Javascript must be enabled to continue!
TECMI-4D - Techniques avancées de microscopie pour l’imagerie 4D de la déconstruction de la biomasse lignocellulosique.
View through CrossRef
La biomasse lignocellulosique (BL) constitue une ressource renouvelable, pouvant être utilisée comme une alternative aux ressources fossiles pour produire de la bioénergie et des bioproduits. Cependant la BL est récalcitrante à l’hydrolyse enzymatique ce qui limite sa valorisation. Les marqueurs de récalcitrance qui ont été identifiés jusqu’à présent sont à l’échelle moléculaire et ne sont pas universels.L'objectif de cette thèse était d'identifier les paramètres responsables de la récalcitrance de la BL à différentes échelles. Pour atteindre cet objectif, nous avons d’abord étudié l’effet du prétraitement sur le peuplier. En mesurant les changements aux niveaux compositionnel, structural et spectral, nous avons identifié plusieurs paramètres tels que la durée de vie de la fluorescence, l'autofluorescence et la sphéricité qui sont fortement corrélés au rendement d'hydrolyse. Ensuite, afin d’identifier les marqueurs de récalcitrance à l’échelle cellulaire et tissulaire, nous avons développé un pipeline original d'imagerie 4D comprenant l’acquisition des images 3D d’échantillons de peuplier au cours de l’hydrolyse enzymatique, ainsi qu’une nouvelle méthode de segmentation des séries temporelles. Une analyse de corrélation quantitative nous a permis d’établir des corrélations entre les paramètres à l’échelle cellulaire et tissulaire et le taux de conversion de la cellulose. Nous avons montré que le taux de dégradation volumétrique de la paroi est fortement corrélé à la conversion de la cellulose au cours de l'hydrolyse enzymatique. De plus, la sphéricité de la paroi est négativement corrélée au taux de dégradation de la paroi qui peut être utilisée pour prédire la dégradabilité de la BL.Les résultats obtenus offrent des informations sur la récalcitrance à l'échelle nanométrique et micrométrique.Mots clés : biomasse lignocellulosique, récalcitrance, prétraitement, hydrolyse enzymatique, microscopie, imagerie 4D
Title: TECMI-4D - Techniques avancées de microscopie pour l’imagerie 4D de la déconstruction de la biomasse lignocellulosique.
Description:
La biomasse lignocellulosique (BL) constitue une ressource renouvelable, pouvant être utilisée comme une alternative aux ressources fossiles pour produire de la bioénergie et des bioproduits.
Cependant la BL est récalcitrante à l’hydrolyse enzymatique ce qui limite sa valorisation.
Les marqueurs de récalcitrance qui ont été identifiés jusqu’à présent sont à l’échelle moléculaire et ne sont pas universels.
L'objectif de cette thèse était d'identifier les paramètres responsables de la récalcitrance de la BL à différentes échelles.
Pour atteindre cet objectif, nous avons d’abord étudié l’effet du prétraitement sur le peuplier.
En mesurant les changements aux niveaux compositionnel, structural et spectral, nous avons identifié plusieurs paramètres tels que la durée de vie de la fluorescence, l'autofluorescence et la sphéricité qui sont fortement corrélés au rendement d'hydrolyse.
Ensuite, afin d’identifier les marqueurs de récalcitrance à l’échelle cellulaire et tissulaire, nous avons développé un pipeline original d'imagerie 4D comprenant l’acquisition des images 3D d’échantillons de peuplier au cours de l’hydrolyse enzymatique, ainsi qu’une nouvelle méthode de segmentation des séries temporelles.
Une analyse de corrélation quantitative nous a permis d’établir des corrélations entre les paramètres à l’échelle cellulaire et tissulaire et le taux de conversion de la cellulose.
Nous avons montré que le taux de dégradation volumétrique de la paroi est fortement corrélé à la conversion de la cellulose au cours de l'hydrolyse enzymatique.
De plus, la sphéricité de la paroi est négativement corrélée au taux de dégradation de la paroi qui peut être utilisée pour prédire la dégradabilité de la BL.
Les résultats obtenus offrent des informations sur la récalcitrance à l'échelle nanométrique et micrométrique.
Mots clés : biomasse lignocellulosique, récalcitrance, prétraitement, hydrolyse enzymatique, microscopie, imagerie 4D.
Related Results
Résumés des conférences JRANF 2021
Résumés des conférences JRANF 2021
able des matières
Résumés. 140
Agenda Formation en Radioprotection JRANF 2021 Ouagadougou. 140
RPF 1 Rappel des unités de doses. 140
RPF 2 Risques déterministes et stochastique...
Chemical and fungal pretreatments of lignocellulosic biomass for biogas production
Chemical and fungal pretreatments of lignocellulosic biomass for biogas production
Prétraitements chimiques et fongiques de la biomasse lignocellulosique pour la production de biogaz
La production de biogaz à partir de la biomasse lignocellulosiqu...
Étude des émissions polluantes de la combustion de biomasses dans une chaudière à granulés
Étude des émissions polluantes de la combustion de biomasses dans une chaudière à granulés
Le besoin de combustibles alternatifs aux énergies fossiles a conduit à se tourner vers de nouveaux combustibles renouvelables. La biomasse est l’une des alternatives les plus util...
2D/3D lensless imaging : prototype and applications
2D/3D lensless imaging : prototype and applications
Imagerie sans lentille 2D/3D : prototype et applications
L’imagerie biologique a réalisé des progrès significatifs durant les dernières décennies. Les récentes inno...
From ex-vivo to in-vivo preclinical investigation of neurodegenerative diseases
From ex-vivo to in-vivo preclinical investigation of neurodegenerative diseases
Investigation préclinique ex-vivo et in-vivo des maladies neurodégénératives
Les maladies neurodégénératives (MN) sont des troubles qui touchent des millions de per...
Neuro-navigation automatique pour la neuro-imagerie fonctionnelle ultrasonore
Neuro-navigation automatique pour la neuro-imagerie fonctionnelle ultrasonore
L’échographie ultrarapide est une nouvelle méthode d'imagerie basée sur la transmission des ondes planes et qui permet d'imager les tissus biologiques à très haute cadence et avec ...
Machine Learning on Population Imaging for Mental Health
Machine Learning on Population Imaging for Mental Health
Apprentissage statistique sur l'imagerie de population pour la santé mentale
Les troubles mentaux présentent une grande hétérogénéité entre les individus. Une diffi...
Quantitative evanescent-field imaging : smart surfaces and concurrent sample-plane and back-focal plane image analysis
Quantitative evanescent-field imaging : smart surfaces and concurrent sample-plane and back-focal plane image analysis
Imagerie quantitative en champ évanescent : surfaces intelligentes et analyse simultanée d’images du plan d’échantillonnage et du plan focal arrière
Les ondes évane...

