Offre de Stage de Master 2

51100 REIMS _

**RETOUR À LA LISTE DES RÉSULTATS**

**Présentation INRAE**:
L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche rassemblant une communauté de travail de 12 000 personnes, avec 272 unités de recherche, de service et expérimentales, implantées dans 18 centres sur toute la France. INRAE se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal. Ses recherches visent à construire des solutions pour des agricultures multi-performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes.

**Environnement de travail, missions et activités**:
L’objectif est de capitaliser les séquences obtenues à partir des images 3D acquises à différents temps de l’hydrolyse enzymatique, pour chacun des échantillons de BL analysés. Nous avons déjà développé un pipeline de segmentation des cellules de BL basé sur le modèle PyTorch 3D U-Net de (Wolny 2020) et vérifié son efficacité sur les images pré-hydrolyse de biomasses de peuplier. Cependant, l’utilisation de modèles basés sur le DL pour l’analyse de l’hydrolyse enzymatique fait face à la même difficulté que les algorithmes classiques : les cellules ne peuvent pas être clairement séparées à cause de la déconstruction des tissus végétaux de la BL. La mission de la personne recrutée consiste à implémenter un pipeline basé sur le DL, pour la segmentation d’images 4D, qui conserve sa pertinence au cours de l’hydrolyse enzymatique.

Dans ce cadre, le premier objectif consiste à propager la segmentation pré-hydrolyse enzymatique (DL) au cours du temps en utilisant les transformations (non DL) qui permettent de passer de l’image initiale aux images correspondantes aux temps suivants, voir (Refahi 2024). Le second objectif consiste à utiliser des modèles de DL à la fois pour segmenter les images et pour propager la segmentation d’un temps donné au temps suivant. Le suivi des cellules à l’aide du DL est alors obtenu en entraînant des modèles basés sur des CNN, avec pour entrée la segmentation au temps courant et pour sortie la segmentation au temps suivant (Zargari 2023).

Il est à noter que ce stage participera à une meilleure exploitation des séquences 4D de l’hydrolyse enzymatique sur différentes typologies de biomasses et différents prétraitements des biomasses en lien avec le projet FillingGaps. A terme, ces caractérisations structurales pourront être combinées et liées aux caractérisations chimiques, dans une approche innovante, permettant d’étudier l’efficacité de saccharification de BL contrastées.

Références:
Refahi Y, Zoghlami A, Viné T, Terryn C, Paës G, 2024. Plant cell wall enzymatic deconstruction: bridging the gap between micro and nano scales. Bioresour Technol 414, 131551

Wolny A, Cerrone L, Vijayan A, Tofanelli R, Barro AV, et al, 2020. Accurate and versatile 3D segmentation of plant tissues at cellular resolution. eLife 9, e57613

Zargari A, Lodewijk GA, Mashhadi N, Cook N, Neudorf CW, et al, 2023. DeepSea is an efficient deep-learning model for single-cell segmentation and tracking in time-lapse microscopy. Cell Reports Methods 3(6), 100500

**Formations et compétences recherchées**:
**Licence/Master (Bac+3/5)**

L’objectif est de capitaliser les séquences obtenues à partir des images 3D acquises à différents temps de l’hydrolyse enzymatique, pour chacun des échantillons de BL analysés. Nous avons déjà développé un pipeline de segmentation des cellules de BL basé sur le modèle PyTorch 3D U-Net de (Wolny 2020) et vérifié son efficacité sur les images pré-hydrolyse de biomasses de peuplier. Cependant, l’utilisation de modèles basés sur le DL pour l’analyse de l’hydrolyse enzymatique fait face à la même difficulté que les algorithmes classiques : les cellules ne peuvent pas être clairement séparées à cause de la déconstruction des tissus végétaux de la BL. La mission de la personne recrutée consiste à implémenter un pipeline basé sur le DL, pour la segmentation d’images 4D, qui conserve sa pertinence au cours de l’hydrolyse enzymatique.

Dans ce cadre, le premier objectif consiste à propager la segmentation pré-hydrolyse enzymatique (DL) au cours du temps en utilisant les transformations (non DL) qui permettent de passer de l’image initiale aux images correspondantes aux temps suivants, voir (Refahi 2024). Le second objectif consiste à utiliser des modèles de DL à la fois pour segmenter les images et pour propager la segmentation d’un temps donné au temps suivant. Le suivi des cellules à l’aide du DL est alors obtenu en entraînant des modèles basés sur des CNN, avec pour entrée la segmentation au temps courant et pour sortie la segmentation au temps suivant (Zargari 2023).

Il est à noter que ce stage participera à une meilleure exploitation des séquences 4D de l’hydrolyse enzymatique sur différentes typologies de biomasses et différents prétraitements des biomasse