Thèse Méthodes Computationnelles pour la Segmentation et l'Analyse Spatio-Temporelle d'Organoïdes 3D H/F - Doctorat.Gouv.Fr

Établissement : Université de Bordeaux
École doctorale : Sciences de la Vie et de la Santé
Laboratoire de recherche : Institut Interdisciplinaire de Neurosciences
Direction de la thèse : Florian LEVET ORCID 0000000240096225
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-20T23:59:59

Les modèles d'organoïdes tridimensionnels (3D) constituent aujourd'hui des outils essentiels pour étudier l'organisation tissulaire, la biologie des tumeurs et les interactions avec le microenvironnement. Leur pertinence physiologique repose sur des architectures multicellulaires complexes et dynamiques, impliquant plusieurs types cellulaires. Toutefois, l'analyse quantitative et reproductible des données de microscopie 3D d'organoïdes demeure un défi majeur, notamment en raison des difficultés liées à la segmentation des cellules et à la caractérisation de leur organisation spatiale et temporelle.

Ce projet de thèse vise à développer des méthodes computationnelles automatisées pour l'analyse spatio-temporelle quantitative d'organoïdes multicellulaires 3D à partir de données de microscopie de fluorescence. Il s'articule autour de deux objectifs principaux.

Le premier objectif concerne la segmentation automatique des noyaux et des cellules non nucléaires dans les organoïdes 3D. Si des approches d'apprentissage profond telles que StarDist ou Cellpose sont efficaces pour la segmentation des noyaux, leurs performances restent limitées pour des conditions d'imagerie variées ou pour des cellules de morphologie complexe, comme les macrophages ou les fibroblastes. Le ou la doctorant·e évaluera et adaptera ces méthodes, et développera si nécessaire des stratégies hybrides ou spécifiques à certains types cellulaires, afin d'obtenir des pipelines de segmentation robustes et évolutifs.

Le second objectif porte sur l'analyse quantitative de l'organisation spatiale et temporelle des organoïdes à l'aide de représentations graphiques. À partir des segmentations, les organoïdes seront modélisés sous forme de graphes spatiaux basés sur des triangulations de Delaunay et des tessellations de Voronoï, permettant de quantifier les relations de voisinage et l'organisation multicellulaire à différentes échelles. Ces analyses seront étendues à des données temporelles afin de caractériser l'émergence, la réorganisation et la dynamique des structures multicellulaires au cours du temps.

Cette thèse sera menée au sein de l'équipe Quantitative Imaging of the Cell, dans un environnement de bio-imagerie computationnelle, en s'appuyant sur la plateforme PoCA et en étroite collaboration avec des partenaires expérimentaux développant des modèles d'organoïdes 3D, notamment en oncologie. Elle contribuera au développement de méthodes générales pour l'analyse quantitative des systèmes multicellulaires en 3D.

The hosting team entitled Quantitative Imaging of the Cell (IINS, CNRS UMR 5297, Bordeaux) led by J.B. SIBARITA has an internationally recognized expertise in the development of innovative instrumental and analytical methods for the quantification of biological mechanisms in various cellular models, with a strong emphasis on single-molecule localization based super-resolution imaging (Béghin et al., Nat Methods 2017), light-sheet microscopy (Galland et al., Nat Methods 2015; Béghin et al., Nat Methods 2022), and quantitative analysis (Levet et al. Nat Methods 2015; Levet and Sibarita, Nat Methods 2023).
F. LEVET has an internationally recognized expertise in computer science applied to advanced microscopy. He developed several analytical tools for the quantification of pixel and localization data applied to cell biology and neuroscience. Amongst these tools, we can list SR-Tesseler, cited more than 450 times and downloaded more than 2,500 times, Coloc-Tesseler, SpineJ and PoCA. Recently, he started to combine deep-learning (style transfer, segmentation) and traditional image and geometry processing for improving the segmentation of various biological models.
Furthermore, the team is also composed of O. THOUMINE, a renowned neurobiologist and R. GALLAND, a physicist that develops cutting-edge microscopes.

This PhD project aims to develop innovative computational methods for the automated analysis of 3D organoid microscopy data. It lies at the interface between computer science (deep learning and graph-based methods), image processing and bioimaging, and cell and tumor biology. The developed tools will enable robust segmentation of heterogeneous cell populations and quantitative spatiotemporal analysis of multicellular organization, with broad applicability to organoid-based models in biology and oncology.

This project will rely on the expertise of the team members in biology, microscopy and computer science. The PhD student will have access to a high-end computer equipped to perform deep learning, as required for the project. Data will be collected both in-house in close collaboration with the biologist and microscopists of the team, and by L. BRESSON-BEPOLDIN (BRIC, Bordequx) with whom we have an existing collaboration.

Nous recherchons un·e étudiant·e autonome, motivé·e et enthousiaste, disposant de solides compétences en apprentissage automatique et en informatique, et manifestant un intérêt pour la microscopie de fluorescence et les neurosciences. Le ou la candidat·e évoluera dans un environnement de travail anglophone, en interaction étroite avec des biologistes.

Il ou elle bénéficiera également d'un environnement hautement interdisciplinaire, encadré par des chercheurs et techniciens expérimentés. Le ou la doctorant·e pourra ainsi acquérir, au cours de cette thèse, un large éventail de compétences allant des approches de culture cellulaire et de marquage à des techniques avancées d'imagerie et d'analyse d'images.