Mots-Clés
Bioinformatique
biologie systémique (i.e. approche globale)
cancer
microARN
séquençage cellule unique
Description
Modes d’action des microARN à partir de données « single cell miRNA-seq »
Les microARN sont de petits ARN d’une vingtaine de nucléotides. Ils sont des régulateurs majeurs de l’expression des gènes codants pour les protéines appelé « cibles » de ces microARN. Ils peuvent donc agir sur les voies de signalisations de protéines (en les réprimant principalement). A ce titre, les microARN ont été montrés comme impliqué dans plusieurs étapes de la cancérogénèse.
Depuis une dizaine d’années, le séquençage d’ARN à l’échelle de la cellule unique a permis de mieux caractériser les tumeurs. Ainsi, plusieurs jeux de données publiques existent. Pour les microARN, la technique est récente et difficile à mettre en œuvre, mais il existe quelques jeux de données de co-séquençage.
L’objectif du projet est d’utiliser de façon astucieuse ces quelques jeux de données pour mieux comprendre les modes d’action des microARN.
L’environnement de recherche consiste en une petite équipe, dynamique, constituée à la fois de biologistes et de bioinformaticiens. Le stage sera encadré par un bioinformaticien « senior » et co-encadré par une doctorante en bioinformatique.
Encadrant principal : Laurent Guyon
Niveau requis : Etudiant en M1/M2 ou école d’ingénieur, une connaissance des outils informatique (R idéalement) et un intérêt pour la recherche fondamentale sur le cancer. L’étudiant perçoit une gratification.
Durée : 3-6 mois à partir du printemps 2026 (mars ou après)
3 références de l’équipe d’accueil :
1. Velut, L., Fancello, L., Cherradi, N., & Guyon, L. (2025). Single-cell microRNA-mRNA co-sequencing techniques convey large potential for understanding microRNA regulations but require careful and systemic approaches. Nature Communications.
2. Giroux, P., Bhajun, R., Segard, S., Picquenot, C., Charavay, C., Desquilles, L., … & Guyon, L. (2020). miRViz: a novel webserver application to visualize and interpret microRNA datasets. Nucleic Acids Research.
3. R Jardillier, R., Koca, D., Chatelain, F., & Guyon, L. (2022). Optimal microRNA sequencing depth to predict cancer patient survival with random forest and cox models. Genes.