Intelligence artificielle pour la caractérisation de cultures cellulaires 3D acquises en imagerie de fluorescence à haut contenu

Ces dernières années, les cultures cellulaires 3D sont devenues la référence en biologie cellulaire, avec des applications allant de la recherche fondamentale au criblage à haut contenu de médicaments et à la médecine personnalisée. Parmi celles-ci, les organoïdes présentent un avantage majeur par rapport aux cultures cellulaires bidimensionnelles traditionnelles, en reproduisant fidèlement l’architecture et les fonctions cellulaires du tissu d’intérêt. Ainsi, les cultures cellulaires 3D s’imposent désormais comme des modèles biologiques incontournables pour étudier les mécanismes pathologiques, le développement normal des tissus, et pour évaluer la réponse aux traitements médicamenteux.L’objectif principal de ce projet de thèse était le développement d’outils informatiques destinés à l’analyse d’images de cultures cellulaires 3D obtenues à partir d’une plateforme de criblage à haut contenu utilisant la microscopie à feuille de lumière développée dans notre laboratoire. Ce système d’acquisition repose sur des puces microfabriquées, comportant des réseaux de micro-puits pyramidaux permettant à la fois la culture et l’imagerie tridimensionnelle d’organoïdes individuels. Grâce à cette approche, des images d’une centaine d’organoïdes peuvent être acquises en parallèle en utilisant deux modalités complémentaires : i) la microscopie de fluorescence à feuille de lumière mono-objectif soSPIM (single-objective Selective Plane Illumination Microscopy), qui permet d’acquérir des piles d’images tridimensionnelles multicanaux, et ii) la lumière transmise, permettant une acquisition rapide et sans marquage, d’images bidimensionnelles des échantillons. Associée à un algorithme intégré de détection des puits, cette stratégie permet d’automatiser entièrement le processus d’acquisition sur de longues périodes.Cette thèse présente un ensemble d’outils informatiques destinés au suivi et à la quantification des changements induits par les médicaments dans les cultures de sphéroïdes et d’organoïdes. Les méthodes développées comprennent i) un modèle de segmentation en temps réel basé sur l’apprentissage profond (deep learning) pour identifier rapidement les contours des organoïdes dans les images en lumière transmise, ii) une approche utilisant un modèle fondamental (foundation model) pour la segmentation volumétrique des organoïdes dans les images de fluorescence tridimensionnelles, et iii) un pipeline d’extraction de caractéristiques combinant des descripteurs traditionnels d’images avec des caractéristiques profondes issues de réseaux de transformeurs de vision (Vision Transformers, ViTs) et d’autoencodeurs variationnels (Variational Autoencoders, VAEs), afin de quantifier les différences morphologiques entre les différents points temporels et conditions expérimentales. Cette stratégie d’extraction des caractéristiques vise à la fois à intégrer un filtrage automatisé des organoïdes dans le flux de travail d’acquisition, et à fournir des outils robustes pour la caractérisation phénotypique des organoïdes en imagerie de fluorescence. Associées à notre dispositif d’imagerie basé sur le soSPIM, ces méthodes établies constituent une base solide pour le développement futur de pipelines expérimentaux entièrement automatisés, capables de prédire la réponse des cultures cellulaires 3D à divers traitements chimiques et biologiques.