Caractérisation des adipocytes associés au cancer : approche méthodologique combinant la spectroscopie Raman aux méthodes d’inférence de trajectoire

Characterization of Cancer-Associated Adipocytes : A Methodological Approach Combining Raman Spectroscopy with Trajectory Inference Methods

• Auteur / Autrice : Nicolas Goffin
• Direction : Olivier Piot
• Type : Thèse de doctorat
• Discipline(s) : Aspects moléculaires et cellulaires de la biologie
• Date : Soutenance le 13/12/2023
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : Ecole doctorale Sciences Fondamentales et Santé (Reims, Marne)
• Partenaire(s) de recherche : Laboratoire : BioSpectroscopie Translationnelle (BIOSPECT) - EA 7506 (Reims, Marne)
• Jury : Président / Présidente : Ludovic Duponchel
• Jury : Examinateurs / Examinatrices : Olivier Piot, Erik Goormaghtigh, Hervé Rigneault, Stéphane Brézillon, Emilie Buache
• Jury : Rapporteurs / Rapporteuses : Erik Goormaghtigh, Hervé Rigneault

Mots clés

Mots clés contrôlés

Algorithmes

Chimiométrie

Spectroscopie Raman

Adipokines

Lipides -- Métabolisme

Adipocytes

Sein -- Maladies

Tumeurs

Cancer du sein

Mots clés libres

Spectroscopie Raman

Cancer du sein

Adipocytes

Inférence de trajectoires

Raman spectroscopy

Breast cancer

Adipocytes

Trajectory inference

Résumé

Le cancer du sein est une maladie complexe et hétérogène, affectant sa progression, son pronostic et sa réponse aux traitements. Cette variabilité provient non seulement de différences génétiques des cellules tumorales, mais aussi de l'influence du micro-environnement cellulaire et moléculaire entourant la tumeur. Les adipocytes, jouant un rôle clé dans la régulation du métabolisme lipidique, sont des acteurs essentiels du développement tumoral. L'interaction prolongée entre les cellules cancéreuses et les adipocytes entraîne une "reprogrammation" de ces derniers en "adipocytes associés au cancer" (CAAs), qui facilitent la croissance et la progression des tumeurs par la libération d'adipokines, de facteurs de croissance et de métabolites.Ce travail de recherche se concentre sur l'utilisation de la spectroscopie de diffusion Raman pour caractériser spectralement ces CAAs. La nature complexe des données vibrationnelles nécessite l'emploi de méthodes chimiométriques avancées pour classer ou discriminer les échantillons selon leurs états physiopathologiques. Cependant, en raison de la dynamique et de l'hétérogénéité des processus biologiques, comme la différenciation des adipocytes ou le développement du cancer, les méthodes traditionnelles peuvent s'avérer inadéquates.Dans ce contexte, les outils algorithmiques d'inférence de trajectoire (TI) sont intéressants. Initialement développés pour interpréter les données de transcriptomique à l'échelle de la cellule unique (scRNA-seq), ces algorithmes peuvent modéliser et reconstruire numériquement des processus biologiques, en exploitant l'hétérogénéité intrinsèque des populations cellulaires. L'objectif de cette thèse est d'utiliser ces outils pour caractériser spectralement les populations d'adipocytes. En particulier, l'algorithme Partition-based graph abstraction (PAGA) a été utilisé pour examiner toutes les sources de variations des gouttelettes lipidiques, qu'elles soient quantitatives ou compositionnelles, afin d'identifier des sous-populations d'adipocytes.

Breast cancer is a complex and heterogeneous disease, affecting its progression, prognosis, and response to treatments. This variability stems not only from genetic differences in tumor cells but also from the influence of the cellular and molecular microenvironment surrounding the tumor. Adipocytes, playing a key role in the regulation of lipid metabolism, are essential actors in tumor development. The prolonged interaction between cancer cells and adipocytes leads to the "reprogramming" of the latter into "cancer-associated adipocytes" (CAAs), which facilitate tumor growth and progression through the release of adipokines, growth factors, and metabolites.This research work focuses on the use of Raman scattering spectroscopy to spectrally characterize these CAAs. The complex nature of vibrational data requires the use of advanced chemometric methods to classify or discriminate samples according to their pathophysiological states. However, due to the dynamics and heterogeneity of biological processes, such as adipocyte differentiation or cancer development, traditional methods may prove inadequate.In this context, trajectory inference (TI) algorithmic tools are of interest. Originally developed for interpreting single-cell transcriptomic data (scRNA-seq), these algorithms can model and digitally reconstruct biological processes, exploiting the intrinsic heterogeneity of cellular populations. The goal of this thesis is to use these tools to spectrally characterize adipocyte populations. In particular, the Partition-based graph abstraction (PAGA) algorithm was used to examine all sources of variation in lipid droplets, whether quantitative or compositional, to identify sub-populations of adipocytes.