Modélisation de l’effet matrice de la viande

Ces approches (Tableau 1) exploitent des jeux de données expérimentales afin d’identifier des relations entre les caractéristiques de la matrice carnée et des réponses telles que la digestibilité. En faisant varier des facteurs comme la teneur en collagène, la température de cuisson ou la taille des particules, il devient possible de construire des modèles multivariés, par régression ou surfaces de réponse, décrivant de manière empirique l’influence de ces paramètres. Les travaux de Farouk et al. (2019), qui ont évalué la digestibilité in vitro en fonction de l’âge des animaux, de l’état de rigor mortis, du pH ultime, du hachage, du type de morceau ou encore des accompagnements, illustrent la capacité de ces modèles à fournir des prédictions rapides dans un domaine donné.

Tableau 1 : Prédiction de déterminants de l’effet matrice de la viande par approches statistiques et empiriques.

Les méthodes d’apprentissage automatique constituent une autre voie empirique : réseaux de neurones, forêts aléatoires ou algorithmes similaires apprennent à partir de données dans lesquelles les caractéristiques de la viande servent de prédicteurs de la qualité, de la digestibilité ou de la bioaccessibilité. Couplées aux acquisitions spectrales, ces approches ont été largement employées pour prévoir divers déterminants de l’effet matrice, souvent à partir de mesures non invasives réalisées dès la carcasse (Tableau 1). Toutefois, elles restent pour l’instant centrées sur un nombre limité de variables. Le regroupement des informations et le développement de jeux de données plus complets sera essentiel pour mieux relier l’effet matrice aux qualités nutritionnelles et renforcer la capacité prédictive de ces modèles.
Pour cette application, l’un des avantages de l’apprentissage automatique est la capacité à capturer les interactions complexes sans avoir besoin de formuler des hypothèses sur les mécanismes sous-jacents, ce qui est particulièrement utile lorsque le système d’étude est très complexe et mal compris. En contrepartie, un inconvénient limitant est que ces modèles nécessitent un grand nombre de données annotées fiables pour l’entraînement. De plus, les modèles par apprentissage automatique sont souvent des "boîtes noires" difficiles à interpréter directement. Ils ne permettent donc pas de décrire des mécanismes à proprement parler, ni de représenter la "réalité physiologique". Ils sont opaques et ont un mode de représentation très différent des raisonnements humains, ce qui rend leurs comportements et biais intrinsèquement difficiles à comprendre (Bollaert et Coppin, 2024). De manière très limitée, certains peuvent toutefois soutenir l’interprétation en permettant de trier l’importance relative des prédicteurs, ce qui peut conduire à des hypothèses pour expliquer les observations expérimentales (Sicard et al., 2023). L’intelligence artificielle explicable se développe aujourd’hui pour les applications dans lesquelles la transparence est une nécessité (EDPS, 2023).

II. MODELISATION DES TRANSFERTS DE MATIERE AU SEIN DES ALIMENTS CARNES

Le transfert de solutés dans un milieu solide est principalement caractérisé par le coefficient de diffusion apparent, qui décrit la relation entre flux diffusif et gradient de concentration. Dans la viande, la présence d’obstacles structuraux liés à l’effet matrice freine cette diffusion, donnant un coefficient apparent plus faible. Les premières modélisations appliquées aux produits carnés ont cherché à prédire les cinétiques de refroidissement et les pertes de poids des carcasses lors de la réfrigération post-abattage (Kuitché & Daudin, 1995 ; Kuitché et al., 1996 ; Daudin & Kuitché, 1996), car ces phénomènes conditionnent l’évolution des températures et de la teneur en eau, et donc certaines réactions biologiques influençant la qualité finale. Ces travaux ont mis en évidence l’influence majeure de l’aéraulique, en particulier de l’emplacement des carcasses dans les installations statiques (Mirade et al., 2002). Par la suite, des modèles de mécanique des fluides numérique ont été développés pour optimiser la circulation de l’air et améliorer les performances de refroidissement (Mirade & Picgirard, 2006).
La prédiction des transferts de matière au sein de la viande, particulièrement de l’eau et des solutés, est une étape préliminaire cruciale pour la détermination de l’évolution des paramètres physico-chimiques au cours des transformations, tels que le pH ou l’activité de l’eau (Musavu Ndob & Lebert, 2018) ou l’indice de protéolyse (Harkouss et al., 2018). Ces paramètres physico-chimiques, qui serviront eux-mêmes d’entrée, sont souvent indispensables aux modèles de prédiction de l’évolution des qualités sanitaires, organoleptiques, nutritionnelles, technologiques ou d’usage. Or, ces transferts sont largement déterminés par la structure de l’aliment qui évolue au cours des transformations. Certains modèles ont donc été développés afin de décrire mathématiquement les évolutions intervenant au cours d’opérations telles que la cuisson (Kovácsné Oroszvári et al., 2005, 2006 ; van der Sman, 2007), le salage et le séchage (Harkouss et al., 2018) ou le barattage (Mirade et al., 2020) lors de fabrication de charcuteries sèches. Fournissant des informations physico-chimiques en amont pour de nombreuses prédictions, les avancées fondamentales dans ces modèles se répercutent très largement sur l’applicabilité concrète des modèles qui en dérivent et leur pertinence pour le contrôle et l’optimisation des procédés de transformation des produits carnés.

