Reconstruction visuelle pseudo-temps d'un processus cellulaire dynamique – VISUALPSEUDOTIME

La biologie est par nature dépendante de l’observation. Les 50 dernières années ont été témoins d’une explosion des techniques permettant l’observation et la quantification du vivant. Les espèces sont actuellement séquencées à un rythme toujours croissant, le criblage à haut contenu permet de produire des millions d’images de cellules soumises à des milliers de traitements parallèles et la super résolution a permis de franchir la barrière de la diffraction. Cependant, malgré 20 ans d'expansion des données biologiques, d’innombrables processus cellulaires restent inaccessibles in vivo, en particulier chez les mammifères. C’est par exemple le cas de processus du développement qui s'étendent sur des semaines et sont cachés dans les profondeurs du tissu (par exemple dans le cerveau des mammifères). Ils sont inaccessibles in vivo à la résolution cellulaire et ne peuvent être imagés ex vivo pendant une longue période. Par conséquent, nous n’avons actuellement aucun moyen d’observer la plupart de ces processus de développement fondamentaux.

Dans ce projet, nous proposons de développer une méthode qui permettra de surmonter ces difficultés. Un large jeu d’images statiques de tissus va être acquis à la résolution cellulaire à partir d’échantillons de cerveaux de souris prélevés à intervalle de temps réguliers tout au long du développement. La méthode que nous proposons repose sur l’hypothèse que toutes les images d’une telle acquisition ne sont pas indépendantes. Ce sont des vues instantanées prises à des temps différents d’un même processus de développement sous-jacent, que nous allons reconstruire par apprentissage statistique. Une fois prétraitées, ces centaines de milliers d’images de cellules uniques vont permettre l'entraînement d’un premier modèle d’apprentissage profond auto supervisé dont l’objectif sera d’estimer le pseudo temps de chaque image de cellule, et ainsi permettre leur réordonnancement et l’identification du ou des quelques processus sous-jacents. Ces séquences d’images de cellules permettront alors d’entraîner un second modèle génératif profond à synthétiser des vidéos représentant ce ou ces processus cellulaires dynamiques dans leur environnement local en 2D ou 3D. En résumé, nous allons générer des vidéos artificielles réalistes, représentatives d’un long processus in vivo inaccessible directement par vidéomicroscopie, grâce à un apprentissage automatique effectué à partir d’images statiques de cerveaux de souris.

Les cellules épendymaires multiciliées sont des régulateurs essentiels de l’homéostasie et des fonctions du cerveau adulte. Après une validation quantitative précise de notre méthode sur des systèmes dynamiques connus et accessibles in vitro pour en estimer les limites, nous l’exploiterons pour déchiffrer la dynamique fine du développement des cellules épendymaires in vivo, qui aboutit à la formation de structures en rosace au sein de la niche neurogénique du cerveau de souris adulte. Cette méthode pourra par la suite être utilisée afin d’étudier d’autres processus cellulaires et étendue à plus large échelle au suivi de la progression d’une pathologie.