mercredi 17 décembre 2025

par BUTEL Nathalie

Alexandre MARTIN, soutiendra sa thèse le mercredi 17 décembre 2025 à 14h, au laboratoire i3S dans la salle 007 du bâtiment les Algorithmes.

La thèse intitulée « Apprentissage profond pour l’analyse des organoïdes : modélisation par graphes des architectures cellulaires 3D » a été réalisée dans le pôle SIS, sous la direction de Xavier DESCOMBES.

La présentation sera en anglais.

 

Résumé 

Les organoïdes, ces mini-organes cultivés in vitro, révolutionnent la recherche biomédicale en offrant des modèles tridimensionnels qui reproduisent la complexité des tissus humains. Cependant, leur analyse reste largement tributaire de méthodes manuelles, lentes et sujettes à des biais d’interprétation. Ces structures, composées de cellules organisées en réseaux d’interactions spatiales et fonctionnelles, nécessitent des outils capables de capturer non seulement leur morphologie, mais aussi les relations cellulaires qui déterminent leur mode de fonctionnement. C’est dans ce contexte que les réseaux de neurones sur graphes (Graph Neural Networks, GNN) émergent comme une solution particulièrement adaptée, permettant de modéliser les organoïdes non plus comme des images statiques, mais comme des systèmes relationnels où chaque cellule est un nœud connecté à ses voisines par des liens reflétant des interactions biologiques. Cette thèse propose une approche innovante pour la modélisation et la classification automatisée des organoïdes à partir de graphes cellulaires, en exploitant pleinement le potentiel des GNN. Contrairement aux méthodes classiques basées sur des descriptions manuelles ou des réseaux de neurones convolutifs, qui analysent les images pixel par pixel, les GNN permettent d’intégrer des informations structurelles et contextuelles, en représentant chaque organoïde comme un réseau où les nœuds encodent des propriétés cellulaires (taille, forme, expression de marqueurs) et les arêtes capturent les relations spatiales. Cette représentation relationnelle ouvre la voie à une classification plus fine et plus interprétable, capable de distinguer des phénotypes subtils – comme des stades précoces de différenciation ou des altérations pathologiques – qui échappent aux approches traditionnelles. Pour surmonter les défis posés par la rareté des données annotées et la variabilité intrinsèque des organoïdes, cette thèse développe une pipeline complète, depuis la construction de graphes cellulaires à partir d’images de microscopie jusqu’à l’apprentissage robuste de modèles de GNN. Une attention particulière est portée à la génération de données synthétiques via des modèles génératifs de graphes, afin d’enrichir les jeux d’entraînement et d’explorer des scénarios rares ou extrêmes. Les applications de cette approche sont multiples : criblage à grande échelle de composés pharmaceutiques, diagnostic précoce de maladies à partir d’organoïdes dérivés de patients, ou encore optimisation des protocoles de culture pour standardiser la production d’organoïdes. À plus long terme, cette thèse jette les bases d’une analyse globale combinant imagerie, graphes cellulaires et données omiques, ouvrant la voie à une compréhension plus profonde des mécanismes biologiques sous-jacents et à des avancées en médecine personnalisée.