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.