Soutenance de thèse de Rémy TORRO

Un défi actuel dans l’analyse d’images biologiques est la quantification de cellules uniques au sein de populations de cellules à partir de vidéos multimodales en microscopie. Bien que de nombreux outils soient disponibles pour segmenter, traquer et mesurer des cellules, l’assemblage d’un pipeline d’analyse d’images pour un nouveau système biologique nécessite des compétences de codage avancées et, très souvent aujourd’hui, des connaissances approfondies dans les techniques de supervision de modèles de Deep learning, avec la nécessité d’annoter pour entraîner les modèles. Certains logiciels tout-en-un ont été développés pour effectuer l’analyse d’images de cellules uniques, mais aucun d’entre eux n’est particulièrement adapté au traitement et à la visualisation de données dynamiques, manquant d’une description en signaux des cellules uniques. De plus, les fonctions d’annotation et d’entraînement des données de Deep learning sont systématiquement absentes de ces logiciels, limitant la transférabilité à de nouveaux systèmes biologiques. Nous avons développé Celldetective, un logiciel open-source qui intègre à la fois des techniques de segmentation basées sur l’IA et des techniques traditionnelles, un algorithme de tracking personnalisable et l’analyse automatisée des signaux dans une interface graphique conviviale, offrant des capacités complètes de visualisation interactive, d’annotation et d’entraînement. Celldetective prend nativement en charge une description en cellule unique pour une ou deux populations de cellules en coculture, en présence potentielle d’autres populations cellulaires, complétée par un mécanisme de voisinage. Nous démontrons son applicabilité à un nouvel essai de cytotoxicité cellulaire dépendante des anticorps (ADCC) basé sur de la microscopie optique, afin d’évaluer l’efficacité de nouveaux anticorps à double spécificités et de déchiffrer les interactions individuelles entre les cellules cibles et les cellules effectrices immunitaires. Par ailleurs, nous appliquons Celldetective à un système de cellules effectrices immunitaires s’étalant sur des substrats fonctionnalisés imagés à l’aide de la microscopie à contraste interférentiel par réflexion (RICM), pour laquelle nous décrivons des événements de cellules uniques consécutifs et effectuons une exploration approfondie des signaux. Nous étudions la possibilité d’accélérer le processus de reconstruction de topographie cellulaire avec du Deep learning. Au-delà de la démonstration de l’applicabilité, pour les deux applications, nous nous appuyons sur la description en cellule unique pour mieux caractériser et comprendre les systèmes biologiques étudiés.

Acurrent challenge in bioimage analysis is the quantification of single cells among cell populations from multimodal time-lapse microscopy images. While a plethora of tools are available to perform cell segmentation, tracking and measurements, assembling an image analysis pipeline for a new biological system requires advanced coding skills and, very often nowadays, extensive knowledge in Deep-learning supervision techniques, with the need to perform annotations to train models. While some all-in-one softwares emerged to perform single-cell image analysis, none of them are particularly adapted to process and visualize time-lapse data, lacking a single-cell signal description. In addition, Deep-learning data annotation and training features are systematically absent from these softwares, limiting transferability to newbiological systems. We developed Celldetective, an open-source software that integrates Deep-learning and traditional segmentation techniques, a customizable tracking algorithm, and automated signal analysis into a user-friendly graphical user interface, offering complete interactive visualization, annotation, and training capabilities. Celldetective natively supports a single-cell description for up to two cell populations in co-culture, potentially in the presence of other cell populations, complete with a neighborhood scheme. We demonstrate its applicability to a novel optical microscopy based antibody-dependent cellular cytotoxicity (ADCC) assay, to assess the efficiency of new bispecific antibodies as well as decipher one-to-one interactions between target and immune effector cells. In addition, we apply Celldetective to a system of immune effector cells spreading on functionalized substrates imaged using reflection interference contrast microscopy (RICM), for which we describe consecutive single-cell events and perform in-depth signal and feature exploration. We study the possibility of accelerating the cell topography reconstruction process with Deep learning. Going beyond a demonstration of applicability, for both applications we build on the single-cell description to characterize and better understand the biological systems under scrutiny.