Mots-Clés

Développement applciatif Auto-immunité django python deep-learning bio-informatique stage Master 2

Description

Offre de stage Bioinformatique

Laboratoire d’Immunologie et Immunogénétique

CHU Bordeaux - Pôle de Biologie Pathologie

Présentation du laboratoire

Le laboratoire d’Immunologie et Immunogénétique du CHU de Bordeaux est un laboratoire
de biologie médicale. Il comprend deux secteurs : Allergie-Humorale-Auto-Immunité et HLA-Cellulaire.

Le secteur Allergie-Humorale-Auto-Immunité effectue des examens en vue du diagnostic et du suivi
des maladies allergiques, auto-immunes, liées aux dysglobulinémies et aux anomalies du système du
complément. L’ensemble de ces examens est réalisé dans le respect des bonnes pratiques du laboratoire
et de la norme ISO 15189, avec accréditation par le COFRAC (Comité Français d’Accréditation).

Les techniques utilisées sont multiples, qualitatives et quantitatives : immunofluorescence indirecte,
ELISA, immunodot, turbidimétrie, néphélémétrie, immunofixation sur gel, isoélectrofocalisation et
cytométrie en flux.
Le laboratoire dispose également d’une activité importante de développement informatique et bioinformatique,
notamment pour la gestion et l’analyse des données biologiques, avec le développement d’applications Web
internes en Python/Django.

Contexte du poste

La recherche des anticorps antinucléaires (ANA) sur cellules épithéliales humaines HEp-2 par
immunofluorescence indirecte (IFI) constitue une technique de référence pour l’exploration des maladies
auto-immunes systémiques.

L’interprétation des images d’IFI repose notamment sur la reconnaissance de différents aspects de fluorescence
nucléaires et cytoplasmiques. Elle nécessite une expertise importante et peut présenter une variabilité
inter-observateur, notamment pour certains patterns complexes, rares ou difficiles à distinguer.

Dans le cadre d’un précédent travail de recherche mené au laboratoire en collaboration avec l’INRIA, un modèle
de deep learning a été développé pour caractériser automatiquement les aspects de fluorescence observés sur les
cellules HEp-2. Il repose notamment sur un réseau EfficientNet-B4 adapté aux images de fluorescence et une
classification multi-label des patterns nucléaires.

Les résultats obtenus sont encourageants pour plusieurs aspects nucléaires, tandis que la reconnaissance des
aspects cytoplasmiques reste plus difficile. Ils soulignent notamment l’importance de disposer de données suffisamment
nombreuses, représentatives et correctement caractérisées pour évaluer et améliorer le modèle.

Le présent stage vise à développer un environnement applicatif permettant d’exploiter ce modèle dans différents contextes
et de faciliter son évaluation sur les données du laboratoire. Il permettra également de structurer l’accès aux images
HEp-2 existantes et leur regroupement selon leurs caractéristiques biologiques, afin de constituer progressivement des
jeux de données adaptés aux futurs développements et entraînements du modèle.

Le projet se situe ainsi à l’interface entre développement Web, bioinformatique, exploitation de données biologiques et
intelligence artificielle appliquée à l’imagerie biomédicale.

Objectifs du stage

L’objectif principal du stage sera de concevoir et développer une application Web permettant d’utiliser le modèle de
deep learning de caractérisation des images HEp-2 dans différents contextes expérimentaux et, à terme, dans le cadre de
l’activité du laboratoire.

Un deuxième objectif majeur sera de concevoir et développer un système de recherche, de sélection et de regroupement des
images HEp-2 existantes à partir des informations disponibles dans le système d’information du laboratoire (SIL). Cet
environnement devra permettre de constituer des jeux de données ciblés et documentés afin de faciliter l’évaluation du modèle
ainsi que ses futurs développements et entraînements.

