Méthodes d'inférence causale et d'apprentissage automatique pour les données biologiques hétérogènes

Causal inference and machine learning methods for heterogeneous biological data

• Auteur / Autrice : Louis Montagne
• Direction : Hervé Isambert, Maria Carla Parrini
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 15/09/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Physique des Cellules et Cancer (Paris ; 2024-....)
• Partenaire(s) de recherche : Equipe de recherche : Dynamique de l'ARN et systèmes biomoléculaires

Mots clés

Mots clés libres

Inférence causale

Apprentissage automatique

Données hétérogènes

Causal inference

Machine learning

Heterogeneous data

Résumé

L'imagerie par microscopie à intervalles réguliers et la transcriptomique de cellules uniques, désormais couramment utilisées dans les laboratoires de biologie cellulaire et du développement, génèrent d'énormes quantités d'images vidéo et de données d'expression génique à une résolution cellulaire unique. Cependant, cette richesse de données hétérogènes reste largement sous-exploitée en raison du manque de méthodes et d'outils non supervisés pour les analyser. Cela souligne la nécessité de développer de nouvelles stratégies d'apprentissage automatique et d'intelligence artificielle pour exploiter au mieux la richesse et la complexité des informations contenues dans les données de biologie cellulaire et du développement résolues dans l'espace et le temps. Le laboratoire Isambert a mis au point de nouvelles méthodes et outils d'inférence causale (https://miic.curie.fr, paquet R MIIC) pour apprendre les relations de cause à effet dans divers ensembles de données biologiques ou cliniques, des données de transcriptomique et d'altération génomique de cellules uniques (Verny et al. 2017, Sella et al. 2018, Desterke et al. 2020) aux dossiers médicaux des patients (Cabeli et al. 2020, Sella et al. 2022, Ribeiro Dantas et al. 2023). Ces méthodes d'apprentissage automatique combinent l'analyse d'informations multivariées avec des modèles graphiques interprétables (Li et al. 2019, Cabeli et al. 2021, Ribeiro Dantas et al. 2023) et surpassent d'autres méthodes sur un large éventail de références, obtenant de meilleurs résultats avec seulement dix à cent fois moins d'échantillons. Ces méthodes ont également récemment été adaptées pour analyser des données de séries temporelles telles que des images en direct de cellules sur une puce, qui sont des micro-tumeurs reconstituées in vitro (Simon et al. 2023). Le présent projet de thèse de doctorat étendra ces méthodes d'inférence causale et d'apprentissage automatique non supervisé pour analyser des données hétérogènes à grande échelle avec des applications pour l'imagerie en 3D à intervalles de temps (c'est-à-dire l'imagerie 4D) et les données transcriptomiques de cellules uniques sur des systèmes multicellulaires en 3D, tels que les ''gastruloids'', qui sont des modèles précoces de développement mammifère dérivés de cellules souches embryonnaires, en collaboration avec nos partenaires biologistes et biophysiciens du consortium multidisciplinaire MecaCell3D. En particulier, la méthode sera appliquée à l'analyse des écosystèmes de ''tumeurs sur puce'', en collaboration avec MC Parrini (Institut Curie).

Time-lapse imaging microscopy and single-cell transcriptomics, now routinely used in cell and developmental biology labs, produce massive amounts of video images and gene expression data at single cell resolution. However, this wealth of heterogeneous data remain largely under-explored due to the lack of unsupervised methods and tools to analyze them. This highlights the need to develop new Machine Learning and Artificial Intelligence strategies to better exploit the richness and complexity of the information contained in space- and time-resolved cell and developmental biology data. The Isambert lab has developed novel causal inference methods and tools (https://miic.curie.fr, MIIC R package) to learn cause-effect relationships in a variety of biological or clinical datasets, from single-cell transcriptomic and genomic alteration data (Verny et al 2017, Sella et al 2018, Desterke et al 2020) to medical records of patients (Cabeli et al 2020, Sella et al 2022, Ribeiro Dantas et al 2023) These machine learning methods combine multivariate information analysis with interpretable graphical models (Li et al 2019, Cabeli et al 2021, Ribeiro Dantas et al 2023) and outperform other methods on a broad range of benchmarks, achieving better results with only ten to hundred times fewer samples. These methods have also been recently adapted to analyze time series data such as live-cell time-lapse images of “tumor-on-chips”, which are micro-tumors reconstituted in vitro (Simon et al 2023). The present PhD project will extend these causal inference and unsupervised Machine Learning methods to analyze large scale heterogeneous data with applications to time-lapse 3D imaging (i.e. 4D imaging) and single-cell transcriptomic data on 3D multicellular systems, such as “gastruloids”, which are early mammalian development models derived from embryonic stem cells, in collaboration with our biologist and biophysicist partners from the multidisciplinary MecaCell3D consortium. In particular, the method will be applied to analyze “tumor-on-chip” ecosystems, in collaboration with MC Parrini (Institut Curie).