Modèles génératifs profonds pour la prédiction de l'expression génique d'une cellule unique depuis son image et inversement

Deep Generative Models for the prediction of the genetic expression of single cells through their images and conversely

• Auteur / Autrice : Ihab Bendidi
• Direction : Auguste Genovesio, Andrew Griffiths
• Type : Projet de thèse
• Discipline(s) : Bioinformatique et biologie des systèmes
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Complexité du vivant
• Partenaire(s) de recherche : Laboratoire : Institut de biologie de l'École normale supérieure (Paris ; 2010-....)
• Partenaire(s) de recherche : Equipe de recherche : Bioimagerie computationnelle et bioinformatique
• Partenaire(s) de recherche : établissement opérateur d'inscription : École normale supérieure (Paris ; 1985-....)

Mots clés

Mots clés libres

Apprentissage profond

Cellule Unique

Arn

Réseaux génératifs

Vision Machine

Deep Learning

Single cells

Rna

Generative networks

Computer vision

Résumé

La microscopie robotisée couplée à l'analyse d'image de millions de cellules et le séquençage sur cellule unique, en rendant, chacun et séparément, accessible l'hétérogénéité cellulaire des tissus et des organismes, ont été des avancées cruciales pour une compréhension fine du vivant et des pathologies. Dans ce contexte, Minos Biosciences a développé une technologie permettant, pour la première fois à très haut débit, d'explorer la relation entre le profil d'expression génique de cellules individuelles et leur phénotype visuel. Le projet sera mené par les équipes Bio-imagerie Computationnelle et Bioinformatique de l'Institut de Biologie de l'ENS et le Laboratoire de BioChimie de l'ESPCI Paris, en partenariat avec la startup Minos Biosciences. Pour chaque cellule individuelle, la relation entre les deux types de données disponibles (image et transcriptome) sera étudiée selon trois axes. Dans un premier temps, le candidat évaluera et comparera la capacité prédictive du transcriptome et des images cellule unique pour une tâche de classification de cellules en sous populations. Dans un second temps, il évaluera si la concaténation des deux types de données en entrée d'un réseau profond permet d'en augmenter sa capacité prédictive. Enfin, il développera une approche deep-learning pour évaluer avec quelle précision il est possible de prédire le phénotype visuel d'une cellule à partir des données transcriptomiques et vice versa. Les preuves de concept développées au cours de ce projet pourront profiter à de nombreuses applications pour la recherche et/ou, dans une optique de médecine personnalisée, pour l'identification et la validation de « biomarqueurs » (profils cellulaires) à des fins pronostiques ou diagnostiques.

Robotic microscopy coupled with image analysis of millions of cells and single-cell sequencing, each making the cellular heterogeneity of tissues and organisms accessible, have been crucial advances for a fine understanding of life and pathologies. In this context, Minos Biosciences has developed a technology allowing, for the first time at very high throughput, to explore the relationship between the gene expression profile of individual cells and their visual phenotype. The project will be conducted by the Computational Bio-Imaging and Bioinformatics teams of the ENS Institute of Biology and the ESPCI Paris BioChemistry Laboratory, in partnership with the startup Minos Biosciences. For each individual cell, the relationship between the two types of available data (image and transcriptome) will be studied along three axes. First, the candidate will evaluate and compare the predictive capacity of transcriptome and single cell images for a task of cell classification into subpopulations. Secondly, he will evaluate whether the concatenation of the two types of input data of a deep network can increase its predictive capacity. Finally, he will develop a deep-learning approach to evaluate with what accuracy it is possible to predict the visual phenotype of a cell from transcriptomic data and vice versa. The proofs of concept developed during this project will have numerous applications for research and/or, in a personalized medicine perspective, for the identification and validation of "biomarkers" (cell profiles) for prognostic or diagnostic purposes.