Upload
-
View
227
Download
1
Embed Size (px)
Citation preview
Dynamique des corps lipidiques dans la graine d'Arabidopsis thaliana
Soutenance de Thèse :
Directeur : Bertrand DubreucqCo-directeur : Alain Trubuil
Jury : Alain Zachowski (Rapporteur) – UPMC-UPEC, Créteil Charles Kervrann (Rapporteur) – INRIA, Rennes Jacques Fattaccioli (Examinateur) – ENS paris Olivier Martin (Examinateur) – INRA Versailles-Grignon
Présentée par : Ghassen Trigui
13/04/2023
Introduction
13/04/2023
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]).
Structure et composition du corps lipidique :
Introduction
13/04/2023
Figure : Modèle de la conformation d'une oléosine de 18 kDa à la surface du corps lipidique (D'après [Huang 1996]).
Structure de l’oléosine:
Introduction
13/04/2023
Figure : Modèle de Beisson de synthèse de corps lipidiques de la plante oléagineuse (D'après [Beisson 1999]).
Biogenèse du corps lipidique :
Introduction
13/04/2023
Objectifs :
I
•Analyse descriptive des données.
II
•Analyse statistique à l’aide d’un modèle.
III
•Modélisation de la dynamique du corps lipidique.
• 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 :
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
13/04/2023
13/04/2023
Traitement des données, extraction et analyse de l'information
Matériel :
VégétalType 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).
Cytologique 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
Objectif : 40 X
Ouverture numérique : 1.25
Outils de traitement d’image et de modélisation
AvizoFire �ND-SafirMatlab
R
Traitement des données, extraction et analyse de l'information
13/04/2023
Init
Filtered
Bin_mBin_M
Bin_m_f
Bin_m_F
Bin_R
Bin_R_i
Bin_R_F
Bin_all
Bin_all_in
Dist
Marker Dist_i
Marker_l
Wshed
Wshed_s
Wshed_s_b
Labels
Threshold 1 Threshold 2
Filter 2Filter 1
Reconstruct
Logical not
Logical or
Median 3D / Gaussian noise
Logical and
Logical or
Distance map
Logical notExtended max
Label
Watershed
Logical sub
Data – Volume
I_analyse
Border kill
Label
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Init
Filtered
Bin_mBin_M
Bin_m_f
Bin_m_F
Bin_R
Bin_R_i
Bin_R_F
Bin_all
Bin_all_in
Dist
Marker Dist_i
Marker_l
Wshed
Wshed_s
Wshed_s_b
Labels
Threshold 1 Threshold 2
Filter 2Filter 1
Reconstruct
Logical not
Logical or
Median 3D / Gaussian noise
Logical and
Logical or
Distance map
Logical notExtended max
Label
Watershed
Logical sub
Data – Volume
I_analyse
Border kill
Label
Pipeline de segmentation :
13/04/2023
Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Init
Filtered
Bin_mBin_M
Bin_m_f
Bin_m_F
Bin_R
Bin_R_i
Bin_R_F
Bin_all
Bin_all_in
Dist
Marker Dist_i
Marker_l
Wshed
Wshed_s
Wshed_s_b
Labels
Threshold 1 Threshold 2
Filter 2Filter 1
Reconstruct
Logical not
Logical or
Median 3D / Gaussian noise
Logical and
Distance map
Logical notExtended max
Label
Watershed
Logical sub
Data – Volume
I_analyse
Border kill
Label
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Init
Filtered
Bin_mBin_M
Bin_m_f
Bin_m_F
Bin_R
Bin_R_i
Bin_R_F
Bin_all
Bin_all_in
Dist
Marker Dist_i
Marker_l
Wshed
Wshed_s
Wshed_s_b
Labels
Threshold 1 Threshold 2
Filter 2Filter 1
Reconstruct
Logical not
Logical or
Median 3D / Gaussian noise
Logical and
Distance map
Logical notExtended max
Label
Watershed
Logical sub
Data – Volume
I_analyse
Border kill
Label
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Init
Filtered
Bin_mBin_M
Bin_m_f
Bin_m_F
Bin_R
Bin_R_i
Bin_R_F
Bin_all
Bin_all_in
Dist
Marker Dist_i
Marker_l
Wshed
Wshed_s
Wshed_s_b
Labels
Threshold 1 Threshold 2
Filter 2Filter 1
Reconstruct
Logical not
Logical or
Median 3D / Gaussian noise
Logical and
Distance map
Logical notExtended max
Label
Watershed
Logical sub
Data – Volume
I_analyse
Border kill
Label
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Init
Filtered
Bin_mBin_M
Bin_m_f
Bin_m_F
Bin_R
Bin_R_i
Bin_R_F
Bin_all
Bin_all_in
Dist
Marker Dist_i
Marker_l
Wshed
Wshed_s
Wshed_s_b
Labels
Threshold 1 Threshold 2
Filter 2Filter 1
Reconstruct
Logical not
Logical or
Median 3D / Gaussian noise
Logical and
Distance map
Logical notExtended max
Label
Watershed
Logical sub
Data – Volume
I_analyse
Border kill
Label
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
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.
