L'étude et la mesure des propriétés mécaniques telles que l'élasticité, l'adhésion et la viscoélasticité sont essentielles pour comprendre le comportement cellulaire et peuvent servir d'indicateurs de pathologie. Le cytosquelette est essentiel au maintien de la structure et de la fonction cellulaires, de sorte que les altérations de ses propriétés mécaniques, en particulier l'élasticité et l'adhésion, peuvent être associées à des maladies telles que le cancer. La microscopie à force atomique (AFM) est un outil avantageux pour mesurer ces propriétés et peut être utilisée pour différencier les cellules saines des cellules cancéreuses. Cependant, malgré ses capacités multiparamétriques, le faible débit de l'AFM est une limitation majeure. Cette thèse vise à résoudre ce problème en automatisant les mesures AFM et en utilisant l'intelligence artificielle (IA) pour, premièrement, classer les cellules cancéreuses et non-cancéreuses et, deuxièmement, permettre la détection et la compréhension de l'hétérogénéité cellulaire au sein des populations cancéreuses.
Pour ce faire, nous proposons une stratégie qui consiste à mesurer un grand nombre de cellules, ce qui pourrait aider à rendre compte de l'hétérogénéité au sein d’une même population cellulaire, en particulier dans la recherche sur le cancer. Tout d'abord, nous proposons une méthode pour minimiser l'hétérogénéité induite par les mesures AFM en optimisant des paramètres tels que la forme des cellules, la taille et la forme de l'indenteur AFM. Deuxièmement, nous proposons une méthode pour augmenter le nombre de cellules mesurées dans un temps donné en optimisant la vitesse d'indentation, le nombre de mesures par cellule et en automatisant le déplacement de la platine AFM. Ce grand ensemble de données généré sera ensuite utilisé pour entraîner des outils d'IA. Différents algorithmes de Machine Learning (ML) seront testés pour classer les cellules cancéreuses et non-cancéreuses en fonction de leurs caractéristiques mécanobiologiques, en se concentrant tout d'abord sur l'impact de la taille de l'ensemble de données d'entraînement sur la précision de la classification.
De plus, nous proposons une deuxième stratégie de classification basée sur de nouvelles caractéristiques mécanobiologiques. Cette approche maximise le nombre de caractéristiques extraites d'une seule mesure AFM, en particulier en mesurant à la fois les propriétés élastiques et visqueuses, afin d'enrichir l'ensemble de données pour la classification par IA.
Enfin, reconnaissant les limites des méthodes actuelles qui reposent sur l'extraction de valeurs numériques à partir de modèles mathématiques, qui ne rendent pas nécessairement compte de la complexité biologique des cellules, nous suggérons des approches alternatives, telles que l'utilisation de l'IA pour classer les courbes de force (FCs) en tant qu'images.
Nous préconisons également des techniques de ML non-supervisées et sans a priori pour rendre compte de l'hétérogénéité au sein d'une même population cellulaire.
En résumé, l'intégration de l'IA à l'AFM peut révolutionner la classification et le diagnostic cellulaires, bien que des progrès supplémentaires soient nécessaires pour exploiter pleinement ce potentiel dans des contextes cliniques. |
The study and measurement of mechanical properties such as elasticity, adhesion and viscoelasticity are crucial to understanding cellular behaviour and can serve as indicators of pathology. The cytoskeleton is essential for maintaining cell structure and function, so alterations in its mechanical properties, particularly elasticity and adhesion, may be associated with diseases such as cancer. Atomic force microscopy (AFM) is a valuable tool for measuring these properties and can be used to differentiate between healthy and cancerous cells. However, despite its multiparametric capabilities, the low throughput of AFM is a major limitation. This thesis aims to solve this problem by automating AFM measurements and using artificial intelligence (AI) to, firstly, classify cancerous and non-cancerous cells and, secondly, enable the detection and understanding of cellular heterogeneity within cancerous populations.
In order to classify two cell populations, we propose a strategy consisting of measuring a large number of cells, which could also help to consider heterogeneity within the same cell population, particularly in cancer research. Firstly, we propose a method for reducing the heterogeneity induced by AFM measurements by optimizing parameters such as the shape of the cells and the size and shape of the AFM indenter. Secondly, we propose a method for increasing the number of cells measured in a given time by optimizing the indentation velocity, the number of measurements per cell and by automating the movements of the AFM stage. The large dataset generated will then be used to train AI tools. Various machine learning (ML) algorithms will be tested to classify cancerous and non-cancerous cells based on their mechanobiological features, focusing first on the impact of the size of the training dataset on classification accuracy.
In addition, we propose a second classification strategy based on new mechanobiological features. This approach maximises the number of features extracted from a single AFM measurement, in particular by capturing both elastic and viscous properties, in order to enrich the dataset for AI classification.
Finally, recognizing the limitations of current methods that rely on extracting numerical values from mathematical models, which do not necessarily fully capture the biological complexity of cells, we suggest alternative approaches, such as using AI to classify force curves (FCs) as images.
We also advocate unsupervised and unbiased ML techniques to account for heterogeneity within a single cell population.
In summary, the integration of AI with AFM has the potential to revolutionize cell classification and diagnosis, although further advances are needed to fully exploit this potential in clinical contexts. |