Développement de méthodes pour l'intégration de données single-cell multimodales

Development of methods for single-cell multimodal integration

• Auteur / Autrice : Jules Samaran
• Direction : Laura Cantini, Gabriel Peyre
• 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
• Partenaire(s) de recherche : Equipe de recherche : Biologie computationnelle des systèmes
• Partenaire(s) de recherche : établissement opérateur d'inscription : Ecole normale supérieure

Mots clés

Mots clés libres

Multimodal

Réduction de dimension

Bio-informatique

Intégration

Méthode

Unicellulaire

Mutlimodal

Dimensionality reduction

Computational biology

Integration

Methods

Single-cell

Résumé

Les technologies transcriptomiques single-cell (scRNA-seq) ont révolutionné la biologie et la médecine en révélant la diversité des cellules qui constituent les tissus humains. Le développement des technologies single-cell est maintenant tourné vers d'autres modalités (e.g. la méthylation de l'ADN, l'accessibilité de la chromatine, l'imagerie de la chromatine, les données protéomiques). Ces différentes modalités sont complémentaires, chaque modalité contenant des informations qui manquent dans les autres. L'intégration de données single-cell multimodales, i.e. l'analyse simultanée de plusieurs modalités est donc censée fournir une représentation plus complète des états régulateurs des cellules et expliquer comment ces états déterminent les différents phénotypes cellulaires. Le but de ce doctorat est de développer des méthodes de réduction de dimension pour des données multimodales déparaillées (pour chaque cellule seulement une modalité est observée) adaptées au format single-cell et de fournir ces méthodes dans une librairie Python libre d'accès. Cet outil permettra de partitionner les cellules grâce à leurs similarités multimodales, d'extraire des variables charactéristiques de chaque partition à partir des différentes modalités et de transférer des informations d'une modalité à une autre. Les méthodes développées au cours de ce projet seront appliquées en collaboration avec des biologistes expérimentaux afin de découvrir de nouvelles connaissances biologiques à partir de leur données.

Single-cell transcriptomics (scRNA-seq) has revolutionized biology and medicine by unrevealing the diversity of the cells constituting human tissues. The single-cell technological development has now shifted to the measurement of many other modalities (e.g. DNA methylation, chromatin accessibility, spatial transcriptomics, chromatin imaging, proteomics). The different single-cell modalities are complementary, each modality containing information that is not present in others. Single-cell multi-modal integration, i.e. the simultaneous analysis of multiple single-cell omics or other modalities, is thus expected to provide a more comprehensive view of the cell's regulatory states and explain how these regulatory states determine different cellular phenotypes. The aim of this PhD project is to develop integrative dimensionality reduction approaches for unpaired multimodal data (only one modality is observed for each cell) that are adapted to single-cell data, and to package them as an open-source Python library. This tool will enable to cluster cells based on their multimodal similarities, to extract markers from the different modalities and to transfer annotations from one dataset to another. The methods developed during this project will be applied in collaboration with wet-lab biologists, in order to derive new biological knowledge from their in-house data.