Le foie possède une architecture complexe, essentielle à ses fonctions métaboliques. Il est composé de millions d’unités hexagonales appelées lobules. À l’intérieur, les hépatocytes, principales cellules hépatiques, sont organisés en rangées séparées par des capillaires sanguins appelés sinusoïdes. Ces capillaires sont formés par les cellules endothéliales sinusoïdales hépatiques (LSECs), constituant un endothélium fenêtré spécifique, crucial pour les échanges de métabolites et de protéines entre le sang et les hépatocytes. De plus, les hépatocytes voisins forment des canalicules biliaires, canaux micrométriques impliqués dans l’excrétion de la bile. L’étude de l’architecture hépatique est donc primordiale pour approfondir nos connaissances de l’ultrastructure et de la physiologie du foie, et pour identifier d’éventuelles altérations dans des contextes pathologiques ou génétiques. À la sortie du foie, la bile est dirigée vers les canaux biliaires via le canal de Hering, une jonction dont la composition cellulaire et l’organisation restent encore peu connues.
Ce projet de thèse s’inscrit à l’interface entre microscopie corrélative et analyse d’images pour étudier l’architecture hépatique. Le premier objectif a été de développer une méthode permettant d’analyser l’ultrastructure hépatique à une résolution nanométrique, en se concentrant sur l’endothélium fenêtré. La tomographie à rayons X a d’abord été utilisée pour identifier des régions d’intérêt dans les blocs de foie, suivie d’acquisitions en microscopie électronique à faisceau d’ions focalisé (FIB-SEM), permettant d’obtenir des volumes à différentes résolutions, jusqu’à quelques nanomètres. L’un des défis majeurs a été le développement d’un pipeline d’analyse d’images précis et efficace. Le machine learning a d’abord été appliqué avec Ilastik pour générer des segmentations de référence, Ground Truth, sur des sinusoïdes et canalicules biliaires. L’essor du deep learning a ensuite orienté notre stratégie vers des outils avancés, en particulier nnU-Net, basé sur l’architecture U-Net et utilisé pour la segmentation d’images médicales. Ce modèle est reconnu pour sa capacité à s’autoconfigurer pour le prétraitement, l’architecture et le post-traitement. Des optimisations ont néanmoins été nécessaires pour adapter son entraînement à nos données. Pour automatiser les mesures quantitatives des fenêtres des LSECs, la méthode cPSD (continuous Pore Size Distribution), a été utilisée pour quantifier les diamètres. Le dénombrement des fenêtres a quant-à-lui été réalisé via une projection du maillage 3D en 2D, selon un workflow développé par la plateforme Image Analysis Hub de l’Institut Pasteur (Paris). Cette méthodologie a permis de comparer l’ultrastructure du foie de souris sauvages avec celui de souris dont le gène codant pour BMP9 (Bone Morphogenetic Protein 9) a été délété. Des travaux antérieurs ont montré que l’absence de BMP9 provoque la capillarisation des LSECs et une fibrose hépatique. BMP9 joue donc un rôle important dans le maintien de l’état de différenciation des LSECs ce qui peut avoir un impact sur l’architecture et les fonctions hépatiques. Nos analyses quantitatives ont révélé des différences significatives dans la fenestration des LSECs chez les souris BMP9-KO, confirmant les observations précédentes.
​ Le deuxième objectif de la thèse était de développer une approche multi-échelle pour localiser et analyser l’ultrastructure du canal de Hering. Les échantillons ont été préparés sous forme de piliers compatibles avec la nanotomographie à rayons X sur la ligne ID16B de l’ESRF. Les tomogrammes ont permis de cibler des zones précises pour les acquisitions en FIB-SEM. Cette méthodologie ouvre la voie à une étude fine de l’organisation et de l’ultrastructure du canal de Hering à l’échelle nanométrique. ​​​
​
Contact : Aurélien Den​iaud