Elaboration d’une plateforme multimodale pour le suivi fonctionnel et la modélisation des tissues neuronaux tridimensionnels – 3DNeuroChip

Une approche d’ingénierie tissulaire a été utilisée pour optimiser et standardiser la production de réseaux neuronaux tridimensionnels in vitro qui permettent de collecter un large panel d’information. Les changements transcriptomiques ont été caractérisés par qPCR, les changements d’expression protéiques ont été mesurés par western blot, et l’activité des réseaux a été enregistrée de façon continue grâce aux MEA.
Des modèles in vitro capables de récapituler un phénotype autistique ont été obtenus pas induction chimique.
Des électrodes implantables ont été développées pour optimiser la sensibilité de nos mesures d’activité neuronale.
Des dispositifs ont été fabriqués pour permettre une relecture tridimensionnelle des réseaux dans le temps afin de permettre une modélisation in silico.
Des approches de machine learning ont été utiliser afin de formuler un model in silico pour ces réseaux in vitro.

- Prise de mesure
Amélioration du signal et de la durée de vie des électrodes par l’application de PeDot sur les électrodes
Conception et fabrication du dispositif nécessaire pour supporter ces implants dans une culture 3D
Enregistrement tridimensionnel de réseaux de neurones 3D avec implant 1ere génération.
Conception et validation de nouvelles électrodes (hollow ring)
- Biologie
Détermination de la dose nécessaire pour induire un phénotype autistique in vitro.
Premier phénotype autistique in vitro sur neurones de rat en 3D induit par VPA.
Caractérisation du développement de différences fonctionnelles par qPCR, western blot et MEA.
- Informatique
livraison d’un pipeline d’analyse du signal enregistré

- Nous avons développé le premier modèle autistique in vitro capable de fournir les données fonctionnelles qui faisaient jusque là défaut.
- Nous avons développé une nouvelle génération d’électrodes implantable avec une meilleure durée de vie plus appropriée à la longévité de nos échantillons, et qui fournissent un meilleur signal.
- Grace à notre nouveau dispositif nous pouvons désormais enregistrer l’activité neuronal de nos échantillons dans les 3 dimensions.
- Les data obtenus ont permis de commencer le travail de modélisation par machine learning.

Nous sommes désormais en mesure de deployer cette solution sur des cellules humaines de patients autistique issues de la reprogrammation cellulaire.
Notre objectif a cours terme est d'augmenter le nombre d'electrodes distribuées dans notre réseau 3D.

demande brevet EU : EP 22 306 404.9
publications soumises

Elaboration d’une plateforme multimodale pour le suivi fonctionnel et la modélisation des tissues neuronaux tridimensionnels

Les troubles neuronaux affectent 10% de la population mondiale (WHO 2016). Identifier des voies de prévention et de traitement est désormais devenu un enjeu sociétal majeur. Cependant, peu de données sur les pathologies humaines sont actuellement disponible du fait de la technicité nécessaire pour les acquérir. De plus, les études basées sur des modèles animaux donnent des résultats mitigés car impactées par un certains nombres de limitations : l’éthique animale qui réduit le nombre d’expérience possible, le prix important des manipulations, et la prise de conscience grandissante que ces modèles ne répliquent pas convenablement la progressions des maladies humaines.
A partir de ce constat, nous devons développer des systèmes expérimentaux in vitro capable de reproduire les propriétés importantes des tissus afin d’améliorer notre compréhension des pathologies humaines. De tels systèmes pourraient amener les études associées à une nouvelle dimension et pourrait produire plus rapidement de meilleures stratégies pharmaceutiques pour lutter contre les maladies du système nerveux. Dans ce but, l’objectif de ce projet est d’intégrer l’expertise de trois partenaires pour mettre au point une plateforme multimodale in vitro et in silico qui permette de mesurer de façon non-invasive le développement de tissues neuronaux tridimensionnels et ainsi en permettre la modélisation.