Soutenance de thèse de VANARET Jules
Titre de thèse
exploration de la structuration tissulaire et de la dynamique cellulaire stochastique en imagerie à photons limités d'organoïdes diffusifs : stratégies combinant apprentissage profond et approches bayésiennes
exploring tissue patterning and stochastic cellular dynamics in photon-limited imaging of light-scattering organoids: combined deep learning and bayesian strategies
Résumé de la thèse
Cette thèse explore la modélisation biophysique et computationnelle de l'auto-organisation dans les gastruloïdes, des modèles tridimensionnels in vitro du développement embryonnaire. Elle étudie comment les décisions cellulaires émergent d'interactions mécano-génétiques à l'échelle de la cellule individuelle, en s'appuyant sur des techniques avancées de microscopie, d'analyse d'images et de suivi pour quantifier les comportements cellulaires et les signaux du microenvironnement.
La première partie présente un pipeline méthodologique visant à quantifier les propriétés mécaniques et génétiques dans les tissus profonds des gastruloïdes. Une stratégie de segmentation basée sur l'apprentissage profond, adaptée aux formes hétérogènes des noyaux cellulaires, est alors développée. Celle-ci intègre l'amélioration du contraste et la fusion à double vue afin d'accroître la profondeur et la précision de l'imagerie.
En s'appuyant sur ces avancées en segmentation, l'étude explore le paysage mécano-génétique des gastruloïdes par des analyses quantitatives intégrant l'expression génique et la déformation cellulaire. Un pipeline computationnel dédié, basé sur Python, est introduit afin de permettre une analyse multi-échelle ainsi qu'une visualisation conviviale des résultats.
Dans la deuxième partie, les défis liés au suivi cellulaire dans les gastruloïdes sont évalués, en montrant comment la stochasticité et l'incertitude de mesure compliquent la reconstruction des lignées cellulaires. Différentes méthodologies de suivi utilisées en biologie du développement ou spécifiquement pour le suivi cellulaire sont passées en revue, menant au développement d'un cadre de filtrage bayésien permettant de quantifier l'incertitude de suivi à plusieurs échelles.
Enfin, ces méthodes probabilistes sont appliquées pour valider les algorithmes de segmentation et de suivi, illustrant comment l'approche bayésienne permet de guider le réglage non supervisé des paramètres ainsi que le classement des algorithmes de segmentation. À travers de nombreuses simulations et applications expérimentales, cette étude propose des méthodes rigoureuses facilitant l'analyse de la dynamique cellulaire dans des jeux de données complexes issus des gastruloïdes, avec des implications pour la biologie du développement et l'ingénierie tissulaire.
Thesis resume
This thesis explores the biophysical and computational modeling of self-organization in gastruloids, three-dimensional in vitro models of embryonic development. It investigates how cellular decisions emerge from mechanogenetic interactions at the single-cell level, leveraging advanced microscopy, image analysis, and tracking methodologies to quantify cellular behaviors and micro-environmental cues.
The first part presents a methodological pipeline to quantify mechanical and genetic properties in deep gastruloid tissues. A deep-learning-based segmentation strategy tailored for heterogeneous nuclei shapes is then developed, integrating contrast enhancement and dual-view fusion to improve imaging depth and accuracy.
Building on these segmentation advances, the study probes the mechanogenetic landscape of gastruloids, integrating quantitative analyses of gene expression and cellular deformation. A dedicated Python-based computational pipeline is introduced, enabling multiscale analysis and user-friendly visualization.
In the second part, the challenges of cell tracking in gastruloids are assessed, presenting how stochasticity and measurement uncertainty complicate lineage reconstruction. Various tracking methodologies applied in the context of cell tracking or developmental biology are reviewed, leading to the development of a Bayesian filtering framework for the multiscale quantification of tracking uncertainty.
The final sections apply these probabilistic methods to validate segmentation and tracking algorithms, demonstrating how the Bayesian filtering algorithm can guide unsupervised parameter tuning and segmentation algorithm ranking. Through extensive simulations and experimental applications, the study provides rigorous methods to aid cellular dynamics analysis in complex gastruloid datasets, with implications for developmental biology and tissue engineering.