Analyse de l'hétérogénéité phénotypique et spatiale des cellules à partir de grandes données de microscopie

Analysis of phenotypic and spatial cellular heterogeneity from large scale microscopy data

• Auteur / Autrice : France Rose
• Direction : Auguste Genovesio
• Type : Thèse de doctorat
• Discipline(s) : Biologie cellulaire
• Date : Soutenance le 18/10/2019
• Etablissement(s) : Paris Sciences et Lettres (ComUE)
• Ecole(s) doctorale(s) : École doctorale Complexité du vivant (Paris)
• Partenaire(s) de recherche : Laboratoire : Institut de biologie de l'École normale supérieure (Paris ; 2010-....)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École normale supérieure (Paris ; 1985-....)
• Jury : Président / Présidente : Priscille Brodin
• Jury : Examinateurs / Examinatrices : Auguste Genovesio, Priscille Brodin, Berend Snijder, Thierry Feuillet, Thierry Dorval, Chloé-Agathe Azencott
• Jury : Rapporteurs / Rapporteuses : Berend Snijder

Mots clés

Mots clés contrôlés

Biologie

Mots clés libres

Criblage à haut contenu

Analyse d'images

Phénotypage cellulaire

Statistiques spatiales

High content screening

Image analysis

Cell phenotyping

Spatial statistics

Résumé

La robotique et l’automatisation des microscopes ont ouvert la voie aux cribles cellulaires à haut contenu : des marqueurs fluorescents ciblant l’ADN ou d’autres composants sont utilisés pour imager des centaines de milliers de cellules dans différentes conditions. Il a été montré que les cribles cellulaires sont efficaces pour découvrir des médicaments de nouvelles classes thérapeutiques, cad ceux qui agissent sur une nouvelle cible. Les cribles permettent d’identifier des composés prometteurs et de les caractériser en leur associant des annotations fonctionnelles, comme leur cible moléculaire ou leur mécanisme d’action (MOA).J’ai étudié l'hétérogénéité des réponses cellulaires à différents niveaux et comment cette hétérogénéité phénotypique peut être exploitée pour mieux caractériser les composés. Au premier niveau, j’ai étudié l'hétérogénéité entre patients. Nous avons montré qu’utiliser différentes lignées cellulaires dérivées de patients augmente la probabilité de prédire la cible moléculaire du composé testé. Le second niveau correspond à la diversité des réponses cellulaires de la même lignée cellulaire soumise au même traitement. Des méthodes de clustering appropriées peuvent être utilisées pour clarifier cette complexité et pour grouper les cellules en sous-populations. Les proportions de chaque sous-population par traitement permettent de prédire le bon MOA. Le troisième niveau regarde comment les sous-populations cellulaires sont organisées spatialement. J’ai trouvé que les cellules voisines s’influencent les unes les autres et affichent un phénotype similaire plus fréquemment qu’attendu par chance. Ces résultats obtenus sur une centaine de traitements montrent que des cellules génétiquement identiques ne sont pas identiques et indépendantes mais sont à l’origine d’une hétérogénéité spatiale par le lignage cellulaire et les interactions. En utilisant l’information spatiale ainsi que l'hétérogénéité phénotypique, les méthodes à noyaux de graphes améliorent la classification en MOA sous certaines conditions. Parallèlement, comme l’analyse spatiale peut s’appliquer à n’importe quelle image de microscopie, j’ai développé une librairie d’analyse Python, PySpacell, pour étudier l’aléatoire spatial de marqueurs quantitatifs et qualitatifs.

Robotics and automated fluorescence microscopes have promoted high-content cell-based screenings: fluorescent probes targeting DNA or other major components are used to image hundreds of thousands of cells under many different conditions. Cell-based assays have proven to be efficient at discovering first-in-class therapeutic drugs, i.e. drugs acting on a new target. They allow to detect promising molecules and to profile them, by associating functional annotations to them, like their molecular target or mechanism of action (MOA). I studied heterogeneity of cell responses at different levels and how this phenotypic heterogeneity can be leveraged to better profile drugs. The first level is about studying heterogeneity between patients. We showed that using different patient-derived cell lines increases the chance of predicting the correct molecular target of the tested drug. The second level corresponds to the diversity of cell responses within the same cell line under the same treatment. Appropriate clustering approaches can be used to unravel this complexity and group cells into subpopulations. The proportions of each subpopulation per treatment allow to predict the correct MOA. The third level looks at how the cell subpopulations are spatially organized. I found that neighboring cells influence each others, and display a similar phenotype more frequently than expected at random. These results assessed across a hundred of treatments, show that even genetically identical cells are not all alike and independent, but create spatial heterogeneity via cell lineage and interaction. Using spatial information as well as phenotypic heterogeneity with graph kernel methods improves the MOA classification under some conditions. Alongside, as spatial analysis could be applied on any cell microscopy image, I developed a Python analysis package, pySpacell, to study spatial randomness from quantitative and qualitative cell markers.