Thèse Ev-Finger Caractérisation des Vésicules Extracellulaires par Interférométrie à Rétroinjection Optique H/F - Doctorat.Gouv.Fr

Établissement : Institut National Polytechnique de Toulouse École doctorale : GEETS - Génie Electrique Electronique,Télécommunications et Santé : du système au nanosystème Laboratoire de recherche : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes Direction de la thèse : Adam QUOTB ORCID 0000000177461364 Début de la thèse : 2027-10-01 Date limite de candidature : 2026-11-23T23:59:59 Les vésicules extracellulaires (EV) sont des nanoparticules membranaires libérées par les cellules et impliquées dans la communication intercellulaire. Elles transportent des protéines, lipides, acides nucléiques et métabolites et participent à de nombreux processus physiologiques et pathologiques. Leur intérêt comme biomarqueurs et vecteurs thérapeutiques fait de leur caractérisation un enjeu majeur en biomédecine.

Cependant, les technologies actuelles d'analyse des EV présentent des limites importantes. La nanoparticle tracking analysis (NTA), la diffusion dynamique de la lumière (DLS), la microscopie électronique, la cytométrie en flux ou le tunable resistive pulse sensing fournissent des informations complémentaires sur la concentration, la taille ou la morphologie des particules, mais permettent difficilement d'en déterminer l'identité et l'origine. Certaines méthodes nécessitent également une préparation complexe des échantillons, un marquage fluorescent, des volumes importants ou des instruments coûteux. Un défi majeur est notamment de distinguer les EV bactériennes des EV mammifères, dont les propriétés peuvent être similaires. Une méthode sans marquage fondée sur leurs propriétés intrinsèques est donc nécessaire.

Le projet EV-FINGER propose une nouvelle approche basée sur l'Optical Feedback Interferometry (OFI), ou Self-Mixing Interferometry, pour détecter et caractériser des EV individuelles. L'hypothèse centrale est que chaque vésicule génère une « empreinte » interférométrique caractéristique, dépendant de sa taille, sa morphologie, sa composition membranaire, son indice de réfraction et son comportement dynamique. Ces signatures pourraient contenir suffisamment d'informations pour différencier des populations d'EV sans recours à un marquage moléculaire.

La thèse combinera quatre domaines complémentaires : OFI, microfluidique, traitement du signal et intelligence artificielle. Dans un premier temps, il s'agira de permettre la détection fiable d'EV individuelles et de comprendre l'influence de leurs propriétés sur le signal OFI. Des populations d'EV bien caractérisées permettront de relier leurs propriétés à leurs signatures interférométriques.

Des méthodes de traitement du signal et de machine learning seront ensuite développées pour extraire les informations pertinentes des signaux OFI et construire des modèles de classification. L'objectif sera notamment d'évaluer la capacité du système à distinguer les EV bactériennes des EV mammifères, y compris lorsque leurs distributions de taille et leurs propriétés optiques se recouvrent. Les résultats seront confrontés à des techniques de référence telles que la NTA, la microscopie électronique, la cytométrie en flux et les analyses moléculaires.

Enfin, l'approche sera progressivement évaluée dans des conditions biologiques plus complexes. Des mélanges contrôlés d'EV seront d'abord analysés, puis la méthode sera étendue à des matrices biologiques contenant des protéines, cellules et autres nanoparticules susceptibles de générer un bruit de fond. Cette étape permettra d'évaluer les performances de la plateforme dans des conditions proches des applications réelles.

Le projet s'appuie sur les expertises complémentaires de Toulouse INP-LAAS-CNRS en capteurs optiques et OFI, et de Nanyang Technological University en vésicules extracellulaires. Cette collaboration internationale permettra de rapprocher innovation technologique et expertise biologique.

À terme, EV-FINGER vise à établir les bases d'une plateforme analytique sans marquage, sensible et capable d'analyser des EV individuelles. L'ambition est de démontrer que leur signature optique peut servir d'empreinte pour leur détection, caractérisation et discrimination. Cette approche pourrait ouvrir de nouvelles perspectives pour l'étude des maladies infectieuses, du cancer et, plus largement, pour le développement d'outils de biosensing adaptés aux enjeux de la médecine de précision.
Extracellular vesicles (EVs) have emerged as fundamental mediators of intercellular communication in virtually every biological system. These nanoscale membrane-bound particles, secreted by mammalian cells, bacteria, fungi, and other microorganisms, transport a diverse cargo of proteins, lipids, nucleic acids, and metabolites that influence physiological and pathological processes. In recent years, EVs have gained considerable attention as biomarkers of disease, therapeutic delivery vehicles, and active participants in immune regulation, cancer progression, tissue regeneration, and infectious diseases.
Despite the rapid expansion of EV research, one of the major bottlenecks preventing both biological discoveries and clinical translation remains the lack of analytical technologies capable of accurately detecting, quantifying, and characterizing heterogeneous EV populations. Current gold-standard techniques including nanoparticle tracking analysis (NTA), dynamic light scattering (DLS), transmission electron microscopy (TEM), high-resolution flow cytometry, tunable resistive pulse sensing (TRPS), and single-particle interferometric imaging each provide only partial information. Most techniques measure particle concentration or size distribution but provide limited information regarding particle identity. Others require extensive sample preparation, fluorescent labeling, expensive instrumentation, or large sample volumes, making them difficult to implement in routine clinical or point-of-care settings.
A particularly important unmet need is the ability to discriminate extracellular vesicles from host-derived extracellular vesicles. During bacterial infections or cancer, biological fluids contain a highly complex mixture of vesicles originating from immune cells, epithelial cells, endothelial cells, platelets, and invading microorganisms. These vesicle populations often overlap considerably in size, morphology, and optical properties, making their discrimination extremely challenging. Current identification strategies largely rely on immunolabeling using antibodies directed against specific surface markers. There remains an urgent need for label-free technologies capable of distinguishing vesicles according to their intrinsic physical and optical signatures.
Recent advances in self-mixing interferometry (SMI) also known as OFI (Optical Feedback interferometry) offer a promising solution. Combined with adaptive signal processing and machine learning, SMI has demonstrated the ability to detect individual particles and classify them based on interferometric signals. These advances provide an opportunity to extend SMI toward extracellular vesicle analysis and exploit multidimensional optical fingerprints to distinguish bacterial EVs from mammalian EVs without fluorescent labeling.
Ultimately, the development of a label-free, high-sensitivity analytical platform integrating self-mixing interferometry, microfluidics, adaptive signal processing, and artificial intelligence has the potential to overcome longstanding limitations of current EV technologies, enabling quantitative detection, physical characterization, and intelligent classification of individual EVs for applications in infectious diseases, cancer, and precision medicine.
Although extracellular vesicles have demonstrated tremendous potential as biomarkers and therapeutic agents, current analytical technologies remain at relatively low to intermediate Technology Readiness Levels. Existing methods require multiple instruments, extensive sample preparation, labeling strategies, expert operators, and lack standardization, limiting translation into routine clinical diagnostics.

