Société Française de Bioinformatique

Mots-Clés

Explainable Artificial Intelligence (XAI) Machine Learning Spatial Proteomics Proteomic Profiling, Hepatocellular Carcinoma Macrotrabecular Pattern Pathway Analysis Biomarker Discovery

Description

L’équipe 3 de l’unité BRIC Inserm 1312, en collaboration avec la plateforme Oncoprot TBMCore UAR 3427, développe des approches innovantes associant protéomique spatiale et intelligence artificielle afin de mieux comprendre l’hétérogénéité tumorale et d’identifier de nouveaux biomarqueurs d’intérêt clinique.
Dans ce contexte, nous nous intéressons aux carcinomes hépatocellulaires (CHC) à contingent macrotrabéculaire, un sous-type histologique particulièrement agressif associé à un risque accru de récidive et à un pronostic défavorable. Afin de caractériser les mécanismes biologiques sous-jacents à cette agressivité, nous avons constitué une cohorte de 28 patients pour lesquels trois compartiments tissulaires ont été isolés par microdissection laser : tissu hépatique non tumoral, contingent tumoral conventionnel et contingent tumoral macrotrabéculaire. Ces échantillons ont ensuite été analysés par spectrométrie de masse haute résolution afin d’obtenir des profils protéomiques spatialisés.
Au cours de l’année écoulée et grâce à notre collaboration LaBRIC, plusieurs modèles de machine learning et des approches d’explicabilité ont été développés pour identifier des signatures protéiques discriminantes entre différents groupes cliniques. Ces travaux ont permis d’améliorer les performances de classification et la compréhension des variables impliquées dans les décisions des modèles. Néanmoins, une difficulté majeure subsiste : l’interprétation biologique des signatures identifiées et leur rattachement à des mécanismes cellulaires ou à des voies fonctionnelles cohérentes.
L’objectif de ce stage sera de développer de nouvelles stratégies d’analyse intégrant l’explicabilité des modèles et les connaissances biologiques afin d’améliorer l’identification des mécanismes associés au phénotype macrotrabéculaire. Il s’agira notamment de :
(i) évaluer l’intérêt d’approches d’explicabilité fondées sur des groupes fonctionnels de protéines (voies de signalisation, modules biologiques, réseaux de co-expression) plutôt que sur des protéines individuelles ;
(ii) développer des analyses corrélatives entre signature discriminante, groupes protéiques fonctionnels et caractéristiques cliniques ou histopathologiques ;
(iii) comparer différentes stratégies d’enrichissement fonctionnel et de représentation des connaissances biologiques pour améliorer l’interprétation des modèles prédictifs ;
(iv) identifier les voies biologiques et processus moléculaires associés spécifiquement au contingent macrotrabéculaire et susceptibles d’expliquer son caractère agressif.
Les résultats attendus contribueront à une meilleure caractérisation moléculaire des carcinomes hépatocellulaires à contingent macrotrabéculaire et à l’identification des mécanismes biologiques impliqués dans leur agressivité. L’intégration des approches d’intelligence artificielle explicable et des analyses fonctionnelles devrait permettre de mettre en évidence de nouvelles voies de signalisation et des cibles pharmacologiques potentielles. Ces candidats seront ensuite évalués pour une étude fonctionnelle dans les modèles cellulaires de CHC développés au BRIC.
Ce projet de stage s’inscrit naturellement dans la continuité d’une collaboration scientifique déjà fructueuse entre les deux équipes.