13-Partenariat Public Privé dans le domaine de santé.pdf
Diapo soutenance gtrigui
1. Soutenance de Thèse :
Dynamique des corps lipidiques dans la graine
d'Arabidopsis thaliana
Présentée par : Ghassen Trigui
Directeur : Bertrand Dubreucq
Co-directeur : Alain Trubuil
20/02/2014
Jury :
Alain Zachowski (Rapporteur) – UPMC-UPEC, Créteil
Charles Kervrann (Rapporteur) – INRIA, Rennes
Jacques Fattaccioli (Examinateur) – ENS paris
Olivier Martin (Examinateur) – INRA Versailles-Grignon
2. Introduction
Structure et composition du corps lipidique :
Figure : Structure et composition d'un corps lipidique : Un corps lipidique est formé d'une
matrice de TAGs entourée d'une monocouche de phospholipides dans laquelle trois types
de protéines sont insérées : l'oléosine (la protéine majeure du corps lipidique), la caléosine
et la stéroléosine (D'après [Tzen 2012]).
20/02/2014
4. Introduction
Biogenèse du corps lipidique :
Figure : Modèle de Beisson de synthèse de corps lipidiques de la plante oléagineuse
(D'après [Beisson 1999]).
20/02/2014
5. Introduction
Objectifs :
• L'objectif de cette thèse est de modéliser la formation et la dynamique des corps
lipidiques dans la graine en développement de l'espèce Arabidopsis.
• Trois niveaux d’observations :
I
• Analyse descriptive des données.
II
III
20/02/2014
• Analyse statistique à l’aide d’un
modèle.
• Modélisation de la dynamique du
corps lipidique.
6. Plan de la présentation :
I.
Traitement des données, extraction et analyse de l'information
II. Analyse statistique des données
III. Modélisation de la dynamique des corps lipidiques
IV. Conclusion et perspectives
20/02/2014
7. Traitement des données, extraction et analyse de l'information
Matériel :
Végétal
Cytologique
Type
sauvage
d’Arabidopsis
thaliana et mutant
déficients en une
des 3 oléosines
considéré, S1, S3, S4
(s1, s3, s4), ou deux
(s1s3, s1s4, s3s4) ou
trois (s1s3s4).
Marquage au rouge
nil
pour
la
visualisation
des
lipides neutres dans
les corps lipidiques
Microscopie
confocale 3D
Microscope confocal
LEICA SP2 AOBS.
Résolution : 0.09 x
0.09 x 0.16 µm
AvizoFire—
ND-Safir
Matlab
R
Objectif : 40 X
Ouverture
numérique : 1.25
20/02/2014
Outils de
traitement d’image
et de modélisation
8. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Logical or
Init
Bin_all_
in
Median 3D / Gaussian noise
Distance map
Filtered
Threshold 1
Bin_M
Bin_m_
F
Reconstruct
Bin_R
Logical not
Bin_R_i
Logical and
Bin_R_F
Bin_all
20/02/2014
Extended max
Bin_m
Filter 1
Logical or
Dist
Threshold 2
Filter 2
Bin_m_
f
Logical not
Marker
Dist_i
Label
Marker
_l
Watershed
Wshed
Logical sub
Wshed_
s
Border kill
Wshed_
s_b
Label
Labels
Data – Volume
I_analyse
9. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
20/02/2014
10. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Logical or
Init
Bin_all_
in
Median 3D / Gaussian noise
Distance map
Filtered
Threshold 1
Bin_M
Bin_m_
F
Reconstruct
Bin_R
Logical not
Bin_R_i
Logical and
Bin_R_F
Bin_all
20/02/2014
Extended max
Bin_m
Filter 1
Logical or
Dist
Threshold 2
Filter 2
Bin_m_
f
Logical not
Marker
Dist_i
Label
Marker
_l
Watershed
Wshed
Logical sub
Wshed_
s
Border kill
Wshed_
s_b
Label
Labels
Data – Volume
I_analyse
11. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
20/02/2014
12. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Init
Bin_all_
in
Median 3D / Gaussian noise
Distance map
Filtered
Threshold 1
Bin_M
Bin_m_
F
Reconstruct
Bin_R
Logical not
Bin_R_i
Logical and
Bin_R_F
Bin_all
20/02/2014
Extended max
Bin_m
Filter 1
Logical or
Dist
Threshold 2
Filter 2
Bin_m_
f
Logical not
Marker
Dist_i
Label
Marker
_l
Watershed
Wshed
Logical sub
Wshed_
s
Border kill
Wshed_
s_b
Label
Labels
Data – Volume
I_analyse
13. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
20/02/2014
14. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Init
Bin_all_
in
Median 3D / Gaussian noise
Distance map
Filtered
Threshold 1
Bin_M
Bin_m_
F
Reconstruct
Bin_R
Logical not
Bin_R_i
Logical and
Bin_R_F
Bin_all
20/02/2014
Extended max
Bin_m
Filter 1
Logical or
Dist
Threshold 2
Filter 2
Bin_m_
f
Logical not
Marker
Dist_i
Label
Marker
_l
Watershed
Wshed
Logical sub
Wshed_
s
Border kill
Wshed_
s_b
Label
Labels
Data – Volume
I_analyse
15. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
