Méthodes d'apprentissage automatique pour le développement de la microscopie intelligente des dynamiques cellulaires

1. Résumé du projet

La microscopie optique moderne permet d’observer les processus moléculaires de cellules et de tissus vivants à une résolution spatio-temporelle sans précédent. La diversité, la variabilité et la plasticité des processus biologiques complexifient considérablement l’acquisition et le traitement d’images en microscopie. Il est donc nécessaire d’adapter les paramètres d’acquisition aux divers échantillons biologiques pour minimiser l’interférence avec les processus biologiques d’intérêt afin de les observer dans leur entièreté. Le développement et des applications récentes de l’apprentissage profond et de l’apprentissage de renforcement (RL) (ou plus généralement de l’apprentissage machine) révolutionnent la façon dont les scientifiques peuvent étudier des questions biologiques complexes et analyser leurs résultats. Nous proposons de développer des approches de microscopie automatisées pour 1) étendre les applications à des problèmes biologiques complexes, 2) améliorer la qualité et la robustesse de la technique sur les organismes vivants, et 3) repousser les limites de la résolution des processus biologiques. À cette fin, nous développerons des approches d’analyse, de génération et de contrôle en temps réel. Nous allons d’abord développer un cadre d’apprentissage multitâche (MTL) qui peut être facilement transféré à différentes modalités d’imagerie, échantillons biologiques et structures d’intérêt. Ce cadre de MTL sera appliqué à la détection et à la caractérisation en temps réel de structures nanoscopiques au moyen de la microscopie de super-résolution de type STED et à l’imagerie deux photons (2P) de l’activité neuronale dans le cerveau vivant des poissons zèbres. Nous appliquerons ensuite des approches génératives, par exemple les Réseaux Adversariaux Génératifs (GAN), pour reconnaître et déduire une représentation plausible dans des images de faible qualité afin de prédire des caractéristiques structurelles qui ne seraient visibles que dans des images de haute qualité. Appliquée à la microscopie STED et à la microscopie 2P, cette stratégie sera utilisée pour générer des prédictions à haute résolution des structures ciblées, ce qui permettra d’obtenir une résolution spatio-temporelle sans précédent. Enfin, en nous appuyant les approches que nous développerons à l’aide du MTL et des GAN, nous déploierons un modèle de RL profond basé sur un réseau neuronal convolutionnel pour prédire les paramètres d’imagerie à partir d’observations précédentes. Il en résultera un système interactif d’optimisation séquentielle de la microscopie optique. Nous adapterons les séquences de la microscopie STED afin d’optimiser la résolution spatio-temporelle possible, tout en minimisant les dommages causés par l’illumination pour rendre la méthode moins invasive. Nous appliquerons ensuite notre cadre interactif RL à l’imagerie 2P du cerveau du poisson zèbre afin de générer un modèle de balayage intelligent de différentes régions du cerveau en fonction de leur activité. Les développements technologiques combinant l’IA et la bio-ingénierie constitueront les piliers des dispositifs d’imagerie biomédicale de demain. Ceci permettra non seulement d’améliorer les performances des appareils, mais aussi d’accéder à de nouveaux modes de fonctionnement. Le potentiel de la recherche interdisciplinaire joignant les domaines de l’optique/photonique et de l’intelligence artificielle dans le but de favoriser les découvertes en sciences de la vie est énorme et devrait mener à des nouvelles stratégies pour aborder des problèmes qui étaient jusque-là hors de portée.