Approches de bioinformatique et d'intelligence artificielle pour évaluer la pertinence biologique des organoïdes et des sphéroïdes tumoraux

Bioinformatics and artificial intelligence approaches to assess the biological relevance of organoids and tumor spheroids

• Auteur / Autrice : Liangwei Yin
• Direction : Christophe Battail, Mohamed Elati, Natalia Marek-trzonkowska
• Type : Projet de thèse
• Discipline(s) : MBS - Modèles, méthodes et algorithmes en biologie, santé et environnement
• Date : Inscription en doctorat le 12/04/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : BGE - Laboratoire Biosciences et bioingénierie pour la Santé

Mots clés

Mots clés libres

Organoïdes

Sphéroïdes tumoraux

Transcriptomique

Déconvolution cellulaire

Biologie des réseaux

Apprentissage machine

Organoids

Tumor spheroids

Transcriptomics

Cell deconvolution

Networks biology

Machine learning

Résumé

Les cultures cellulaires 3D, de type organoïdes et sphéroïdes tumoraux, sont devenus des outils expérimentaux de grand intérêt car ils permettent une meilleur représentation de la complexité des tissus, par rapport aux cultures cellulaires 2D. Cela a conduit à leur utilisation pour mieux comprendre des pathologies humaines ou pour le criblage de molécules thérapeutiques. Cependant, le degré de fidélité entre le phénotype tissulaire recherché et la culture cellulaire 3D est souvent estimé par de simples mesures d'état de prolifération des cellules ou de l'expression de quelques gènes marqueurs. Ces mesures ne sont pas cependant pas suffisantes pour établir finement l'intégrité fonctionnelle des types cellulaires et des processus moléculaires actifs. Le projet de thèse vise à développer des approches computationnelles intégrant des méthodes de bioinformatique et d'apprentissage machine pour comparer avec précision les états de similarité cellulaire et moléculaire entre des cultures cellulaires 3D et les tissus correspondant afin de : (i) prédire les stimuli expérimentaux capables d'améliorer la maturation des organoïdes et (ii) évaluer la capacité des sphéroïdes tumoraux à récapituler les mécanismes de résistance aux médicaments et à prédire la réponse aux traitements.

3D cell cultures, such as organoids and tumor spheroids, have become experimental tools of great interest because they allow a better representation of the complexity of tissues, compared to 2D cell cultures. This has led to their use to better understand human pathologies or for the screening of therapeutic molecules. However, the degree of fidelity between the desired tissue phenotype and the 3D cell culture is often estimated by simple measurements of the state of cell proliferation or the expression of a few marker genes. However, these measurements are not sufficient to accuratly establish the functional integrity of cell types and active molecular processes. The thesis project aims to develop computational approaches integrating bioinformatics and machine learning methods to accurately compare cellular and molecular similarity states between 3D cell cultures and corresponding tissues in order to: (i) predict the experimental stimuli able of enhancing organoid maturation and (ii) assessing the ability of tumor spheroids to recapitulate drug resistance mechanisms and predict response to treatments.