Mots-Clés
Data Science
RNAseq
Signature
Diagnostic
Machine learning
Graphes
Description
Contexte scientifique
Les troubles du neurodéveloppement (TND), majoritairement d’origine
génétique, sont souvent complexes à diagnostiquer. À ce jour, une large
proportion des patients reste sans diagnostic génétique, malgré
l’utilisation de technologies de séquençage à haut débit (exome, génome).
L’analyse de l’ARN (RNA-Seq) constitue un outil complémentaire puissant
pour explorer les conséquences fonctionnelles des variants génétiques au
niveau du transcriptome.
Dans une étude récente, notre équipe de recherche a exploré le rôle de
Sonic Hedgehog (SHH) dans le développement précoce du cerveau
humain, en se concentrant sur le prosencéphale. Nous avons utilisé des
cellules souches pluripotentes induites (iPSCs) pour mettre au point un
modèle bidimensionnel capable de simuler la formation du
neuroectoderme antérieur. Nous avons ainsi pu analyser les programmes
transcriptionnels déclenchés par SHH au fil du développement précoce du
cerveau. Nos travaux ont montré qu’il était possible d’identifier des
signatures caractéristiques, composées d’un grand nombre de nouveaux
gènes-marqueurs, y compris des ARN non codants longs (lncRNAs).
Nous sommes convaincus que la caractérisation de ces signatures
transcriptomiques et leur généralisation, associant des approches à haut
débit et d’intelligence artificielle, pourront améliorer le diagnostic des
patients et constituent une stratégie incontournable pour mieux
comprendre ces pathologies rares. Ainsi, nos travaux sont actuellement
centrés sur l’identification de signatures transcriptomiques spécifiques au
développement précoce du cerveau humain, à certains gènes mutés ou
sous-groupes de patients.
Pour plus d’information voir :
https://www.biorxiv.org/content/10.1101/2025.05.20.654466v1
Objectifs du projet
Les TND présentent une grande diversité phénotypique et génétique.
Notre hypothèse est que certaines anomalies transcriptomiques
(expression différentielle, signatures globales) sont caractéristiques de
sous-groupes de patients et reflètent les altérations moléculaires causées
par des variants pathogènes.
L’objectif principal du projet est d’identifier des signatures
transcriptomiques associées à différents modèles de TND à partir de
données RNA-Seq issues de nos modèles bi-dimensionnels. Les objectifs
spécifiques à ce stage de Master 2 sont les suivants :
- Identifier des signatures transcriptionnelles spécifiques, selon les
variants ou groupes de gènes impliqués.
- Utiliser des méthodes de machine learning pour caractériser et
classifier ses signatures.
- Explorer la valeur diagnostique et mécanistique des signatures
identifiées.
Description du projet de recherche et du rôle précis du stagiaire
de Master 2
Le projet repose sur l’analyse de données RNA-Seq obtenue sur nos
modèles bi-dimenstionnels issus de lignées hiPSC dérivées de patients
atteints de TND, de témoins sains et/ou modifiées génétiquement (SHH,
DISP1…). Ces données sont disponibles dans le cadre de projets en cours.
Le/la stagiaire analysera les signatures d’expression génique en
développant et/ou en mettant en œuvre des pipelines/méthodes
bioinformatique existantes. Il/elle mettra en œuvre des approches de
machine learning (méthodes supervisées et non supervisées) pour
identifier des signatures transcriptomiques spécifiques. Les approches
testées incluront notamment des techniques de réduction de dimension
(ACP, t-SNE, autoencodeurs), de classification (forêts aléatoires, SVM,
réseaux de neurones) et d’intégration de données (factorisation de
matrices, méthodes basées sur les graphes).
Le/la stagiaire participera également à l’exploration des résultats issus des
différentes stratégies d’analyse. Une attention particulière sera portée à
l’interprétation biologique des signatures identifiées, afin de relier les
observations transcriptomiques aux mécanismes moléculaires sous-
jacents. Ce travail contribuera à la mise en place d’outils pour le
diagnostic assisté par IA des TND rares.
Encadrement du stagiaire de Master 2
Le/la stagiaire sera co-encadré(e) par Jules Garreau (Doctorant en
bioinformatique 3ème année), par le Pr Marie de Tayrac (spécialiste en
bioinformatique et Data-science) et Dr Valérie Dupé, spécialiste en
biologie du développement. Jules Garreau et Marie de Tayrac assureront
l’encadrement opérationnel et stratégique sur les aspects bioinformatique
et IA. Valérie Dupé guidera le/la stagiaire dans la compréhension de la
pathologie, des modèles et sur l’interprétation des résultats
transcriptomiques. Wilfrid Carré, bioinformaticien senior ainsi que le
laboratoire de bioinformatique du CHU de Rennes seront également
disponible pour accompagner les analyses bioinformatiques du projet
et/ou besoin de formation du/de la stagiaire. Le/la stagiaire intégrera une
équipe interdisciplinaire dynamique, avec des réunions régulières pour
discuter des résultats et des perspectives du projet.
Site Web : https://igdr.univ-rennes.fr/recherche-de-lequipe-gedine