Le stage comportera donc deux axes principaux, complétés par une ouverture vers l’évolution du modèle :
1. Conception et développement d’une application Web permettant l’utilisation du modèle dans différents scénarios ;
2. Conception et développement d’un système de recherche et de constitution de jeux d’images à partir des données existantes du laboratoire ;
3. Ouverture possible vers l’amélioration du modèle, notamment pour la reconnaissance des patterns cytoplasmiques.

Postes et missions

Le stagiaire travaillera principalement au sein du secteur Auto-Immunité du laboratoire d’Immunologie du CHU de Bordeaux, avec
le support du bioinformaticien du laboratoire.
Il bénéficiera d’un accompagnement technique sur les aspects de développement Python/Django, de gestion et d’exploitation des
données biologiques, d’intégration de modèles de machine learning et de conception d’applications Web.

Il sera également encadré par des biologistes médicaux impliqués dans le projet, qui apporteront leur expertise pour la définition
des besoins, la caractérisation des images et l’évaluation des résultats produits par le modèle.

Objectif 1 – Conception et développement d’une application Web pour l’utilisation du modèle

Cette mission constituera le cœur du stage. Le stagiaire devra concevoir et développer une application Web en Python/Django
permettant d’intégrer le modèle de deep learning existant et de le rendre facilement accessible aux utilisateurs du laboratoire
dans les conditions souhaitées par les référents.

Une étape sera de transformer le modèle développé précédemment en une brique fonctionnelle intégrée à cette application, pouvant
être utilisée dans différents contextes. L’application devra notamment permettre de sélectionner des images HEp-2, de les soumettre
au modèle et de visualiser clairement les résultats obtenus.

La définition des fonctionnalités et des différents scénarios d’utilisation sera construite conjointement avec les biologistes,
techniciens experts et utilisateurs du laboratoire, afin d’identifier les besoins et les modalités d’utilisation les plus pertinentes.
Plusieurs situations pourront ainsi être envisagées, comme l’analyse ponctuelle d’une image, l’analyse d’un ensemble d’images ou
l’évaluation du modèle sur un jeu de données préalablement constitué. L’application pourra également permettre de comparer les prédictions
du modèle avec la caractérisation réalisée par les utilisateurs, afin de faciliter l’évaluation de ses performances et l’identification
des situations discordantes.

L’objectif ne sera pas, dans un premier temps, de développer un nouvel algorithme de deep learning, mais de rendre le modèle existant
facilement utilisable, testable et évolutif au sein d’une application adaptée aux besoins du laboratoire.
Une attention particulière sera portée à l’ergonomie et à la modularité de l’application, afin de permettre son évolution en fonction
des retours des utilisateurs et l’intégration ultérieure de nouvelles versions du modèle ou de nouvelles fonctionnalités.
L’application constituera ainsi une base fonctionnelle pour expérimenter et évaluer différents usages du modèle sur les images HEp-2 du
laboratoire, tout en préparant ses futurs développements.

Objectif 2 – Recherche, sélection et regroupement des images HEp-2 pour constituer des jeux de données

Le deuxième axe majeur du stage, très lié au premier, consistera à développer dans l’application un système permettant d’explorer et de
rechercher les images HEp-2 disponibles dans l’environnement du laboratoire, en s’appuyant sur les informations issues du SIL.
L’objectif sera d’établir un lien automatique entre les images acquises lors des examens de routine et les interprétations biologiques qui
leur sont associées, afin de pouvoir retrouver et sélectionner des images selon différents critères. Le stagiaire devra étudier la structuration
des données disponibles et concevoir une recherche multicritère permettant notamment de cibler une caractérisation biologique, les aspects
nucléaires ou cytoplasmiques, une période ou d’autres caractéristiques pertinentes.
Les résultats de ces recherches devront ensuite pouvoir être regroupés et organisés en jeux d’images. L’utilisateur pourra ainsi, par exemple,
identifier les images correspondant à un pattern particulier et constituer un ensemble destiné à tester le modèle ou à analyser ses performances.
Une attention particulière sera portée à la traçabilité et à la caractérisation des jeux de données constitués, afin de conserver les critères
ayant conduit à leur sélection et les informations biologiques associées.
L’objectif est ainsi de mettre en place un environnement facilitant non seulement l’utilisation du modèle, mais également **l’identification et
la préparation des données nécessaires à son évaluation et à son évolution future. **

