Annotation cellulaire automatique pour la construction d'un atlas cellulaire

Automatic cell type annotation for cell atlas construction

• Auteur / Autrice : Antoine Collin
• Direction : Pascal Barbry, Frederic Precioso
• Type : Projet de thèse
• Discipline(s) : Interactions Moléculaires et Cellulaires
• Date : Inscription en doctorat le 01/02/2021
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : Sciences de la vie et de la santé
• Partenaire(s) de recherche : Laboratoire : INSTITUT DE PHARMACOLOGIE MOLÉCULAIRE ET CELLULAIRE
• Partenaire(s) de recherche : Equipe de recherche : Physiologie génomique des eucaryotes

Mots clés

Mots clés libres

Séquençage d'ARN sur cellule unique

Annotation cellulaire

Apprentissage automatique profond

Atlas cellulaire

Bpco

Poumon

ScRNAseq

Cell Annotation

Deep Learning

Cellular atlas

Copd

Lung

Résumé

Les technologies single-cell deviennent essentielles dans de nombreux projets de recherche visant à analyser des systèmes biologiques complexes. La puissance de ces approches, qui permettent de déterminer la composition cellulaire et de délimiter des réseaux complexes de régulation transcriptionnelle dans des sous-ensembles cellulaires, implique un large panel de méthodes numériques pour intégrer correctement de nombreuses modalités biologiques différentes (informations sur l'expression de l'ARN, l'épissage, l'édition, les protéines, l'épigénome, le génome, l'expression spatiotemporelle). De nombreuses questions se posent lorsqu'on travaille avec des données aussi massives pour optimiser correctement l'intégration de plusieurs jeux de données distincts et rendre possible des comparaisons entre différentes situations expérimentales. Les méthodes d'apprentissage approfondi sont très prometteuses pour automatiser la classification ou la réduction de la dimensionnalité. Nous prévoyons de les utiliser pour construire un atlas cellulaire des voix respiratoires, après avoir identifié l'architecture Deep Learning la plus appropriée capable d'identifier les différents types de cellules. Le projet de recherche vise à : (1) déterminer le modèle de réseau de neurones le plus approprié pour automatiser la classification des cellules ; (2) développer un algorithme de visualisation pour l'annotation dynamique des types cellulaires, lié au modèle d'apprentissage profond ; (3) utiliser ces approches pour créer un atlas des cellules pulmonaires qui intègre des jeux de données in vivo et in vitro, et documenter les variations observées dans des situations phénotypiques/génotypiques spécifiques.

Single-cell technologies are becoming essential in many research projects to analyze complex biological systems. The power of these approaches, which allow the determination of cell composition and delineation of complex transcriptional regulatory networks in cellular subsets, involves a large panel of numerical methods to integrate properly many different biological modalities (information about RNA expression, splicing, editing, proteins, epigenome, genome, spatiotemporal expression). Many questions are emerging when working such massive data to optimize properly the integration of several separate datasets and be able to make comparisons between different experimental situations. Deep learning methods show great promise to automate classification or dimensionality reduction. We plan to use them in order to build the cellular atlas of the respiratory tree, after identification of the most appropriate deep network structure able to identify the dfferent cell types. The research project aims to: (1) determine the most suitable model of deep neural network to automate cell classification; (2) develop a visualization algorithm for dynamically annotate the cell types, linked to the deep learning model; (3) use these approaches for creating a lung cellular atlas that integrates in vivo and in vitro datasets, and document the variations observed under specific phenotypic/genotypic situations.