ENCADRE 1 : Deux approches complémentaires. Les modèles empiriques reposent directement sur des données expérimentales et décrivent les relations observées entre variables, sans représenter les mécanismes sous-jacents. Ils permettent des prédictions rapides mais restent valides uniquement dans le domaine étudié. À l’inverse, les modèles mécanistes s’appuient sur la description des processus physiologiques, physico-chimiques ou structuraux impliqués. Ils sont plus explicatifs et transposables, mais nécessitent une connaissance plus fine des phénomènes et des paramètres difficilement mesurables. Ensemble, ces approches offrent une vision à la fois prédictive et interprétable de l’effet matrice.

III. MODELISATION DE LA DIGESTION GASTRO-INTESTINALE PAR APPROCHES MECANISTES

Les modèles mécanistes cherchent à représenter de façon réaliste les étapes de la digestion, en intégrant cinétiques enzymatiques, hydrodynamique gastrique et diffusion des nutriments. Appliqués à la viande, ils simulent la transformation du bol alimentaire tout au long du tractus digestif, notamment via des modèles compartimentaux décrivant fragmentation, action enzymatique et vidange gastrique. Sicard et al. (2018) ont développé un modèle de type diffusion–réaction incluant la diffusion de la pepsine et des protons, ainsi que le pouvoir tampon des protéines. Leurs simulations montrent que la digestibilité, élevée chez l’adulte sain, chute fortement lorsque la mastication, l’acidité ou la motricité gastrique sont diminuées, comme dans le cas du vieillissement, ce qui concorde avec les observations physiologiques faites mettant en évidence un retard d’apparition des acides aminés et une moindre efficacité métabolique en cas de mastication déficiente. La mécanique des fluides numérique permet aujourd’hui de décrire les mouvements internes du bol alimentaire dans l’appareil digestif et d’obtenir des informations spatiales et temporelles sur les vitesses et pressions qui s’y exercent (Palmada et al., 2023). Ces données peuvent être couplées à des modèles mécaniques ou réactionnels. Ainsi, Li et al. (2022) ont enrichi le modèle de réaction–diffusion précédent en y intégrant la convection, ce qui leur a permis de simuler la digestion et la vidange gastrique de morceaux de viande cuite dans différents contextes physiologiques. Leur travail met en évidence que les particules les plus grosses sont davantage digérées près des parois de l’estomac, en raison de la résistance à l’écoulement induite par la matrice, et que l’échelle pertinente de transport est celle de la matrice alimentaire plutôt que celle des particules individuelles.
Pour mieux représenter la digestion réelle, Rivera del Rio et al. (2022) ont développé un modèle semi-mécaniste et compartimental décrivant huit segments du tube digestif, intégrant ingestion, sécrétions enzymatiques, hydrolyse, broyage, transit et absorption des acides aminés. Ce modèle a permis de comparer la digestion d’un repas composé d’une phase solide (viande) et d’une phase liquide, ou d’un repas homogène, et de prédire les volumes et pH gastriques et duodénaux. Il montre notamment que la vidange gastrique dépend de la densité énergétique du bolus. Ces résultats soulignent l’importance des co-aliments, les aliments ingérés en même temps que la viande, dans la digestion des protéines et étendent l’effet matrice de la viande à l’échelle du repas, où l’environnement alimentaire module les processus digestifs.
Ces études démontrent l’importance des approches de modélisation pour la mise en perspective des résultats expérimentaux et la mise en évidence de nouvelles pistes de recherche.

