Développement de méthodes computationnelles pour l'analyse de données transcriptomiques spatiales dans les tissus pulmonaires.

Development of computational methods for the analysis of spatial transcriptomic data in lung tissue.

• Auteur / Autrice : Thomas Defard
• Direction : Thomas Edgar Walter
• Type : Projet de thèse
• Discipline(s) : Bio-informatique
• Date : Inscription en doctorat le 05/01/2021
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Centre de bio-informatique (Fontainebleau, Seine et Marne)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université de Recherche Paris Sciences et Lettres (2015-2019)

Mots clés

Mots clés libres

Transcriptomiques spatiales

Méthodes computationnelles

Vison par ordinateur

Tissus pulmonaires

Spatial transcriptomic

Computational methods

Computer vision

Lung tissue

Résumé

La fibrose pulmonaire est une maladie chronique et évolutive caractérisée par la destruction des alvéoles et son remplacement par une cicatrice fibreuse. Les échanges gazeux alvéolaires sont donc perturbés entraînant ainsi une défaillance d'organe et la mort du patient. La maladie est une complication potentielle de la radiothérapie et est considérée comme une conséquence d'un long COVID. Les changements physiologiques au niveau tissulaire caractérisant la progression de la maladie sont encore mal connus. Dans un projet collaboratif entre l'Institut Curie, l'Institut Pasteur et Mines ParisTech / ARMINES, nous visons à analyser les changements induits par cette maladie dans ses phases précoces. Pour cela, nos collaborateurs utilisent des souris qui sont irradiées et dont nous obtenons des tissus pulmonaires. Sur ces tissus, nous pouvons visualiser des dizaines d'ARN différents simultanément par une technique appelée hybridation in situ par fluorescence à molécule unique (smFISH). L'objectif de cette thèse est de développer des méthodes de calcul pour analyser ces données. Le problème peut être décomposé comme suit: • Segmentation des noyaux • Détection des ARNm individuels (détection ponctuelle) • Estimation des régions cytoplasmiques à partir des résultats de détection d'ARN et de segmentation des noyaux. • Classification des types de cellules à partir des abondances d'ARN. • Analyse comparative des tissus sains et malades par rapport à la distribution spatiale des types de cellules. • Analyse computationnelle de la progression de la maladie en analysant les changements des distributions spatiales au cours du (pseudo-) temps.

Pulmonary fibrosis is a chronic and progressive disease characterized by the destruction of the alveoli and its replacement by a fibrotic scar. Alveolar gas exchanges are therefore disrupted thus leading to organ failure and patient's death. The disease is a potential complication of radio-therapy and is thought of being a consequence of long COVID. The physiological changes at the tissular level characterizing the progression of the disease are still poorly understood. In a collaborative project between the Institut Curie, Institut Pasteur and Mines ParisTech / ARMINES, we aim at analyzing the changes induced by this disease in its early phases. For this, our collaborators use mice that are irradiated and from which we obtain pulmonary tissues. On these tissues we can visualize dozens of different RNAs simultaneously by a technique called single molecule fluorescence in situ hybridization (smFISH). The objective of this PhD thesis is to develop computational methods to analyze these data. The problem can be decomposed as follows: • Segmentation of the nuclei • Detection of individual mRNAs (spot detection) • Estimation of the cytoplasmic regions from the RNA detection and nuclei segmentation results. • Cell type classification from the RNA abundances. • Comparative analysis of healthy and diseased tissue with respect to the spatial distribution of cell types. • Computational analysis of the disease progression by analyzing the changes in spatial distributions over (pseudo-) time.