Intégration de données multimodales pour une meilleur comprehension de l'hétérogénéité tumorale

Multi-modal data integration to better understand cancer heterogeneity

• Auteur / Autrice : Gauthier Delrot
• Direction : Macha Nikolski
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 05/02/2024
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut de Biochimie et Génétique Cellulaires
• Partenaire(s) de recherche : Equipe de recherche : Computational Biology and Bioinformatics

Mots clés

Mots clés libres

Données omics

Intégration de données

Cancer

Data integration

Omics data

Cancer

Résumé

Nous proposons une thèse entièrement financée (par l'Institut National du Cancer, INCA) à l'intersection de deux équipes dynamiques au sein de l'Institut IBGC CNRS, celles dirigées par Macha Nikolski et Thomas Daubon. L'objectif central de ce projet de doctorat sera d'appliquer des modèles informatiques et l'apprentissage automatique pour intégrer des ensembles de données spatiales multi-omiques en application au glioblastome. Les glioblastomes sont des tumeurs très agressives avec une forte hétérogénéité intratumorale et des communications métaboliques entre ces zones sous-tumorales, comme la récente publication conjointe des groupes du Dr Daubon et du Dr Nikolski (Guyon et al., EMBO Mol Med 2022). Des jeux de données multimodaux (transcriptomique, métabolomique et microbiome) sont déjà disponibles et de nouvelles données seront acquises. En particulier, nous développons des stratégies pour (i) l'analyse conjointe des données de transcriptomique, de métabolomique et de microbiome, dans le contextes de tumeur primaire et lors de la rechute afin de mieux évaluer les mécanismes de résistance et d'invasion et (ii) la cartographie spatiale des réseaux métaboliques combinant l'imagerie par spectrométrie de masse de métabolites, avec transcriptomique spatiale. Ces ensembles de données sont complexes et nécessitent une expertise en bioinformatique et en sciences computationnelles pour être pleinement exploités. Plusieurs défis techniques seront relevés dans ce projet. L'une des principales difficultés pour analyser efficacement les données spatiales multi-omiques est l'intégration d'ensembles de données avec différentes résolutions. De plus, il est nécessaire de tenir compte du fait que certaines données peuvent être acquises sur de petites sous-sections d'un tissu et d'autres sur l'ensemble de la tranche de tissu, ce qui complique le processus d'intégration des données car il n'y a pas de correspondance biunivoque entre les points de données. L'intégration avec le microbiome apportera le défi de combiner non seulement des types de données hétérogènes, mais aussi des données quasi-complètes avec des données sparse. Par conséquent, cela nécessite des approches de science des données spécialisées et adaptées qui sont interprétables du point de vue biologique/physiologique et facilitent simultanément l'extraction d'associations explicables entre les entités. Le doctorant doit s'inscrire dans un programme doctoral à l'Université de Bordeaux, ainsi que participer à des activités de formation complémentaire.

We offer a fully funded (by the National Cancer Institute, INCA) PhD position at the intersection of two dynamic teams within the IBGC CNRS Institute, those led by Macha Nikolski and Thomas Daubon. The central aim of this PhD project will be to apply computational models and machine learning to integrate multi-omics spatial datasets in application to glioblastoma. Glioblastoma are very aggressive tumors with a high intratumoral heterogeneity and metabolic communications between these subtumoral areas, as recent joint publication from Dr Daubon's and Dr Nikolski's groups (Guyon et al., EMBO Mol Med 2022). Multimodal datasets (transcriptomics, metabolomics and microbiome) are already available and novel data will be acquired. In particular, we are developing strategies for (i) joint analysis of bulk transcriptomics, metabolomics and microbiome data, in the primary and relapse settings to better assess the mechanisms of resistance and invasion and (ii) spatial mapping of metabolic networks combining mass spectrometry imaging of metabolites, with spatial transcriptomics. These datasets are complex and require expertise in bioinformatics and computational science to fully exploit. Several technical challenges will be addressed in this project. One of the key difficulties in effectively analysing spatial multi-omics data is the integration of datasets with different resolutions. Moreover, it is necessary to account for the fact that some data may be acquired on small subsections of a tissue and other on the whole tissue slice, complicating the process of data integration as there is not a one-to-one correspondence between data points. Integration with microbiome will bring the challenge of combining not only heterogeneous data types, but also high-count with low-count data. Therefore, this requires specialised and tailored data science approaches that are interpretable from the biological/physiological point of view and simultaneously facilitate extracting explainable associations between entities across modalities. The position is offered for 3 years. The hired researcher must enroll in a Doctoral Programme at the University of Bordeaux, as well as to participate in complementary training activities.