Mots-Clés

intelligence artificielle troubles du neurodéveloppement nouveaux gènes données omiques

Description

Stage Bioinfo : Développement d’un outil d’intelligence artificielle pour la priorisation de gènes codants ou non codants dans les cas de troubles du neurodéveloppement non résolus

Proposition de stage de Master 2 en Bioinformatique

Lieux : Centre de recherche en biomédecine de Strasbourg (CRBS, Hôpital Civil, Strasbourg) et Institut de Génétique et de Biologie Moléculaire et Cellulaire (IGBMC, Illkirch-Graffenstaden)
Durée : 6 mois
Début : Janvier – Mars 2026
Co-encadrements : Tatiana Maroilley (CSTB, ICUBE) maroilley@unistra.fr ; Amélie Piton (IGBMC) piton@igbmc.fr
Mots-clés : intelligence artificielle, troubles du neurodéveloppement, nouveaux gènes, bioinformatique, données omiques

Contexte scientifique et pertinence du projet

Les troubles du neurodéveloppement (TND) incluant retard mental et spectre autistique touchent entre 1 et 2 % de la population générale. Ils sont la cause la plus fréquente de consultations des centres génétiques. On estime que près de 50 % des cas sont monogéniques et à ce jour, près de 1 700 gènes ont déjà décrits. L’hétérogénéité génétique des TDN complique le diagnostic moléculaire, pourtant nécessaire pour un suivi génétique et un parcours de soins adapté. Concrètement, c’est toujours un tiers des familles qui restent sans réponse même après une analyse clinique du génome. Cela suggère alors que de nombreux gènes restent encore à découvrir comme pouvant causer un TND.
Le séquençage du génome entier permet de détecter la plupart des variants dans les gènes codants et non codants du génome. Mais pour établir un diagnostic moléculaire, il faut pouvoir combiner assez d’informations fonctionnelles sur les gènes porteurs de mutations rares chez le patient pour pouvoir estimer leur possible implication dans le TND. Cependant, environ 1/3 des gènes codants pour des protéines ont été jusqu’alors peu étudiés et notre connaissance de la fonction des gènes codants pour des ARN régulateurs (ou non-codants) reste limitée. Dans le contexte de TND, le tissu cible est le cerveau en développement, tissu pour lequel le profil d’expression des gènes varie considérablement en fonction du temps et pour lequel peu de données sont disponibles. De plus, l’expression de gènes dans des tissus plus accessibles tels que le sang n’est pas suffisante pour représenter l’expression des gènes dans le cerveau en développement : 25 % des gènes associés aux TND ne sont pas exprimés dans le sang. Tous ces éléments contribuent donc à limiter notre capacité à identifier de nouveaux gènes codants, mais surtout non codants TND lors de l’analyse du génome de patients.

Question de recherche posée et objectifs du projet

Ce projet vise à améliorer le diagnostic des TND en permettant une priorisation des gènes candidats codants ou non codants porteurs de mutations rares chez un patient TND.
A l’ère des technologies haut débit et de l’Open Science, plusieurs jeux de données publiques pourraient permettre d’améliorer notre capacité à évaluer la pathogénicité de variants sur un cerveau en développement tels que le GTEx (1) et le « Developmental GTEx (2) », ou encore BrainSpan (https://www.brainspan.org/) mettent à disposition des données d’expression des gènes codants et non-codants dans les différentes aires du cerveau à l’âge adulte et à différents stade du développement. De plus, des modèles in vitro, comme les cellules souches neurales humaines (hNSC) dérivées de cellules pluripotentes, offrent une alternative pertinente (3,4). Cellules progénitrices à l’origine de la formation du cortex, elles présentent à la fois une importante capacité d’auto-renouvellement et de différenciation en neurones corticaux. Elles expriment également davantage de gènes associés aux TND que le sang ou les fibroblastes.
Les méthodes de biologie computationnelle permettent l’intégration de jeux de données multi-omiques. L’intelligence artificielle computationnelle (IA) offre notamment des méthodes puissantes pour intégrer de multiples sources de données, produire des prédictions et ouvrir la voie à des diagnostics plus fiables. L’IA regroupe différentes méthodes, notamment l’apprentissage automatique basé sur des arbres décisionnels ou l’apprentissage profond nécessitant une modélisation mathématique.
Les objectifs du projet sont le l’implémentation d’approches d’IA basées sur les jeux de données pertinents pour les TND, leur évaluation et la sélection du modèle le plus efficace et sensible pour une prédiction cohérente de l’implication de nouveaux gènes dans les TND de par leur fonction dans le cerveau en développement.

Valorisation scientifique

Les résultats obtenus et l’outil développé issus de ce master peuvent être valorisés dans un article scientifique.

Compétences recherchées

Nous recherchons un(e) candidat(e) de niveau bac +4 en bioinformatique. Il (elle) devra être capable d’interagir avec différents chercheurs et ingénieurs du projet pour développer et mettre en place des méthodes innovantes en sciences de la vie.
Compétences souhaitées :
- Shell, Python
- Connaissances des méthodes d’intelligence artificielle
- Comprendre les technologies de séquençage
- Fortes capacités relationnelles et d’organisation, autonomie
- Capacités rédactionnelle, esprit d’analyse et de synthèse

Informations pratiques

Le stagiaire sera hébergé à deux locations (IGBMC au sein de l’équipe Piton-Moine et au CRBS au sein de l’équipe CSTB) afin de favoriser les échanges interdisciplinaires. Ce stage bénéficiera d’une gratification de 6 mois à partir de janvier-mars 2027, financée par la Fondation des Maladies Rares. Pour tout renseignement ou candidature, merci d’adresser un CV et une lettre de motivation le plus rapidement possible pour un démarrage début 2027 à l’attention de : Tatiana Maroilley (CSTB, CRBS) maroilley@unistra.fr.

Références

1. GTEx Consortium. The Genotype-Tissue Expression (GTEx) project. Nat Genet. juin 2013;45(6):580‑5. doi:10.1038/ng.2653 PubMed PMID: 23715323; PubMed Central PMCID: PMC4010069. ;
2. Coorens THH, Guillaumet-Adkins A, Kovner R, Linn RL, Roberts VHJ, Sule A, et al. The human and non-human primate developmental GTEx projects. Nature. janv 2025;637(8046):557‑64.
3. Darville H, Poulet A, Rodet-Amsellem F, Chatrousse L, Pernelle J, Boissart C, et al. Human Pluripotent Stem Cell-derived Cortical Neurons for High Throughput Medication Screening in Autism: A Proof of Concept Study in SHANK3 Haploinsufficiency Syndrome. EBioMedicine. juill 2016;9:293‑305.
4. Quartier A, Chatrousse L, Redin C, Keime C, Haumesser N, Maglott-Roth A, et al. Genes and Pathways Regulated by Androgens in Human Neural Cells, Potential Candidates for the Male Excess in Autism Spectrum Disorder. Biol Psychiatry. 15 août 2018;84(4):239‑52.