Déchiffrer les dynamiques du vieillissement à l'aide de la microfluidique et de l'apprentissage profond

Deciphering the aging dynamics using microfluidics and deep-learning

• Auteur / Autrice : Théo Aspert
• Direction : Gilles Charvin
• Type : Thèse de doctorat
• Discipline(s) : Biophysique
• Date : Soutenance le 17/12/2021
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale des Sciences de la vie et de la santé (Strasbourg ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Institut de génétique et de biologie moléculaire et cellulaire (Strasbourg)
• Jury : Président / Présidente : Michaël Ryckelynck
• Jury : Rapporteurs / Rapporteuses : Liesbeth Veenhoff, Damien Coudreuse

Mots clés

Mots clés contrôlés

Cycle cellulaire

Saccharomyces cerevisiae

Génétique

Vieillissement

Mots clés libres

Vieillissement

Cellule unique

Suivi longitudinal

Homéostasie

Division

Levure

Microfluidique

Apprentissage profond

Stochasticité

Aging

Single-cell

Longitudinal tracking

Homeostasis

Division

Yeast

Microfluidics

Deep-learning

Stochasticity

Résumé

Le vieillissement est un phénomène naturel défini par une dégradation des fonctions et une augmentation de la probabilité de mourir. Derrière cette description phénoménologique simple se cache un mécanisme complexe impliquant de nombreux processus biologiques dynamiques agissant à différentes échelles. Saccharomyces cerevisiae est l'un des organismes modèles les plus simples pour étudier le vieillissement. Pourtant, malgré les dizaines de marqueurs de vieillissement et de gènes de longévité identifiés, aucun mécanisme précis ne permet de décrire pourquoi une cellule meurt après avoir effectué un certain nombre de divisions. Cela est dû en partie à une puissance expérimentale limitée, les essais populationnels ne prenant pas en compte les hétérogénéités entre les cellules, tandis que les approches longitudinales à l’échelle de la cellule unique ont un débit trop faible actuellement, rendant difficile la liaison temporelle et causale entre les processus moléculaires menant à la mort. Par conséquent, nous avons développé un système basé sur la microfluidique, la microscopie rapide et l'apprentissage profond pour suivre des cellules uniques tout au long de leur vie, augmentant le débit de deux ordres de grandeur par rapport aux systèmes existants. Il permet de suivre et d’analyser plus de 30000 cellules par expérience et de détecter automatiquement les événements pertinents de leur vie tels que les divisions cellulaires. Ainsi, il est possible de cribler des marqueurs et des mutants de manière standardisée et systématique afin de saisir les liens et les temporalités des différents processus du vieillissement. En guise d'application, nous avons cherché à mesurer les statistiques d'un événement connu pour déclencher une cascade d'événements conduisant à la mort. Nous avons constaté que cet évènement avait la même probabilité quel que soit l’âge de la cellule, ce qui suggère que le vieillissement peut émerger de la stochasticité.

Aging is a natural phenomenon defined by a loss of fitness and an increase in mortality rate. Behind this simple phenomenologic description lies a complex mechanism involving many very dynamical biological processes acting at different scales. Saccharomyces cerevisiae is one of the simplest model organism to study aging. Yet, despite the dozens of hallmarks of aging and longevity genes identified, no precise mechanism can describe why a cell dies after a certain number of divisions. This is partly due to a limited experimental power, with populational assays not considering the heterogeneities between cells, while the current single-cell longitudinal approaches have a too low throughput, hence preventing to grasp the complexity of the phenomenon experimentally. Therefore, we developed a framework based on microfluidics, fast-microscopy, and deep-learning to track single-cells throughout their lifespan, with a throughput increase of two orders of magnitude compared to existing systems. With that, it is possible to track and analyse more than 30000 cells per experiment and automatically detect relevant events such as cell divisions. Thus, one can screen markers and mutants in a standardized and systematic manner in order to capture the links and temporalities of the different processes of aging. As an application, we sought to measure the statistics of an event thought trigger an cascade of leading to death. Interestingly, we found that this event was stochastic, suggesting that aging can arise from age-independent causes.