Inférences faiblement supervisées de la dynamique moléculaire pour l'imagerie de fluorescence en milieu physiologique

Weakly-supervised inferences of molecular dynamics for fluorescence imaging in physiological environment

• Auteur / Autrice : Piyush Mishra
• Direction : Philippe Roudot
• Type : Projet de thèse
• Discipline(s) : Mathématiques
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Mathématiques et Informatique de Marseille
• Partenaire(s) de recherche : Laboratoire : I2M - Institut de Mathématiques de Marseille

Mots clés

Mots clés libres

Deep learning

Imagerie de fluorescence

Dynamique moléculaire

Deep learning

Fluorescence imaging

Molecular dynamics

Résumé

Au cours de la dernière décennie, d'importantes avancées dans la microscopie en direct 3D ont permis l'imagerie de cellules hautement dynamiques intégrées dans des environnements imitant les tissus humains. Bien que ces images suggèrent que les cellules pathologiques se comportent très différemment dans les tissus par rapport à une lame en verre, les processus moléculaires régissant ces scènes 3D dynamiques sont généralement trop complexes pour être compris par une simple inspection visuelle. Ainsi, si les algorithmes d'estimation de mouvement en 2D se sont révélés puissants pour reconnaître les processus dynamiques observés dans les données d'image, de nouvelles approches doivent être conçues pour détecter des motifs invisibles dans ces nuages biomoléculaires. Un problème clé dans les approches conventionnelles réside dans leur forte dépendance des connaissances a priori sur la dynamique sous-jacente afin de 'relier les points', c'est-à-dire les molécules détectées sur chaque image. Pour résoudre ce problème, notre stratégie générale repose sur la conception conjointe d'algorithmes et d'expériences où la puissance prédictive de notre modèle repose moins sur les connaissances a priori sur la biodynamique d'intérêt et davantage sur ce que nous connaissons déjà sur la réponse du système d'imagerie. En résumé, nous augmenterons la fréquence d'images pour produire des ensembles de données où la biodynamique locale peut être facilement décrite par quelques a priori (par exemple, une vitesse constante), d'où l'approche 'faiblement supervisée'. Cependant, cela se fait au détriment de la précision de détection limitée par la réponse des fluorophores et le processus de formation d'image bruité. Ici, nous proposerons la modélisation conjointe du mouvement de la cible et du bruit induit par un faible rapport signal sur bruit (SNR) à l'aide d'ensembles finis aléatoires, ainsi que l'inférence évolutive de ses paramètres. Alors que les estimateurs associés à un tel modèle conjoint étaient depuis longtemps prohibitifs en termes de calculs à l'échelle des expériences biologiques, des travaux récents suggèrent que l'architecture des transformateurs peut constituer une alternative très efficace aux approches d'inférence classiques.

Within the last decade, major breakthroughs in 3D live microscopy have enabled the imaging of highly dynamic cells embedded in environments mimicking human tissues. While those images suggest that pathological cells behave very differently in tissues when compared to a glass coverslip, the molecular processes governing those dynamic 3D scenes are typically too complex to be understood by mere visual inspection. Hence, if algorithms for 2D motion estimation have proven powerful in recognizing dynamic processes observed in the image data, new approaches must be designed to mine for invisible patterns in those biomolecular clouds. A key issue in conventional approaches lies in its heavy reliance on a priori knowledge on the underlying dynamic in order to “connect the dots”, i.e. molecules detected on each images. To tackle this problem, our general strategy is centered on the joint design of algorithms and experiments where the predictive power of our model relies less on the a priori knowledge on the biodynamic of interest and more on what we readily know about the imaging system response. In a nutshell, we will increase the framerate to produce datasets where local biodynamics can be easily described by a handful of priors (e.g. constant velocity), hence “weakly super vised”. However, this is at the expense of detection accuracy that is limited by fluorophores response and the noisy image formation process. Here, we will propose the joint modeling of target motion and low-SNR-induced-clutter with random finite sets along with the scalable inference of its parameters. While the estimators associated to such joint model have long been computational prohibitive at the scale of biological experiments, recent works suggest that the transformer architecture can present a highly efficient alternative to classic inference approaches.