Artificial Intelligence and Computational Tools to Study and Optimize Stem Cell Differentiation into Pancreatic Endoderm Lineages

La différenciation de cellules souches pluripotentes humaines en cellules bêta pancréatiques représente une voie thérapeutique prometteuse pour le traitement du diabète de type 1. Cependant, les protocoles actuels présentent des défis de reproductibilité, d’efficacité et d’évaluation non invasive de la qualité. Cette thèse propose une approche innovante basée sur l’intelligence artificielle (IA) et l’analyse comparative d’ontologie génique (OG) afin d’optimiser ces protocoles. Un système de surveillance non invasive utilisant l’imagerie par contraste de phase a été développé, combinant des modèles d’apprentissage automatique, notamment les machines à vecteurs de support (MVS) et les forêts aléatoires, pour évaluer précisément la qualité de la différenciation cellulaire en temps réel. Parallèlement, une analyse comparative des profils d’expression génique par séquençage d’ARN unicellulaire a permis d’identifier les écarts fonctionnels clés entre les cellules bêta dérivées in vitro et les cellules bêta fœtales naturelles. Cette approche intégrée a permis de proposer des améliorations significatives aux protocoles existants, visant à accroître la maturité fonctionnelle des cellules obtenues. Ces travaux contribuent directement à la mise en place d’un processus de différenciation cellulaire optimisé, fiable, non invasif et adapté aux applications thérapeutiques futures.

Abstract

The differentiation of human pluripotent stem cells into pancreatic beta cells represents a promising therapeutic strategy for treating Type 1 diabetes. However, existing differentiation protocols face critical challenges in reproducibility, efficiency, and functional maturity assess-ment. This thesis aims to address these gaps by integrating non-invasive artificial intelligence (AI)-based quality monitoring with comparative gene ontology (GO) analysis. The first objective involved developing a scalable, non-invasive monitoring system using phase-contrast microscopy coupled with machine learning models—primarily support vec-tor machines (SVM) and random forest regression—to accurately assess the differentiation quality in online mode. These models effectively distinguished standard from suboptimal differentiation outcomes by analyzing textural features correlated with key pancreatic pro-genitor markers, achieving high predictive performance. The second objective focused on comparing single-cell RNA sequencing (scRNA-seq) datasets from fetal and lab-derived beta cells through GO enrichment analysis. This comparative ap-proach identified significant functional discrepancies, pinpointing critical biological pathways underrepresented in lab-derived beta cells. Insights from these analyses have guided recom-mendations for refining differentiation protocols. Collectively, this research advances scalable, precise, and clinically relevant methods for op-timizing stem cell-derived beta cell production, with potential significant impacts on regen-erative medicine and diabetes therapy.