20/02/2014
16. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Init
Bin_all_
in
Median 3D / Gaussian noise
Distance map
Filtered
Threshold 1
Bin_M
Bin_m_
F
Reconstruct
Bin_R
Logical not
Bin_R_i
Logical and
Bin_R_F
Bin_all
20/02/2014
Extended max
Bin_m
Filter 1
Logical or
Dist
Threshold 2
Filter 2
Bin_m_
f
Logical not
Marker
Dist_i
Label
Marker
_l
Watershed
Wshed
Logical sub
Wshed_
s
Border kill
Wshed_
s_b
Label
Labels
Data – Volume
I_analyse
17. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Init
Bin_all_
in
Median 3D / Gaussian noise
Distance map
Filtered
Threshold 1
Bin_M
Bin_m_
F
Reconstruct
Bin_R
Logical not
Bin_R_i
Logical and
Bin_R_F
Bin_all
20/02/2014
Extended max
Bin_m
Filter 1
Logical or
Dist
Threshold 2
Filter 2
Bin_m_
f
Logical not
Marker
Dist_i
Label
Marker
_l
Watershed
Wshed
Logical sub
Wshed_
s
Border kill
Wshed_
s_b
Label
Labels
Data – Volume
I_analyse
18. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Images intermédiaires de la procédure de segmentation par lignes de partage des
eaux. (A) Image binaire, (B) Image distance, (C) Complément de l'image distance,
(D) Image de marqueurs (maxima étendus), (E) Image de lignes de partage des
eaux, (F) Image segmentée.
20/02/2014
19. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Init
Bin_all_
in
Median 3D / Gaussian noise
Distance map
Filtered
Threshold 1
Bin_M
Bin_m_
F
Reconstruct
Bin_R
Logical not
Bin_R_i
Logical and
Bin_R_F
Bin_all
20/02/2014
Extended max
Bin_m
Filter 1
Logical or
Dist
Threshold 2
Filter 2
Bin_m_
f
Logical not
Marker
Dist_i
Label
Marker
_l
Watershed
Wshed
Logical sub
Wshed_
s
Border kill
Wshed_
s_b
Label
Labels
Data – Volume
I_analyse
20. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Images intermédiaires de la procédure de segmentation par lignes de partage des
eaux. (A) Image binaire, (B) Image distance, (C) Complément de l'image distance,
(D) Image de marqueurs (maxima étendus), (E) Image de lignes de partage des
eaux, (F) Image segmentée.
20/02/2014
21. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Init
Bin_all_
in
Median 3D / Gaussian noise
Distance map
Filtered
Threshold 1
Bin_M
Bin_m_
F
Reconstruct
Bin_R
Logical not
Bin_R_i
Logical and
Bin_R_F
Bin_all
20/02/2014
Extended max
Bin_m
Filter 1
Logical or
Dist
Threshold 2
Filter 2
Bin_m_
f
Logical not
Marker
Dist_i
Label
Marker
_l
Watershed
Wshed
Logical sub
Wshed_
s
Border kill
Wshed_
s_b
Label
Labels
Data – Volume
I_analyse
24. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
20/02/2014
25. Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
20/02/2014
26.
27. Modélisation de la dynamique des corps lipidiques
Extraction des données :
A
B
C
Figure : Evolution de différents estimateurs de la dispersion spatiale de corps lipidiques
pour chaque génotype à chaque stade du développement : A- Valeur médiane du volume,
B- Valeur médiane de la cellule de Voronoi et C- Valeur médiane de la fraction locale
[Miquel et al., 2014]
20/02/2014
28. Introduction
Analyse statistique :
Environ 200 images tridimensionnelles de différents échantillons on été analysées.
Chaque image correspond à un des 8 génotypes, observés à un des 5 stades (jours) du
développement .
Référence Effet du jour
Valeur de Log (V) du
nème corps lipidique
au temps t
Effet de l’interaction simple
Effets de l’interaction double
Erreur, distribution normale
Effet de l’interaction triple
Les valeurs sont obtenues par minimisation de la différence entre le modèle et la
réponse.
20/02/2014
29. Introduction
Analyse statistique :
Modèle de régression linéaire
Modèle quantile
Nous avons utilisé le modèle quantile pour τ 1, τ 2, τ 3, τ 4 et τ 5 pour, respectivement 0.1,
0.25, 0.5 (médiane), 0.75, et 0.9
L’effet de S1 est statistiquement
significatif pour tout les quantiles
S1 contribue à la diminution du
volume du corps lipidique
S3 a un effet significatif de réduction
du volume mais uniquement sur les
quantiles (τ4, τ 5)
Un effet synergique de l’interaction
S3 et S4
20/02/2014
30. Modélisation de la dynamique des corps lipidiques
Equation du modèle :
Evolution du nombre de
corps lipidiques de volume
x par rapport au temps t
Formation d’un corps lipidique de volume x à
partir de l'agrégation de deux corps
lipidiques de volumes respectives x-y et y.