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Init
Filtered
Bin_mBin_M
Bin_m_f
Bin_m_F
Bin_R
Bin_R_i
Bin_R_F
Bin_all
Bin_all_in
Dist
Marker Dist_i
Marker_l
Wshed
Wshed_s
Wshed_s_b
Labels
Threshold 1 Threshold 2
Filter 2Filter 1
Reconstruct
Logical not
Logical or
Median 3D / Gaussian noise
Logical and
Distance map
Logical notExtended max
Label
Watershed
Logical sub
Data – Volume
I_analyse
Border kill
Label
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
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.
Pipeline de segmentation :
Traitement des données, extraction et analyse de l'information
13/04/2023
Init
Filtered
Bin_mBin_M
Bin_m_f
Bin_m_F
Bin_R
Bin_R_i
Bin_R_F
Bin_all
Bin_all_in
Dist
Marker Dist_i
Marker_l
Wshed
Wshed_s
Wshed_s_b
Labels
Threshold 1 Threshold 2
Filter 2Filter 1
Reconstruct
Logical not
Logical or
Median 3D / Gaussian noise
Logical and
Distance map
Logical notExtended max
Label
Watershed
Logical sub
Data – Volume
I_analyse
Border kill
Label
Pipeline de segmentation :
13/04/2023
Traitement des données, extraction et analyse de l'information
13/04/2023
Traitement des données, extraction et analyse de l'information
13/04/2023
Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
13/04/2023
Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
13/04/2023
Traitement des données, extraction et analyse de l'information
Pipeline de segmentation :
Modélisation de la dynamique des corps lipidiques
13/04/2023
Extraction des données :
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]
A B C
Introduction
13/04/2023
Effets de l’interaction double
Effet de l’interaction simple
Erreur, distribution normale
Effet du jour
Effet de l’interaction triple
Valeur de Log (V) du nème corps lipidique au temps t
Référence
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 .
Analyse statistique :
Les valeurs sont obtenues par minimisation de la différence entre le modèle et la réponse.
Introduction
13/04/2023
Analyse statistique :
Modèle de régression linéaire
Modèle quantile
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
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
Modélisation de la dynamique des corps lipidiques
13/04/2023
Equation du modèle :
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.
Production d’un corps lipidique de volume x
Evolution du nombre de corps lipidiques de volume x par rapport au temps t
Modélisation de la dynamique des corps lipidiques
13/04/2023
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.
Modélisation de la dynamique des corps lipidiques
13/04/2023
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.
Modélisation de la dynamique des corps lipidiques
13/04/2023
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 :
Modélisation de la dynamique des corps lipidiques
13/04/2023
Hypothèses : HMOD3 : Le processus de production au niveau du RE produit une populationde CL homogène en volume et en charge. En s'appuyant sur H5 et H6, on en déduit alors que :
Modélisation de la dynamique des corps lipidiques
13/04/2023
Hypothèses :
Modélisation de la dynamique des corps lipidiques
13/04/2023
Estimation des paramètres :
Critère d’erreur :
Contraintes :
Modélisation de la dynamique des corps lipidiques
13/04/2023
Simulation numérique :
Tableau : Différents modèles de coalescence simulés pour la dynamique des corps lipidiques, ainsi que le mode d'estimation des paramètres utilisé.
Différents modèles développés :
Modélisation de la dynamique des corps lipidiques
13/04/2023
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.
Modélisation de la dynamique des corps lipidiques
13/04/2023
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.
Modélisation de la dynamique des corps lipidiques
13/04/2023
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.
Modélisation de la dynamique des corps lipidiques
13/04/2023
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.
Modélisation de la dynamique des corps lipidiques
13/04/2023
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,…).
Conclusion
13/04/2023
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.
Conclusion
13/04/2023
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.
13/04/2023
MERCI POUR VOTRE ATTENTION