Soutenance de thèse : Agrégation des globules rouges et margination des plaquettes : simulation et intelligence artificielle - Mariam Dynar (ECCEL)

Une perfusion sanguine optimale dans la microcirculation est essentielle pour le transport d’oxygène et de nutriments aux tissus et aux organes. Étant donné que les globules rouges (GRs) sont les principaux composants du sang, la rhéologie sanguine est principalement contrôlée par les GRs. Dans des conditions physiologiques, et au cours de leur voyage à travers les vaisseaux sanguins, les GRs se déforment, s’empilent les uns sur les autres (s’agrègent) et s’alignent pour s’écouler efficacement, garantissant ainsi le transport efficace de l’oxygène et des nutriments vers les tissus. Cependant, dans plusieurs maladies, comme le diabète, les agrégats de GR deviennent plus forts et plus stables (les GRs ne se dissocient pas après avoir formé un agrégat) en raison de l’excès de fibrinogène (le fibrinogène est la principale protéine responsable de la formation des agrégats de GR, sa concentration normale est 3.24 ± 1.39mg/ml), ce qui peut compromettre le flux sanguin et potentiellement conduire à des occlusions vasculaires. De plus, en raison du grand nombre de GRs et de leurs interactions avec les autres composants sanguins, un simple changement dans les propriétés des GRs peut influencer le comportement d’autres composants sanguins. Par exemple, il est connu que les blessures chez les patients diabétiques mettent plus de temps à guérir par rapport aux individus en bonne santé. Étant donné que les plaquettes sont les composants responsables de la thrombose, et que leur margination vers les parois des vaisseaux sanguins est une étape clé dans le processus de formation du thrombus, nous avons décidé d’étudier l’effet de l’agrégation des GRs sur la margination des plaquettes, ce qui n’a pas été abordé précédemment dans la littérature existante.

Cette thèse se focalise sur l’étude de l’agrégation des GRs et son impact sur la margination des plaquettes, ainsi que sur l’adaptation et l’application des algorithmes d’apprentissage profond (Deep learning) à l’analyse des agrégats des GRs. Premièrement, nous avons étudié numériquement l’effet de l’énergie d’adhésion entre les GRs sous un écoulement de Poiseuille sur l’agrégation des GRs. Nous avons initialement examiné les doublets de GR et constaté que, dans certaines conditions, ils restent fortement attachés même sous écoulement élevées. Nous avons ensuite étendu notre étude à la rhéologie des suspensions de GR sous un écoulement de Poiseuille dans des canaux droits et des bifurcations. Cette analyse a été réalisée en utilisant une combinaison de la méthode de Boltzmann sur réseau et de la méthode des frontières immergées . Deuxièmement, nous avons étudié la margination des plaquettes dans un canal droit en présence d’énergie d’adhésion parmi les GR. Nos résultats indiquent qu’une énergie d’adhésion modérée, typique des conditions physiologiques normales, améliore le processus de margination. Cependant, lorsque l’énergie d’adhésion est suffisamment élevée, elle entraîne une diminution de la margination des plaquettes. Enfin, les méthodes manuelles de détection et de classification des agrégats de GR nécessitent un temps considérable, et il est possible que des erreurs se produisent lors de la classification et de la détection. Nous avons proposé l’utilisation de modèles légers d’apprentissage profond appelés YOLO (You Only Look Once), qui détectent et classifient les agrégats de GR en fonction de leur taille et détectent également les GR anormaux (comme les échinocytes). Nous avons collecté nos données en réalisant des expériences microfluidiques à l’aide de dispositifs microfluidiques avec des canaux de tailles et de formes différentes.