Disparition d'un corps lipidique de volume
x suite à l'agrégation avec un corps
lipidique de volume quelconque.
20/02/2014
Production
d’un
corps lipidique de
volume x
31. Modélisation de la dynamique des corps lipidiques
Hypothèses :
H1 : Les corps lipidiques sont sphériques.
H2 : La distribution de charge est uniforme sur la membrane.
H3 : Le contenu du corps lipidique est électriquement neutre
H4 : L'agrégation est binaire.
20/02/2014
32. Modélisation de la dynamique des corps lipidiques
Hypothèses :
H5 : Il y a conservation du volume des CL lors de l'agrégation, soit :
H6 : Il y a conservation de la charge des CL lors de l'agrégation, soit :
H7 : Le pH du cytoplasme est constant durant le développement.
20/02/2014
33. Modélisation de la dynamique des corps lipidiques
Hypothèses :
Nous avons également défini des hypothèses de modélisation :
HMOD1 : Le taux d'agrégation est inversement proportionnel à la densité de charge.
HMOD2 : Le taux d'agrégation est multiplicatif. Le taux d'agrégation prend alors
la forme suivante :
En raison de l'hypothèse H1, on a aussi :
20/02/2014
34. Modélisation de la dynamique des corps lipidiques
Hypothèses :
HMOD3 : Le processus de production au niveau du RE produit une population
de CL homogène en volume et en charge. En s'appuyant sur H5 et H6, on en déduit alors que :
20/02/2014
35. Modélisation de la dynamique des corps lipidiques
Hypothèses :
20/02/2014
36. Modélisation de la dynamique des corps lipidiques
Estimation des paramètres :
Contraintes :
Critère d’erreur :
20/02/2014
37. Modélisation de la dynamique des corps lipidiques
Simulation numérique :
Différents modèles développés :
Tableau : Différents modèles de coalescence simulés pour la dynamique des corps lipidiques,
ainsi que le mode d'estimation des paramètres utilisé.
20/02/2014
38. Modélisation de la dynamique des corps lipidiques
Résultats :
Fig : Courbes d'ajustement du modèle génotypique/spatial modulé (5) : volume de corps lipidiques cumulé par unité de
volume de référence (CV). En noir, la densité CV observée avec erreur, en rouge, la densité estimée par ajustement des
paramètres.
20/02/2014
39. Modélisation de la dynamique des corps lipidiques
Résultats :
Fig : Courbes d'ajustement du modèle génotypique/spatial modulé (5) : volume de corps lipidiques cumulé par unité de
volume de référence (CV). En noir, la densité CV observée avec erreur, en rouge, la densité estimée par ajustement des
paramètres.
20/02/2014
40. Modélisation de la dynamique des corps lipidiques
Résultats :
Fig : Courbes d'ajustement du modèle génotypique/spatial modulé (5) : volume de corps lipidiques cumulé par unité de
volume de référence (CV). En noir, la densité CV observée avec erreur, en rouge, la densité estimée par ajustement des
paramètres.
20/02/2014
41. Modélisation de la dynamique des corps lipidiques
Résultats :
Fig : Courbes d'ajustement du modèle génotypique/spatial modulé (5) : volume de corps lipidiques cumulé par unité de
volume de référence (CV). En noir, la densité CV observée avec erreur, en rouge, la densité estimée par ajustement des
paramètres.
20/02/2014
42. Modélisation de la dynamique des corps lipidiques
Conclusion :
La qualité d’ajustements est plutôt moyenne.
Le modèle reste relativement sous-paramétré : manque de données et d’informations.
L’information spatiale est incluse explicitement dans le modèle.
Extensibilité pour la prise en compte d’autres processus (biogenèse locale, transfert par
murissement,…).
20/02/2014
43. Conclusion
Principaux résultats :
Mise en place d'un pipeline de traitement d'images
Implémentation de la procédure sous AvizoFire.
Exécution semi-automatique (deux paramètres à définir en entrée).
Analyse exploratoire des données :
Evolution des différents estimateurs pour chaque génotype à chaque stade.
Analyse statistique :
Analyse des données par modèle linéaire simple et modèle quantile.
Interprétation sur la contribution de chaque oléosine dans la taille des corps
lipidiques.
Modélisation de la dynamique de coalescence des corps lipidiques.
Modèle basé sur un processus physique : la coalescence
Définition d’un ensemble d’hypothèses.
20/02/2014
44. Conclusion
Perspectives :
Etude des caractéristiques biophysiques de la membrane des corps lipidiques :
Modélisation de la biophysique des membranes demi-couches lipidiques.
Paramètres de déformation de la membrane des corps lipidiques : expérience
d’aspiration par micropipettes.
Paramètres de diffusion des oléosines à la surface de la membrane : FRET,
FRAP,...
Validation du modèle de la dynamique de coalescence des corps lipidiques :
Acquisition de données en « time-lapse » sur de longues périodes.
Extraction des paramètres de coalescence à partir d’images.
Produire des oléosines sur-exprimées.
Faire de nouvelles hypothèses biologiques sur la base du modèle :
Autres processus de croissance des corps lipidiques.
Modélisation du taux de production.
20/02/2014