Mots-Clés
Single-Cell
Deconvolution
Deep Learning
Traitement d'image
Cancer du Pancréas
Description
Titre : Déconvolution transcriptomique de biopsies pancréatiques à partir d’images histologiques par deep learning
Contexte du stage
Dans le cadre du diagnostic du cancer du pancréas (adénocarcinome canalaire pancréatique, PDAC), les biopsies sont souvent la seule occasion d’analyser l’état naturel de la tumeur, avant tout traitement. Cependant, ces échantillons sont de petite taille, hétérogènes et souvent contaminés par des cellules non tumorales (sang, stroma, foie, etc.), ce qui limite fortement la fiabilité des analyses transcriptomiques.
Ce stage s’inscrit dans un projet visant à améliorer l’interprétation des profils ARN issus de biopsies grâce à l’analyse d’images histologiques H&E par deep learning, pour estimer la composition cellulaire et corriger les profils transcriptomiques.
Le·la stagiaire participera au développement et à l’application d’une stratégie de déconvolution RNA-guidée par image, dans un jeu de données unique de 50 paires de biopsies primaires et métastatiques (foie).
Les principales missions seront :
• Classifier les types cellulaires prédits par deep learning à partir d’images H&E (modèle déjà existant dans l’équipe).
• Intégrer et analyser ces données avec Scanpy ou Seurat, en les confrontant à des données d’immunohistochimie (IHC).
• Identifier les populations cellulaires contaminantes (sang, foie, stroma) en fonction du type de biopsie.
• Développer une méthode de correction ou de soustraction des contributions non tumorales dans les profils RNA.
• Valider les profils RNA “nettoyés” en appliquant des signatures transcriptomiques cliniques (comme GemPred) et évaluer leur gain en robustesse.
Profil recherché
• Étudiant·e en M1 ou M2 bioinformatique, biostatistique, data science ou formation équivalente.
• Connaissances en analyse de données transcriptomiques et/ou single-cell RNA-seq.
• Bonne maîtrise de Python (Scanpy, Pandas, Pytorch, etc.) et R (Seurat, tidyverse…).
• Intérêt pour l’oncologie, l’histologie numérique ou l’intelligence artificielle.
• Autonomie, rigueur, et goût pour le travail interdisciplinaire.
Compétences développées pendant le stage
• Traitement d’images histologiques par deep learning
• Analyse d’expression génique (bulk RNA, single-cell)
• Déconvolution et annotation cellulaire
• Application de signatures cliniques
• Présentation et valorisation de résultats scientifiques