Ouverture vers l’évolution du modèle

Le développement de l’application et la constitution de jeux de données permettront également au stagiaire de mieux appréhender les performances
et les limites du modèle existant, notamment pour la reconnaissance des patterns nucléaires.
Selon l’avancement du stage et l’intérêt du stagiaire pour cette thématique, une participation au réentraînement du modèle pour la reconnaissance
nucléaire pourra être envisagée, notamment à travers la constitution et l’annotation d’un jeu de données d’images adapté, ainsi que l’analyse des
performances du modèle et l’évaluation des améliorations obtenues.

Cette première expérience pourra, à plus long terme, ouvrir sur une problématique de recherche dédiée à l’amélioration du modèle pour la
reconnaissance des patterns cytoplasmiques, domaine pour lequel des développements complémentaires restent nécessaires. La définition d’un tel projet
pourra être envisagée en fonction des résultats obtenus au cours du stage, de l’intérêt et des compétences du stagiaire, et des perspectives
scientifiques et de financement du projet, voire dans le cadre d’une poursuite en thèse.

Le cœur du stage restera toutefois consacré au développement de l’application et aux outils nécessaires à la constitution de jeux de données, avec
une ouverture possible vers le réentraînement du modèle pour la reconnaissance nucléaire.

Environnement technique

Développement :
• Python 3
• Django
• HTML / CSS
• JavaScript
• SQL
• Bash Environnement :
• Linux Debian
• Windows
• Git
• bases de données relationnelles

Compétences recherchées
• Formation de niveau Master 2 en bioinformatique ou informatique avec un fort attrait pour l’intérêt biologique et médical du sujet ;
• bonne maîtrise de Python ;
• intérêt pour le développement applicatif et le traitement des données ;
• intérêt pour le machine learning et le deep learning ;
• capacité d’adaptation et d’autonomie ;
• rigueur dans la documentation et la gestion du code ;
• bonnes capacités de communication et de travail en équipe ;

Une connaissance initiale en développement avec Django et des notions de deep learning est un plus, mais une formation universitaire en bioinformatique,
informatique ou data science permettant de s’approprier ces technologies est suffisante.

Environnement de travail

Ce stage offre la possibilité de travailler à l’interface entre biologie médicale, bioinformatique, développement logiciel et analyse d’images, dans un
contexte hospitalier.
Le stagiaire sera intégré à l’équipe et travaillera en interaction régulière avec les bioinformaticiens, biologistes médicaux et techniciens du laboratoire.
Ces échanges permettront de comprendre les besoins des utilisateurs, les contraintes du laboratoire et le contexte biologique des données traitées.

Afin de favoriser son intégration et de développer sa culture en biologie médicale, le stagiaire pourra également découvrir les principales activités et
techniques réalisées au sein du laboratoire, au-delà de celles directement liées au projet HEp-2.

Cette immersion a pour objectif de lui permettre de mieux comprendre la production et l’interprétation des données sur lesquelles il travaillera, tout en
développant sa culture en biologie médicale. Elle pourra être adaptée en fonction de ses intérêts et des contraintes liées à l’activité du laboratoire.

Le stagiaire bénéficiera d’un poste de travail adapté ainsi que de l’accompagnement technique de son maitre de stage et pourra également s’appuyer sur les compétences des
bioinformaticiens du pôle Biologie-Pathologie. Il bénéficiera d’interlocuteurs scientifiques auprès des biologistes médicaux et les techniciens experts
impliqués dans le projet.