Predicting Microbiologically Influenced Corrosion Risk from Quorum Sensing Biofilm Community Features: A Random Forest-SHAP Approach

Résumé Technique : Prédiction du risque de corrosion microbiologiquement influencée à partir des caractéristiques de la communauté de biofilm par détection du quorum (Quorum Sensing)

Énoncé du problème
La corrosion microbiologiquement influencée (CMI) est un mécanisme de défaillance critique pour les infrastructures, représentant environ 20 % des défaillances de corrosion mondiales et causant des pertes annuelles estimées entre 30 et 50 milliards de dollars dans les réseaux de pipelines pétroliers et gaziers, les systèmes marins et les réseaux d'eau. Bien que les approches actuelles d'apprentissage automatique (ML) pour la prédiction de la CMI utilisent des paramètres physico-chimiques (ex. pH, température) ou des données opérationnelles, elles ne parviennent pas à capturer les mécanismes de régulation dynamiques des communautés microbiennes. Plus précisément, aucun modèle de ML préalable n'a explicitement incorporé les signaux de détection du quorum (QS — quorum sensing) — le système de communication dépendant de la densité cellulaire qui régit la formation et la maturation du biofilm — comme caractéristiques prédictives. Cette omission est significative car la détection du quorum contrôle directement la transition de la croissance planctonique à faible corrosion vers l'état de biofilm sessile à haute corrosion, et régule les voies métaboliques (ex. la réduction des sulfates) qui pilotent la sévérité de la corrosion.

Méthodologie
L'étude propose un cadre Random Forest-SHAP conçu pour classifier le risque de CMI (Élevé vs Faible, défini par un seuil de 50 µm/an) en intégrant des caractéristiques de communauté dérivées de la détection du quorum avec des données environnementales et microbiennes traditionnelles.

• Construction du jeu de données : Un jeu de données organisé de 78 enregistrements expérimentaux a été assemblé à partir de plus de 15 études publiées sur la CMI. Le processus d'assemblage a impliqué une extraction semi-automatisée de la littérature via un LLM (Claude Haiku) suivie d'une vérification manuelle. Les données couvrent divers substrats (principalement l'acier de pipeline/carbone) et environnements (laboratoire anaérobie, eau de mer, sol, eaux usées). La distribution des classes est de 68 % pour une CMI élevée (> 50 µm/an) et 32 % pour une CMI faible.
• Ingénierie des caractéristiques (Feature Engineering) : Vingt-quatre caractéristiques ont été dérivées à travers cinq catégories :
  • Caractéristiques de QS (Nouvelles) : Comprend un score d'activité de QS ($f_{QS}$), un proxy de signal AHL (binaire) et un indice de synergie QS-biofilm ($S_{syn}$).
  • Communauté de Biofilm : Présence d'organismes spécifiques (SRB, IOB, APB, méthanogènes), présence d'EPS, complexité de la communauté, et un « score d'agressivité du biofilm » ($S_{bio}$) pondéré par les types d'organismes.
  • Environnementales : Température, pH, sulfate, H2S, oxygène dissous (DO), salinité, et un score de stress chimique ($S_{chem}$).
  • Contextuelles : Type de matériau, durée d'exposition et statut de piqûration.
• Entraînement et Évaluation du Modèle : Quatre classifieurs ont été comparés : Random Forest (RF), XGBoost, Machine à Vecteurs de Support (SVM) et Perceptron Multicouche (MLP). Les modèles ont été évalués par validation croisée stratifiée à 5 plis (5-fold) et une séparation test de 80/20. L'analyse SHAP (SHapley Additive exPlanations) a été employée pour fournir les attributions globales des caractéristiques et interpréter le processus de décision du modèle.

Résultats Clés

• Performance du Modèle : Le classifieur Random Forest a surpassé tous les modèles de référence, atteignant un score F1 de 0,762 en validation croisée et un AUC-ROC de 0,846. Il a démontré une stabilité supérieure à XGBoost, qui présentait une variance plus élevée en validation croisée (F1 = 0,690 ± 0,131). L'apprentissage profond (MLP) a peu performé (F1 = 0,573), ce qui est cohérent avec les limites connues de l'apprentissage profond sur de petits jeux de données tabulaires.
• Importance des Caractéristiques : L'analyse SHAP a identifié l'oxygène dissous (0,347), la température (0,301) et le score de stress chimique (0,225) comme les trois principaux prédicteurs.
• Contribution de la QS : Crucialement, les caractéristiques composites dérivées de la QS (spécifiquement la synergie QS-biofilm et le score d'agressivité du biofilm) se sont classées dans le top 10 des caractéristiques les plus importantes. Cela confirme que la dynamique de communauté de la QS fournit une valeur prédictive au-delà de la simple présence d'organismes individuels.
• Stratification du Risque : Les graphiques de dépendance SHAP ont révélé une corrélation positive entre des scores d'activité de QS plus élevés et un risque de CMI prédit accru, ce qui concorde avec les preuves biologiques indiquant que la stimulation de la QS régule à la hausse les gènes de réduction des sulfates et augmente les taux de corrosion. Une sous-tâche de régression a produit un $R^2$ modéré de 0,316, renforçant l'idée que la classification binaire du risque est la formulation la plus traitable pour cette échelle de données.

Signification et Revendications
Les auteurs affirment que ce travail représente l'un des premiers cadres de ML opérationnalisant les signaux de détection du quorum comme caractéristiques prédictives pour l'évaluation du risque de CMI. La signification de l'étude réside dans :

1. Intégration de Nouvelles Caractéristiques : Combler le fossé entre les mécanismes de QS au niveau moléculaire (ex. le contrôle médié par les AHL des gènes dsrABC et apsAB) et la prédiction du risque de corrosion au niveau macroscopique des infrastructures.
2. Interprétabilité Mécaniste : Utiliser SHAP pour lier directement les caractéristiques dérivées de la QS à la stratification du risque de CMI, fournissant un signal mécanistiquement interprétable cohérent avec les preuves transcriptomiques.
3. Curation de Données : Établir un jeu de données vérifié et multi-sources de 78 enregistrements pour soutenir l'intégration de caractéristiques biologiques complexes dans la modélisation de la corrosion.

L'article maintient un ton modeste concernant la généralisabilité, reconnaissant que le jeu de données de 78 enregistrements limite l'applicabilité large et que les caractéristiques de QS n'étaient disponibles que pour 23 % des enregistrements. Les auteurs suggèrent que les travaux futurs devraient se concentrer sur l'expansion du jeu de données via l'augmentation de données et l'intégration de flux de capteurs électrochimiques continus avec les caractéristiques de la QS pour une surveillance en temps réel.