ENCADRE 2 : Un effet matrice élargi au niveau du repas. La viande n’est jamais consommée seule : les autres composantes du repas (fibres, lipides, polyphénols, amidon, eau…) modulent les processus de digestion et d’absorption. Ces co-aliments influencent le pH gastrique, les cinétiques enzymatiques, la vidange gastrique ou encore la solubilité de certains nutriments. La modélisation montre ainsi que l’effet matrice de la viande dépend non seulement de ses caractéristiques intrinsèques, mais aussi de l’environnement alimentaire dans lequel elle est ingérée.

IV. MODELISATION DES INTERACTIONS MOLECULAIRES ET DES SYSTEMES REACTIONNELS

L’effet matrice de la viande dépend aussi des transformations chimiques induites par la cuisson. Bien que la modélisation mécaniste de ces réactions reste souvent limitée à des systèmes simplifiés (Capuano et al., 2018), certaines avancées existent. Par exemple, la formation des amines aromatiques hétérocycliques (AAHs) a été modélisée dans des muscles longissimus thoracis et semimembranosus montrant un effet marqué du type de muscle et de l’aw sur ces néoformés (Kondjoyan et al., 2010). Par ailleurs, Meurillon et al. (2020) ont utilisé la modélisation moléculaire pour identifier, puis valider in vitro, des polyphénols capables de réduire la formation d’AAHs. Ces travaux illustrent comment la modélisation, en explorant les interactions moléculaires, peut orienter des stratégies de mitigation visant à limiter certains effets indésirables de la cuisson.
Un autre domaine lié à l’effet matrice de la viande est celui de l’oxydation de la myoglobine et du changement de couleur de la viande. Un modèle détaillé de la cinétique d’oxydation de la myoglobine dans la viande bovine a été proposé (Kondjoyan et al., 2022), en tenant compte de la diffusion de l’oxygène et des nombreuses réactions chimiques concurrentes au sein de la matrice viande. Ce modèle, de type réaction-diffusion couplée, permet de visualiser la distribution de l’oxygène et des pigments à différentes profondeurs dans la viande au cours du temps et sous l’influence de facteurs physiologiques, comme la teneur en oxygène résiduelle dans le muscle. Ce travail améliore la compréhension des mécanismes de décoloration, en liant explicitement la structure du muscle (diffusion d’O2) et l’oxydation, deux déterminants de l’effet matrice de la viande.
La modélisation des interactions moléculaires s’appuie sur des outils bio-informatiques et des bases de données permettant, par exemple, de simuler l’hydrolyse d’une protéine à partir de sa séquence et des sites théoriques de coupure d’enzymes digestives. Ainsi, les étapes de digestion gastrique (pepsine) puis intestinale (trypsine, chymotrypsine) peuvent être reproduites in silico. Pour être fiables, ces approches doivent toutefois être confrontées à des données in vivo. Sayd et al. (2018) ont combiné digestion in vivo chez le mini-porc et modélisation in silico afin d’évaluer la libération de peptides bioactifs. Leur étude montre la complémentarité des deux approches : les données expérimentales améliorent les prédictions du modèle, tandis que le modèle permet d’identifier des peptides potentiels non détectés in vivo, illustrant l’intérêt des modèles hybrides. Ce type d’approche ouvre des perspectives pour comprendre la biodisponibilité et les effets potentiels sur la santé, la conformation des peptides jouant un rôle clé dans leur devenir (Bock et al., 2013).

