Modèles génératifs profonds pour la prédiction de l’expression génique d’une cellule unique depuis son image et inversement

La microscopie robotisée couplée à l’analyse d’image de millions de cellules et le séquençage sur cellule unique, en rendant, chacun et séparément, accessible l’hétérogénéité cellulaire des tissus et des organismes, ont été des avancées cruciales pour une compréhension fine du vivant et des pathologies.

Dans ce contexte, Minos Biosciences a développé une technologie permettant, pour la première fois à très haut débit, d’explorer la relation entre le profil d’expression génique de cellules individuelles et leur phénotype visuel. Le projet sera mené par les équipes Bio-imagerie Computationnelle et Bioinformatique de l’Institut de Biologie de l’ENS et le Laboratoire de BioChimie de l’ESPCI Paris, en partenariat avec la startup. Pour chaque cellule individuelle, la relation entre les deux types de données disponibles (image et transcriptome) sera étudiée selon trois axes. Dans un premier temps, le candidat évaluera et comparera la capacité prédictive du transcriptome et des images cellule unique pour une tâche de classification de cellules en sous populations. Dans un
second temps, il évaluera si la concaténation des deux types de données en entrée d’un réseau profond permet d’en augmenter sa capacité prédictive. Enfin, il développera une approche deep-learning pour évaluer avec quelle précision il est possible de prédire le phénotype visuel d’une cellule à partir des données transcriptomiques et vice versa.

Les preuves de concept développées au cours de ce projet pourront profiter à de nombreuses applications pour la recherche et/ou, dans une optique de médecine personnalisée, pour l’identification et la validation de « biomarqueurs » (profils cellulaires) à des fins pronostiques ou diagnostiques.