AHMADIAN B.
Soutenance : 11 Décembre 2023
Thèse de doctorat en Micro-nanosystèmes et capteurs, Université de Lille, ENGSYS Sciences de l’ingénierie et des systèmes
Amphithéâtre de l’IEMN – Laboratoire central – Villeneuve d’Ascq
Résumé :
La biopsie liquide est le terme qui désigne l’utilisation du sang périphérique comme source de diagnostic du cancer. Cette technique peu invasive cible des échantillons biologiques comme des signatures tumorales dans le sang, par exemple les cellules tumorales circulantes (CTC). Les CTC étant hétérogènes et rares, leur détection constitue un défi de taille. Comme les CTC subissent un stress mécanique au cours du processus de métastase, l’étude de la réponse de la cellule et de ses éléments subcellulaires sous différentes stimulations mécaniques permet de développer une méthode fiable et pratique pour le diagnostic précoce, l’évaluation de la thérapie et le suivi de la maladie. L’intérêt pour le lien entre la réponse mécanique de la cellule au niveau subcellulaire et les propriétés biologiques nécessite certaines caractéristiques obtenues à partir d’une méthode de mesure appropriée. La microscopie à force atomique (AFM), technique de référence, mesure la déformation d’une cellule adhérente avec une grande sensibilité pour les propriétés élastiques et viscoélastiques. Ses limites pour les cellules en suspension empêchent son utilisation avec des produits de biopsie liquide. Des approches basées sur la microfluidique analysent les caractéristiques mécaniques des cellules en suspension. Cependant, l’absence de compression active empêche tout contrôle pratique de la déformation des cellules en vue d’une analyse approfondie. En résumé, les techniques existantes montrent des limites lorsqu’il s’agit d’obtenir un moyen pratique et fiable pour toutes les caractéristiques requises, par exemple, la caractérisation mécanique des cellules en suspension et la compression contrôlée même avec de forte déformation sans compromettre la visualisation subcellulaire. J’ai développé une méthode combinant la technologie MEMS, l’intelligence artificielle (IA), l’imagerie confocale et la modélisation par éléments finis pour étudier le lien entre les caractéristiques mécaniques et le potentiel métastatique d’une cellule. La première étape consistait à utiliser les signatures biophysiques des cellules pour prédire leur potentiel métastatique. J’ai choisi six lignées cellulaires de cancer du sein, formant trois groupes en fonction de leur potentiel métastatique : élevé (SUM159PT & MDA-MB-231), faible (MCF7 & T47D), et non (MCF10A & HTRET). Les lignées cellulaires de chaque groupe ne présentaient pas de différences significatives, mais chaque groupe était significativement différent. L’application d’algorithmes d’IA a permis d’obtenir un taux de prédiction de près de 95% entre les cellules cancéreuses et non cancéreuses et de plus de 80% entre les trois groupes, ce qui prouve que les propriétés biophysiques sont de bons candidats pour prédire le potentiel métastatique. J’ai ensuite adapté la méthode pour intégrer des pinces MEMS à la microscopie confocale afin de visualiser les éléments subcellulaires d’une cellule cancéreuse simultanément à sa caractérisation mécanique. Enfin, la visualisation en temps réel des éléments subcellulaires combinée aux mesures des caractéristiques mécaniques des cellules a été utilisée pour développer un modèle d’éléments finis spécifique à la cellule en vue d’une analyse plus poussée des éléments subcellulaires tels que le noyau. La méthode démontrée permet d’obtenir des modèles représentant des structures cellulaires exactes afin de prédire leurs propriétés biologiques sur la base des propriétés mécaniques. Le lien entre la réponse mécanique des cellules et les éléments subcellulaires élimine les étapes biologiques longues et coûteuses. Les modèles spécifiques développés par la méthode démontrée peuvent conduire à des applications critiques couramment utilisées pour le diagnostic précoce, les tests de médicaments et le suivi des thérapies avec une manipulation d’échantillons peu invasive, par exemple, la biopsie liquide.
Abstract :
Liquid biopsy is the term used to describe the use of peripheral blood as a source of cancer diagnosis. This minimally invasive technique targets biological samples as tumour signatures in the blood, such as circulating tumour cells (CTCs). Since CTCs are heterogeneous and rare, detecting them is a major challenge. As CTCs undergo mechanical stress during the process of metastasis, studying the response of the cell and its subcellular elements to different mechanical stimuli provides a reliable and practical method for early diagnosis, evaluation of therapy and monitoring of the disease. Interest in the link between the mechanical response of the cell at subcellular level and biological properties requires certain characteristics to be obtained from an appropriate measurement method. Atomic force microscopy (AFM), the reference technique, measures the deformation of an adherent cell with great sensitivity for elastic and viscoelastic properties. Its limitations for cells in suspension prevent its use with liquid biopsy products. Microfluidics-based approaches analyse the mechanical characteristics of cells in suspension. However, the absence of active compression prevents practical control of cell deformation for in-depth analysis. In summary, existing techniques show limitations when it comes to obtaining a practical and reliable means for all the required characteristics, e.g. mechanical characterisation of cells in suspension and controlled compression even with high deformation without compromising subcellular visualisation. I developed a method combining MEMS technology, artificial intelligence (AI), confocal imaging and finite element modelling to study the link between the mechanical characteristics and the metastatic potential of a cell. The first step was to use the biophysical signatures of cells to predict their metastatic potential. I chose six breast cancer cell lines, forming three groups according to their metastatic potential: high (SUM159PT & MDA-MB-231), low (MCF7 & T47D), and not (MCF10A & HTRET). The cell lines in each group did not differ significantly, but each group was significantly different. The application of AI algorithms resulted in a prediction rate of almost 95% between cancerous and non-cancerous cells and over 80% between the three groups, demonstrating that biophysical properties are good candidates for predicting metastatic potential. I then adapted the method to integrate MEMS tweezers with confocal microscopy in order to visualise the subcellular elements of a cancer cell simultaneously with its mechanical characterisation. Finally, the real-time visualisation of subcellular elements combined with measurements of the mechanical characteristics of the cells was used to develop a cell-specific finite element model for further analysis of subcellular elements such as the nucleus. The method demonstrated makes it possible to obtain models representing exact cellular structures in order to predict their biological properties on the basis of mechanical properties. The link between the mechanical response of cells and subcellular elements eliminates time-consuming and costly biological steps. The specific models developed by the method demonstrated can lead to critical applications commonly used for early diagnosis, drug testing and therapy monitoring with minimally invasive sample handling, e.g. liquid biopsy.