Soutenance de thèse de Rémy TORRO
Ecole Doctorale
Physique et Sciences de la Matière
Spécialité
PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : BIOPHYSIQUE
établissement
Aix-Marseille Université
Mots Clés
analyse d'images biologiques,cellules uniques,RICM,vidéomicroscopie,Deep learning,ADCC,
Keywords
bioimage analysis,single-cells,RICM,time-lapse microscopy,Deep learning,ADCC,
Titre de thèse
Analyse à haut débit d'interactions dynamiques entre cellules uniques imagées par microscopie optique multimodale
High throughput analysis of dynamic single cell interactions imaged by multimodal optical microscopy
Date
Jeudi 4 Avril 2024
Adresse
CINaM - UMR 7325
CNRS - Aix Marseille Université
Campus de Luminy Case 913
13288 MARSEILLE Cedex 09
CAMPUS DE LUMINY - HEXAGONE
Jury
Directeur de these | M. Laurent LIMOZIN | CNRS |
Rapporteur | Mme Alice NICOLAS | CNRS |
Rapporteur | M. David ROUSSEAU | Université d'Angers |
Président | M. Loïc DUPRE | INSERM |
CoDirecteur de these | Mme Kheya SENGUPTA | CNRS |
Examinateur | M. Daniel SAGE | EPFL |
Résumé de la thèse
Un défi actuel dans lanalyse dimages 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, lassemblage dun pipeline danalyse dimages pour un nouveau système biologique nécessite des compétences de codage avancées et, très souvent aujourdhui, des connaissances approfondies dans les techniques de supervision de modèles de Deep learning, avec la nécessité dannoter pour entraîner les modèles. Certains logiciels tout-en-un ont été développés pour effectuer lanalyse dimages de cellules uniques, mais aucun dentre eux nest particulièrement adapté au traitement et à la visualisation de données dynamiques, manquant dune description en signaux des cellules uniques. De plus, les fonctions dannotation et dentraînement 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 lIA et des techniques traditionnelles, un algorithme de tracking personnalisable et lanalyse automatisée des signaux dans une interface graphique conviviale, offrant des capacités complètes de visualisation interactive, dannotation et dentraînement. Celldetective prend nativement en charge une description en cellule unique pour une ou deux populations de cellules en coculture, en présence potentielle dautres 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 dévaluer lefficacité 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 sétalant sur des substrats fonctionnalisés imagés à laide 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 daccélérer le processus de reconstruction de topographie cellulaire avec du Deep learning. Au-delà de la démonstration de lapplicabilité, pour les deux applications, nous nous appuyons sur la description en cellule unique pour mieux caractériser et comprendre les systèmes biologiques étudiés.
Thesis resume
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.