Développement de méthodes computationnelles pour la transcriptomique spatiale basée sur l'image

Les méthodes de transcriptomique spatiale offrent des informations essentielles sur l'hétérogénéité cellulaire et l'organisation spatiale des systèmes multicellulaires complexes. La combinaison d'informations moléculaires et spatiales aide à étudier l'architecture des tissus pendant le développement et les maladies. Bien que plusieurs approches commerciales soient disponibles, elles sont coûteuses et offrent une flexibilité limitée. En revanche, les méthodes développées en laboratoire "open source" offrent des alternatives économiques et personnalisables. Cependant, tant les approches commerciales que celles "open source" développées en laboratoire posent des défis analytiques. L'une des étapes d'analyse cruciales consiste à identifier les profils d'expression de l'ARN au niveau de la cellule unique. Par conséquent, une segmentation cellulaire précise est essentielle, car des profils d'ARN fiables dépendent de cellules correctement segmentées.Dans la première partie de cette thèse, je propose un guide étape par étape pour mettre en œuvre et réaliser une transcriptomique spatiale développée en laboratoire. Ce guide couvre l'ensemble du cycle de vie d'un projet, depuis sa définition initiale jusqu'aux choix expérimentaux,, à l'instrumentation et à l'analyse. Au-delà d'une ressource bibliographique, je présente deux de mes contributions. Tout d'abord, un pipeline d'analyse de données pour notre manuscrit récemment soumis, où nous présentons autoFISH, une boîte à outils complète pour effectuer des expériences automatisées de FISH à molécule unique (smFISH). Ensuite, je présente un environnement de simulation conçu pour guider le choix des gènes marqueurs en anticipant les défis analytiques.Dans une deuxième partie, je décris mon travail sur la segmentation cellulaire pour transcriptomique spatiale basée sur l'image (IST). Je présente deux nouvelles méthodes de segmentation, chacune adaptée à un type IST. Premièrement, j'ai développé ComSeg, une méthode de segmentation basée sur un nuage de points et utilisant un graphe de nœuds d'ARN pondérés par co-expression. ComSeg peut être utilisé sur des données IST ne comportant pas de coloration cellulaire. Deuxièmement, nous avons développé RNAseg, une méthode basée sur la coloration cellulaire qui exploite la position de l'ARN pour identifier les cellules dans des données où la coloration cellulaire est de qualité variable.