Intelligence Artificielle pour le phénotypage dans des cribles haut contenu par vidéo-microscopie

La capacité des cellules cancéreuses à développer une résistance à la thérapie est aujourd’hui un problème majeur pour le développement de nouveaux traitements en oncologie. Les cellules cancéreuses développent naturellement une résistance aux thérapies en raison de leurs propriétés d’instabilité génétique et de prolifération rapide. Avec 17 millions de nouveaux patients cancéreux diagnostiqués chaque année et plus de 100 thérapies ciblées en oncologie cliniquement prouvées, il existe un besoin critique de nouveaux médicaments pour contourner cette résistance acquise aux traitements contre le cancer.

Notre projet se concentre sur les inhibiteurs PARP (PARPi) qui ciblent les mécanismes de réparation des dommages à l’ADN, et qui constituent une vulnérabilité clé pour la résistance acquise aux traitements. Cairn Biosciences génère des données de criblage à haut débit d’images vivantes pour profiler les voies de signalisation et les modifications phénotypiques associées à la résistance PARPi. Le CBIO est quant à lui un laboratoire de référence en machine learning appliqué à la biologie.

La collaboration proposée dans ce projet visera à :

1) développer des méthodes de machine learning (ML) pour la classification de composés et le profilage phénotypique à l’échelle cellulaire,
2) utiliser le cadre conceptuel de l’inférence causale pour trouver des relations causales entre les vecteurs de caractéristiques biologiques issues d’une analyse de profilage phénotypique,
3) développer des modèles de ML pour prédire des états biologiques cellulaires à partir d’images non labellisées in vitro.

Le succès de ce projet permettra d’identifier des cibles et des médicaments pour traiter la résistance PARPi. A plus long-terme, notre plateforme nous place en bonne position pour traiter les résistances acquises dans d’autres domaines thérapeutiques, au-delà de PARPi.