Reconstruction de la microscopie de localisation à molécule unique assistée par l'apprentissage profond : amélioration de la robustesse et avancée vers les cellules vivantes: La microscopie optique est une technique centrale en biologie cellulaire, mais la diffraction limite sa résolution à environ 200-300 nm. Par conséquent, de nombreuses structures moléculaires telles que les virus, les pores nucléaires ou les microtubules, ne peuvent pas être résolues. La microscopie de localisation à molécule unique (SMLM) offre une résolution spatiale élevée (20 nm ou mieux), permettant de résoudre les structures biologiques à l'échelle moléculaire. Cependant, la SMLM nécessite l'acquisition de plusieurs milliers d’images à base résolution, ce qui limite ses applications aux cellules fixes ou aux structures à dynamique lente. Pour surmonter cette limitation, Ouyang et al. (2018) ont développé une approche d'apprentissage profond appelée ANNA-PALM, capable de reconstruire des images super-résolutives à partir d'un nombre beaucoup plus réduit d'images à basse résolution. Cependant, la méthode ANNA-PALM originale présente plusieurs contraintes. Tout d'abord, cette méthode présente des artefacts lorsqu'elle est appliquée à des images obtenues avec des protocoles ou dans des conditions expérimentales différents des données d'entraînement. Par ailleurs, ANNA-PALMn'a été démontrée que sur des cellules fixes. Ma thèse vise à résoudre ces limitations : 1) en améliorant la robustesse d’ANNA-PALM pour des données issues de laboratoires ou de conditions expérimentales différents et 2) en l’étendant à la visualisation super-résolutive de structures biologiques dynamiques dans les cellules vivantes. 1. Amélioration de la robustesse d'ANNA PALM : notre laboratoire a développé ShareLoc, une plateforme en ligne (shareloc.xyz) qui permet la collecte, la visualisation et la réutilisation des données SMLM acquises par la communauté de microscopie. Dans un premier temps, j’ai validé les fonctionnalités de la plateforme, effectué la curation des données SMLM, implémenté l'ontologie ShareLoc et rédigé la documentation. Ensuite, j'ai ré-entraîné ANNA-PALM sur des images en plus grande quantité et plus variées partagées sur ShareLoc. J’ai évalué quantitativement la qualité des images reconstruites par rapport au modèle original. J'ai démontré une amélioration significative de la robustesse et de la qualité des reconstructions par ANNA-PALM, en particulier pour des images de microtubules prises dans des conditions biologiques différentes de celles des images d'entraînement. 2. Extension d'ANNA-PALM à la reconstruction de films super-résolutifs de la dynamique structurelle en cellules vivantes : pour éviter le floutage dû à la dynamique des structures, chaque image super-résolutive du film reconstruit est basée sur un faible nombre d'images consécutives à basse résolution, ce qui conduit à un sous-échantillonnage important de la structure, qui restreint la résolution. Bien qu'ANNA-PALM puisse reconstruire des images super-résolutives à partir de images sous-échantillonnées, pour les cellules vivantes l’entraînement du modèle et l'évaluation de la qualité des reconstructions sont plus difficiles en raison de l'absence de vérité terrain. Pour relever ces défis, j'ai développé une méthode pour créer des vérités terrain super-résolutives dynamiques à partir d’images SMLM statiques. J'ai appliqué cette stratégie à des données simulées ainsi qu’à des données expérimentales de microtubules. Ensuite, j'ai étendu l’architecture d’ANNA-PALM à des données 3D dont la troisième dimension est le temps, afin d’exploiter l'information temporelle. J'ai utilisé des simulations de microtubules en mouvement pour évaluer quantitativement la qualité des reconstructions par cette approche, en comparaison avec la méthode ANNA-PALM 2D originale, et en fonction de la vitesse des structures et des taux de localisation. Les résultats montrent que l'incorporation d'informations temporelles améliore considérablement la qualité des reconstructions