• Langue : Anglais
• Discipline : Micro-nanosystèmes et capteurs
• Identifiant : 2023ULILN040
• Type de thèse : Doctorat
• Date de soutenance : 11/12/2023

Résumé en langue originale

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.

Résumé traduit

Liquid biopsy is the term for using peripheral blood as a source to diagnose cancer. This minimally invasive technique targets biological samples as tumor signatures in the blood, e.g., circulating tumor cells (CTCs). The heterogeneous malignant potential of CTCs and the frequency with which they are found in the blood cause a significant challenge for successful detection. As CTCs go through mechanical stress during the metastasis process, e.g., intravasation and extravasation, investigating the response of the cell and its subcellular elements under different mechanical stimulation helps develop a reliable and practical method for clinical applications, e.g., early diagnosis, therapy assessment, and disease monitoring.The interest in the link between the cell's mechanical response at the subcellular level and biological properties needs certain features from a suitable measurement method. Among various mechanical measurement techniques, atomic force microscopy (AFM), the current golden standard, measures the deformation of an adherent cell with high sensitivity for elastic and viscoelastic properties. Its limitations for cells in suspension prevent the AFM use on liquid biopsy products. Microfluidics-based approaches, e.g., deformability cytometry, analyze the mechanical characteristics of cells in suspension. However, the lack of active compression prevents any practical control of cell deformation for in-depth analysis. To sum up, existing techniques show limitations in providing a practical and reliable way for all required features, e.g., mechanical characterization of cells in suspension and controlled compression even for high deformation without compromising subcellular visualization.I developed a method combining MEMS technology, artificial intelligence (AI), confocal imaging, and finite element modeling to fulfill the requirements for investigating the link between the mechanical characteristics and the metastatic potential of a cell. The first step was using 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 non (MCF10A & hTRET). Cell lines in each group did not show significant differences, but each group was significantly different. Applying AI algorithms resulted in a successful prediction rate of ~95% between cancer and non-cancer cells and >80% among three groups, proving that biophysical properties are good candidates for predicting the metastatic potential of cancer cells. Then, I adapted the method to integrate MEMS tweezers with confocal microscopy for visualizing subcellular elements of a single cancer cell simultaneously with its mechanical characterization. Real-time visualization of subcellular elements was combined with measurements of cells' mechanical characteristics to investigate the link between them. As the last step, the combined information on cells was used to develop a cell-specific finite element model based on experimental results for further analysis of subcellular elements such as the nucleus.The demonstrated method leads towards models representing exact cell structures to predict their biological properties based on mechanical ones. The link between cells' mechanical response and subcellular elements provides a rapid way to analyze cellular responses without time-consuming and expensive biological steps. Specific models developed by the demonstrated method can lead to critical applications that can be used routinely for early diagnosis, drug testing, and therapy monitoring with minimally invasive sample handling, e.g., liquid biopsy.