The proposed project seeks to bridge this gap by translating recent advances in self-mixing interferometry from proof-of-concept laboratory demonstrations toward validation in biologically relevant environments. The central hypothesis is that each extracellular vesicle generates a unique interferometric fingerprint determined by its size, morphology, membrane composition, refractive index, and dynamic behavior. Adaptive signal processing and machine-learning algorithms will exploit these multidimensional signatures to classify EV populations without molecular labeling.
The main objective of the EV-FINGER project is to develop a label-free optical method based on Optical Feedback Interferometry (OFI) for the detection, characterization, and discrimination of individual extracellular vesicles (EVs).

The project will pursue four main objectives:

Develop an OFI-based platform for the reliable detection of individual extracellular vesicles in a controlled microfluidic environment.
Identify and characterize EV optical fingerprints by investigating the relationships between OFI signatures and their intrinsic properties, including size, morphology, refractive index, and membrane composition.
Develop signal-processing and artificial intelligence methods to extract relevant features from OFI signals and classify different EV populations, with a particular focus on distinguishing bacterial EVs from mammalian EVs.
Assess and validate the robustness of the approach using controlled EV mixtures and progressively more complex biological matrices, and compare the results with established reference techniques such as nanoparticle tracking analysis (NTA), electron microscopy, flow cytometry, and molecular analyses.

Ultimately, the project aims to demonstrate the feasibility of a sensitive, label-free, and potentially compact platform for single-EV analysis, opening new perspectives for biosensing and biomedical applications. The scientific strategy will combine optical feedback interferometry (OFI), microfluidics, signal processing, and artificial intelligence to progressively develop a label-free approach for extracellular vesicle (EV) analysis. The work will first focus on establishing the conditions for reliable detection of individual EVs and on understanding how their physical and optical properties influence the OFI signal. Well-characterized EV populations will be used to establish the relationship between their properties and their interferometric signatures.
The second step will investigate whether these signatures can be exploited as optical fingerprints for EV characterization and discrimination. Advanced signal-processing and machine-learning methods will be developed to extract relevant information from the OFI signals and distinguish EV populations, with particular emphasis on discriminating bacterial EVs from mammalian EVs. The use of controlled EV populations and complementary characterization techniques such as NTA, TEM, flow cytometry and molecular analysis will provide the biological reference required to interpret and validate the optical measurements.
Finally, the approach will be progressively evaluated in more complex biological samples to assess its robustness and relevance under realistic conditions. Controlled mixtures of bacterial and mammalian EVs will first be investigated to determine whether the developed optical fingerprints can reliably discriminate different EV populations, including populations with overlapping size distributions and similar optical properties. The methodology will then be extended to biological matrices, where EVs coexist with proteins, cells, and other nanoparticles that may contribute to background scattering. This step will allow the sensitivity, specificity, reproducibility, and classification performance of the OFI-based approach to be evaluated under increasingly challenging conditions, and will determine its potential as a complementary tool for label-free EV analysis in biomedical applications.

Le candidat devra avoir un profil multidisciplinaire combinant de solides compétences en intelligence artificielle, systèmes embarqués, traitement du signal et analyse de données, ainsi qu'une forte motivation pour appliquer ces technologies aux problématiques liées à la santé. Le candidat devra disposer d'une formation solide en informatique, génie électrique, systèmes embarqués, optoélectronique ou dans un domaine connexe, ainsi que d'une expérience démontrée en apprentissage automatique et dans le développement de systèmes de détection intelligents.

Compte tenu de la nature interdisciplinaire du projet, le candidat devra également manifester un intérêt pour les applications biologiques et être disposé à interagir avec des biologistes, des médecins et des experts en santé publique. Une expérience en vision par ordinateur, apprentissage profond, edge computing ou plateformes embarquées constituera un atout. Des connaissances en systèmes d'acquisition de données et en environnements de programmation couramment utilisés pour l'intelligence artificielle et les applications embarquées seront également appréciées.

Au-delà des compétences techniques, le candidat devra démontrer un fort intérêt pour la recherche interdisciplinaire et la collaboration internationale. Le doctorat impliquera des interactions scientifiques entre Toulouse INP / LAAS-CNRS et Nanyang Technological University à Singapour. Le candidat devra ainsi être capable de combiner innovation technologique et compréhension des problématiques biologiques, afin de contribuer au développement de systèmes de biosurveillance autonomes de nouvelle génération répondant aux enjeux du changement global et de l'approche One Health.

Application link : https://edd-projets.utoulouse.fr/