V. MODELISATION DE LA BIODISPONIBILITE EN NUTRIMENTS

La biodisponibilité des nutriments de la viande résulte en grande partie de son effet matrice, mais son évaluation repose sur des études in vivo souvent difficiles à conduire. Pour cette raison, différentes approches de modélisation ont été développées : modèles empiriques fondés sur des données expérimentales, modèles mécanistes simulant digestion et absorption intestinale, analyses statistiques multivariées et plus récemment outils d’intelligence artificielle.
Plusieurs modèles empiriques visent spécifiquement à prédire la biodisponibilité du fer en fonction de la composition d’un repas. De Carli et al. (2018) ont comparé cinq modèles majeurs (Tableau 2). Le premier, proposé par Monsen et al. (1978), prend en compte les activateurs du fer ; Hallberg et Hulthén (2000) ont ensuite proposé un modèle basé sur un repas de référence, intégrant des facteurs correctifs en présence d’activateurs (vitamine C) ou d’inhibiteurs (calcium, polyphénols, phytates). Leur algorithme inclut aussi un coefficient reflétant le « facteur viande ». Jugé le plus performant dans plusieurs synthèses (Conway et al., 2007 ; Armah et al., 2013 ; De Carli et al., 2018), ce modèle a notamment été utilisé pour estimer la faible biodisponibilité du fer dans un plat traditionnel riche en polyphénols à base de corète (Njoumi et al., 2016).

ENCADRE 3 : Un amplificateur empirique. Dans les modèles de prédiction de la biodisponibilité du fer, un coefficient multiplicateur est attribué à la présence de viande. Ce « facteur viande » reflète l’effet empirique d’amélioration de l’absorption du fer non héminique lorsqu’il est consommé dans un repas contenant de la viande.

Tableau 2 : Résumé des caractéristiques de 5 modèles permettant d’étudier la biodisponibilité du fer
(d’après De Carli et al., (2018))

En complément des approches empiriques, des modèles mécanistes ont été développés pour étudier l’influence des procédés technologiques sur la forme du fer dans la viande et sa biodisponibilité (Gandemer et al., 2020). Ils permettent notamment d’intégrer différents modes de cuisson et de simuler la conversion entre fer héminique et non héminique. Toutefois, les estimations peuvent varier selon le type de modèle (Beard et al., 2007), d’où la nécessité de poursuivre les développements afin d’y intégrer la diversité des régimes alimentaires et le « facteur viande » (van Wonderen et al., 2023).
Concernant le zinc, dont la viande fournit une source hautement assimilable, des modèles ont également été élaborés pour intégrer l’influence du régime alimentaire. Miller et al. (2007) ont proposé un premier modèle reliant zinc absorbé, zinc ingéré et phytates, puis l’ont amélioré en y ajoutant calcium, fer et protéines (Miller et al., 2013), révélant un effet positif du calcium et des protéines. L’application de ce modèle à des données de consommation en Colombie a mis en évidence un risque de carence supérieur à celui prédit par les apports seuls (Alvarez-Bustamante et al., 2025), entraînant ainsi une révision des recommandations locales.
La modélisation de la biodisponibilité des vitamines issues de la viande concerne surtout la vitamine B12, dont l’absorption dépend d’un système de transport spécifique impliquant le facteur intrinsèque et des récepteurs iléaux (Guéant et al., 2022). Ce système étant saturable, la biodisponibilité suit une dynamique de saturation pouvant être représentée par une équation de type Michaelis–Menten (Devi et al., 2020).

CONCLUSION ET PERSPECTIVES

Le développement de modèles fiables de l’effet matrice de la viande nécessite une meilleure caractérisation de sa structure, l’intégration des interactions avec les co-aliments et la prise en compte des aspects métaboliques liés à la digestion. Le principal défi consiste à relier, dans une approche vraiment intégrée, structure, procédés de transformation et biodisponibilité des nutriments. Une telle vision holistique demandera des collaborations interdisciplinaires et des données expérimentales capables d’alimenter des modèles interconnectés. L’intelligence artificielle (IA) peut contribuer à l’étude de la modélisation et de la prédiction de la biodisponibilité des nutriments de la viande. En effet, l’IA peut renforcer la modélisation de la biodisponibilité des nutriments de la viande en intégrant des interactions complexes difficiles à représenter avec les approches empiriques ou mécanistes. Elle permet de valoriser de grands jeux de données, d’améliorer la prédiction interindividuelle et d’identifier de nouveaux déterminants, comme des peptides bioactifs ou des facteurs nutritionnels émergents. L’IA peut également contribuer à optimiser les procédés technologiques influençant l’effet matrice. Toutefois, ses performances dépendent de la qualité des données disponibles et l’opacité de certains algorithmes limite encore leur interprétation et leur validation biologique ainsi que leur champ d’application réglementaire.

Références