Cultures microfluidiques à base de gouttelettes pour l'analyse quantitative du métabolisme microbien et le développement de modèles prédictifs de bioprocédés // Droplet-based microfluidic cultures for the quantitative analysis of microbial metabolism and

Les progrès récents en microfluidique à base de gouttelettes ont permis la miniaturisation des cultures microbiennes dans des microenvironnements hautement contrôlés, où chaque gouttelette fonctionne comme un micro-bioréacteur indépendant. Dans une étude récente menée au laboratoire [1], une plateforme microfluidique à base de capillaires, peu coûteuse, a démontré sa capacité à reproduire la dynamique de croissance et d'expression de la GFP d'E. coli observée dans des flacons Erlenmeyer, tout en réduisant la consommation de réactifs de plus de 30 000 fois. Cependant, ces travaux ont révélé qu'à des concentrations élevées de glucose, le retard dans l'expression de la GFP dans les gouttelettes est dû à une limitation en oxygène.

Pour remédier à ce problème, ce projet de doctorat vise à développer et à utiliser une conception microfluidique améliorée afin d'étudier quantitativement le transfert de substrats et le métabolisme microbien, dans des conditions contrôlées. L'objectif est d'utiliser la microfluidique pour obtenir des micro-bioréacteurs prédictifs capables de relier les observations à l'échelle microscopique aux performances à l'échelle du bioréacteur.

Des dispositifs microfluidiques innovants (capillaires et à base de PDMS) seront utilisés pour régler avec précision la taille, l'espacement et la fréquence de génération des gouttelettes, contrôlant ainsi l'accès aux substrats par le biais de mécanismes de transport à la fois initiaux et induits par les limites. Associé à l'imagerie par fluorescence en temps réel, à des microcapteurs et à des séquences d'analyse d'images, le système générera un ensemble complet de données (séquences temporelles avec des conditions de croissance contrastées).

L'ensemble de données servira à alimenter un modèle mécanistique, qui inclut le choix de la formulation et l'identification des paramètres, permettant ainsi de prédire le comportement microbien dans des conditions de croissance contrastés et variables au cours du temps. Les capacités prédictives d'un tel modèle mécanistique sont destinées à être utilisées dans la mise à l'échelle des bioprocédés [2,3]. À terme, cette recherche vise à établir un nouveau paradigme dans lequel les expériences microfluidiques deviendront des outils prédictifs pour la biotechnologie industrielle.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Recent advances in droplet-based microfluidics have enabled the miniaturization of microbial cultures into highly controlled microenvironments, where each droplet functions as an independent micro-bioreactor. In a recent study by the host team [1], a cost-effective capillary-based microfluidic platform demonstrated its ability to reproduce growth and GFP expression dynamics of E. coli observed in Erlenmeyer flasks, while reducing reagent consumption by more than 30,000-fold. However, this work revealed that at high glucose concentrations, delayed GFP expression in droplets is governed by oxygen limitation.

To tackle this issue, this Ph.D. project aims to develop and use an improved microfluidic design to quantitatively investigate substrates transfer and microbial metabolism, under controlled conditions. The objective is to use microfluidic to obtain predictive micro-bioreactors capable of linking microscale observations to bioreactor-scale performance.

Innovative microfluidic devices (capillary and PDMS-based) will be used to precisely tune droplet size, spacing, and generation frequency thereby controlling substrate access through both initial stock and boundary-driven transport mechanisms. Combined with real-time fluorescence imaging, microsensors, and image analysis pipelines, the system will generate a comprehensive time-series dataset with constated growth conditions.

The dataset will be used to feed a mechanistic model, which includes the choice of the formulation and parameters identification, enabling the prediction of microbial behavior under varying substrate conditions. The predictive capabilities of such a mechanistic model is intended to be used in bioprocess upscaling [2,3]. Ultimately, this research aims to establish a new paradigm in which microfluidic experiments become predictive tools for industrial biotechnology.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrats ED : Programme blanc GS-SIS

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

573 Interfaces : matériaux, systèmes, usages

Étudiant en master 2 ou ingénieur en biotechnologie, génie chimique, génie mécanique ou dans un domaine connexe, présentant un vif intérêt pour la microfluidique, les bioprocédés et la modélisation. Nous recherchons un étudiant rigoureux, autonome et dynamique, désireux de travailler dans un environnement de recherche multidisciplinaire et collaboratif.
Engineer or M2 student in biotechnology, chemical engineering, mechanical engineering or a related field, with strong interest in microfluidics, bioprocesses, and modelling. We are looking for a rigorous, autonomous and dynamic student, keen to work in a multidisciplinary and collaborative research environment.