Thèse l'Embryon Comme Système d'Information Apprentissage Robustesse et Morphogenèse H/F - Doctorat.Gouv.Fr

Établissement : Université de Toulouse École doctorale : SDM - SCIENCES DE LA MATIERE - Toulouse Laboratoire de recherche : LPT - Laboratoire de Physique Théorique Direction de la thèse : Hervé TURLIER ORCID 0000000293329125 Début de la thèse : 2026-09-09 Date limite de candidature : 2026-07-01T23:59:59 Le développement embryonnaire précoce transforme un petit nombre de cellules en une structure multicellulaire organisée, robuste et reproductible. Ce projet de thèse vise à comprendre comment des décisions cellulaires locales, fondées sur l'état interne des cellules, leur voisinage, la signalisation et la mécanique du tissu, peuvent produire des trajectoires morphogénétiques complexes.

Le projet combinera modélisation physique des tissus, apprentissage par renforcement multi-agent et théorie de l'information. Les cellules seront représentées comme des agents capables de percevoir certaines informations locales et d'adapter leur comportement, par exemple leur division, leur polarité, leur adhésion, leur tension ou leur signalisation. L'objectif sera d'explorer quelles règles locales permettent de générer des formes embryonnaires robustes, et comment quantifier la complexité, l'information et la reproductibilité des trajectoires de développement.

La thèse s'appuiera sur des modèles mécanochimiques et des données issues de systèmes embryonnaires complémentaires, notamment l'ascidie, modèle de développement très invariant, et l'embryon de souris, plus variable. Le projet vise à développer un cadre computationnel général pour étudier l'émergence de la forme embryonnaire à partir de l'interaction entre gènes, mécanique, signalisation et décisions cellulaires. Le développement embryonnaire précoce constitue un exemple remarquable d'auto-organisation biologique : à partir d'un petit nombre de cellules, l'embryon établit progressivement une structure multicellulaire organisée, combinant géométrie, mécanique, signalisation et régulation génique. Malgré les progrès récents en imagerie, transcriptomique single-cell, modélisation physique et apprentissage automatique, il reste difficile de relier les décisions cellulaires locales aux formes globales produites par l'embryon.

Ce projet propose d'aborder cette question en considérant l'embryon comme un système d'information. Dans cette perspective, les cellules ne sont pas seulement décrites par leurs états moléculaires ou mécaniques, mais comme des unités dynamiques capables de percevoir certains aspects de leur environnement et d'adapter leur comportement. Cette approche permet de relier plusieurs questions fondamentales : quelle information une cellule doit-elle posséder pour contribuer correctement à la morphogenèse ? Comment cette information est-elle transmise par les contacts, les signaux ou la mécanique ? Quelles stratégies locales rendent le développement robuste au bruit et aux variations initiales ? L'objectif de cette thèse est de développer un cadre théorique et computationnel pour comprendre comment un embryon précoce peut être vu comme un système d'information dynamique, dans lequel les cellules acquièrent, transmettent et transforment des informations locales pour produire une organisation multicellulaire robuste.

Le projet cherchera à identifier quelles règles locales de décision cellulaire peuvent conduire à des trajectoires morphogénétiques reproductibles. Il s'agira notamment d'étudier comment les cellules intègrent leur état interne, leur voisinage, la signalisation et les propriétés mécaniques du tissu pour contrôler leur division, leur polarité, leur adhésion, leur tension ou leur destin.

La thèse visera également à utiliser l'apprentissage par renforcement pour explorer l'espace des stratégies développementales possibles, et la théorie de l'information pour quantifier la complexité, la robustesse, la reproductibilité et l'efficacité des trajectoires embryonnaires. Le projet combinera modélisation physique, simulation numérique, apprentissage par renforcement et outils issus de la théorie de l'information.

Une première partie consistera à construire des modèles mécanochimiques simplifiés du développement embryonnaire précoce. Ces modèles pourront coupler mécanique des tissus, régulation génique stochastique, signalisation intercellulaire, divisions cellulaires et géométrie embryonnaire. Ils s'appuieront sur les approches développées dans l'équipe, notamment les modèles vertex différentiables, les simulations multicellulaires et les méthodes d'inférence mécanique à partir d'images.

Une deuxième partie formulera certaines étapes du développement comme des problèmes d'apprentissage par renforcement multi-agent. Les cellules seront représentées comme des agents recevant des observations locales, par exemple leur état interne, leur position, leur voisinage ou leur état mécanique, et pouvant agir sur des variables comme la division, l'adhésion, la tension, la polarité ou la signalisation. Les fonctions de récompense pourront combiner des objectifs de forme, de topologie, de répartition des destins cellulaires, de robustesse et de reproductibilité.

Une troisième partie développera des mesures informationnelles adaptées aux trajectoires embryonnaires : information mutuelle entre états cellulaires et structures finales, complexité morphogénétique, robustesse au bruit, information topologique, ou encore mesures de causalité entre mécanique, signalisation et expression génique. Ces outils seront utilisés pour comparer différentes stratégies de développement et pour caractériser les principes favorisant des trajectoires robustes.

Selon les données disponibles, les modèles pourront être confrontés à des données d'imagerie live, de lignage cellulaire, de transcriptomique single-cell ou spatiale, et à des mesures mécaniques inférées. Des données synthétiques seront également générées afin d'évaluer l'identifiabilité des modèles et la capacité des méthodes à retrouver des règles de développement connues.

Compétences attendues :
- Master 2, diplôme d'ingénieur ou équivalent en physique, mathématiques appliquées, informatique scientifique, ou apprentissage automatique.
- Solide goût pour la modélisation mathématique et numérique.
- Excellentes compétences en programmation scientifique, idéalement en Python et éventuellement C++.
- Expérience avec un environnement moderne de calcul scientifique ou de machine learning, par exemple PyTorch, JAX, NumPy, SciPy ou équivalent.
- Curiosité scientifique et goût pour les questions fondamentales.
- Autonomie, rigueur et capacité à explorer des directions nouvelles.