Mots-Clés

Adipocyte - Taille cellulaire - Gouttelette Lipidique - Segmentation - Entrainement - Analyse multi-variées - Python

Description

Cette année 2024 demeurera comme celle au cours de laquelle la prévalence de l’obésité a franchi la barre symbolique du milliard d’individus de par le monde (1). Les altérations de la quantité, de la distribution et du métabolisme des tissus adipeux (TA) au cours de l'obésité sont nocives (2,3). Dans le TA blanc, spécialisé dans le stockage et la libération d'acides gras énergétiques, l'expansion de la gouttelette lipidique (GL) uniloculaire entraîne l'apparition d'adipocytes hypertrophiques associés à un profil cardio-métabolique défavorable (4). Chez les personnes obèses, la fonction thermogénique du TA brun et la capacité de brunissement du TA blanc sont compromises (3) ; les adipocytes bruns/beiges ou thermogéniques étant caractérisés par des GL multiloculaires et une faible taille d'adipocytes qui sont associés à une bonne santé cardio-métabolique (5, 6). Le développement récent d’algorithmes de segmentation cellulaire utilisant des réseaux de neurones par convolution, tels que Cellpose (7) ou Stardist (8), permet désormais de segmenter les GL multiloculaires des adipocytes bruns/beiges.

L’objectif de ce stage de M2 est double :

1. poursuivre la mise au point et le développement d’un outil d’intelligence artificielle nous permettant d’obtenir des données fiables et robustes de taille adipocytaire et de GL, ceci au niveau tissulaire et cellulaire à grande échelle.

2. déterminer par des outils d’analyses multivariées la contribution de la taille des GLs au métabolisme cellulaire, tissulaire et systémique.

Objectif 1. Perfectionnement d’un outil de dimensionnement automatisé des gouttelettes lipidiques

L’équipe AdipoLive a initié au cours d’un stage M1 en 2024 en partenariat avec la plateforme d’imagerie de l’I2MC (Rémy Flores-Flores) l’entrainement d’un modèle pour l’algorithme de segmentation cellulaire Cellpose (7) permettant la détection automatisée des GL des TA blanc et brun à partir de scans de tissus entiers. A partir d’une coupe histologique incluse en paraffine et colorée à l’hématoxyline et à l’éosine, l’inférence de ce modèle à plusieurs échelles de détection permet ainsi à grande échelle l’obtention de données précises et exhaustives pour une très large gamme de tailles de GL. Quelques étapes d’optimisation demeurent, actuellement en discussion avec une équipe toulousaine (MAMBO, CBI, Pierre-Armand Weiss), afin :

                i) d’entrainer un nouveau modèle de détection des GL pour l’algorithme de segmentation Stardist, celui-ci permettant de segmenter des objets se superposant, et d’adapter le protocole d’inférence multi-échelle utilisé pour Cellpose à Stardist.

ii) de pouvoir faire correspondre cellules (i.e. les adipocytes) et GLs dans les TA bruns et beiges. Les caractéristiques multiloculaires per se des adipocytes thermogéniques demeurent inconnues. Connaitre l’hétérogénéité des GLs des adipocytes thermogéniques (nombre et taille par cellule) dans diverses conditions constitue ainsi un réel enjeu physiopathologique.

                iii) de développer un outil open source de traitement d'images de TA thermogénique et de publier notre méthodologie.

                iv) de mettre au point l’analyse des GLs lors de la différenciation de préadipocytes humains en adipocytes blancs ou beiges.

Objectif 2. Quels sont les déterminants adipeux du dysmétabolisme ?

Grâce à une collaboration avec le laboratoire de Jake Lusis (UCLA, USA), nous avons réalisé des analyses histologiques de la taille d’adipocytes de TA blancs provenant d’un panel très varié génétiquement de souches de souris entièrement caractérisées aux niveaux du génotype et du phénotype (panel HMDP, 9). Les données multidimensionnelles sont prêtes à être analysées par des outils d’intégration de données et d’analyse multivariées (http://mixomics.org/), en interface avec Sébastien Dejean de l'IMT. L’étudiant(e) de M2 effectuera :

                i) des analyses bio-informatiques et biostatistiques sur les données morphométriques, « omiques » et phénotypiques du large panel HMDP, en lien avec les caractéristiques des GLs obtenues.

        ii) des analyses génomiques / génotypiques permettant d’établir une liste de gènes ou polymorphismes potentiellement à l’origine de l’hypertrophie adipocytaire et des désordres métaboliques associés.

L’ensemble des résultats obtenus nous permettra de :

- finaliser un outil prêt à l’emploi permettant à partir d’une simple coupe colorée de TA de déterminer avec précision la taille et la distribution des GL d’un tissu soumis à différentes conditions physiologiques ou physiopathologiques.

- collecter des données permettant d’approfondir au niveau génique ou environnementale le lien causal entre taille adipocytaire et dysfonction métabolique liée à l’obésité.

Références bibliographiques éventuelles :

1. NCD Risk Factor Collaboration (NCD-RisC), Lancet. 2024. PMID: 38432237. 2. Morigny. Nat Rev Endocrinol. 2021. PMID: 33627836. 3. Sakers. Cell, 2022. PMID: 35120662. 4. Stenkula. Am J Physiol. 2018. PMID: 29641234. 5. Becher. Nat Med. 2021. PMID: 33398160. 6. Qian. Nature. 2023. PMID: 36477540. 7. Pachitariu. Nat Methods. 2022. PMID: 36344832. 8. Schmidt. https://doi.org/10.1007/978-3-030-00934-2_30. 9. Lusis. J Lipid Res. 2016. PMID: 27099397.

Précisions éventuelles sur les techniques utilisées et/ou les compétences requises pour le(la) candidat(e):

Analyses histologiques & Imagerie

Analyse de larges données & Langage de programmation informatique (Python)

Analyses multivariables