microorganisme d’intérêt qui présente un danger peut comprendre des éléments génétiques mobiles capables de déplacer des gènes de RAM d’une bactérie à l’autre. Ces données supplémentaires offrent aux chercheurs une approche plus percutante pour explorer la génétique des populations bactériennes, de la ferme à la table, ce qui permet d’obtenir des estimations plus exactes des bienfaits potentiels des interventions de santé publique par l’intermédiaire de l’EQRM.

Quelles sont les répercussions de la recherche ?

Le SGE a le potentiel d’améliorer considérablement l’utilité des modèles d’EQMR pour la RAM d’origine alimentaire. Toutefois, les chercheurs dans les domaines de la génomique et de la modélisation des risques doivent travailler ensemble pour éliminer les sources d’incertitude susceptibles de se présenter. Cette incertitude peut découler d’un manque d’uniformité des seuils qui déterminent la similarité génétique ou le degré de corrélation entre le génotype et les caractéristiques exprimées par l’agent pathogène. L’EQMR pourrait également prédire la probabilité des effets néfastes sur la santé attribuables à une infection résistante aux antimicrobiens, comme la gravité de la maladie ou la durée du séjour à l’hôpital. Ces données probantes pourraient ensuite être utilisées pour orienter les efforts de prévention et de traitement des maladies. Compte tenu de ces possibles avantages pour la santé publique, il est fortement recommandé que les méthodes visant à intégrer les données de SGE dans les évaluations des risques soient incluses dans les prochaines versions des lignes directrices du Codex Alimentarius aux fins d’analyse des risques associés à la RAM d’origine alimentaire.

Autres références importantes :

  • Collineau L*, Chapman B*, Bao X*, Sivapathasundaram B*, Carson CA, Fazil A*, Reid-Smith RJ, Smith BA*. A farm-to-fork quantitative risk assessment model for Salmonella Heidelberg resistant to third-generation cephalosporins in broiler chickens in Canada. Int J Food Microbiol 2020. In press. doi: https://doi.org/10.1016/j.ijfoodmicro.2020.108559
  • Caffrey N, Invik J, Waldner CL, Ramsay D, Checkley SL. Risk assessments evaluating foodborne antimicrobial resistance in humans: a scoping review. Microb Risk Anal 2019 April;11:31-46. https://www.sciencedirect.com/science/article/pii/S2352352218300057
  • Bengtsson-Palme J. Antibiotic resistance in the food supply chain: where can sequencing and metagenomics aid risk assessment? Curr Opin Food Sci 2017 April;14:66-71. doi: https://doi.org/10.1016/j.cofs.2017.01.010
  • Codex Alimentarius (2011). Guidelines for risk analysis of foodborne antimicrobial resistance. CAC/GL 77-2011:1-29.