Une approche logique de l'identification systématique de modèles informatiques de réseaux dédiés à la prédiction des interactions géniques en synergie pour la prolifération tumorale

par Stéphanie Chevalier

Projet de thèse en Informatique

Sous la direction de Christine Froidevaux, Loïc Pauleve et de Andreï Zinovyev.

Thèses en préparation à Paris Saclay , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....) , en partenariat avec LRI - Laboratoire de Recherche en Informatique (laboratoire) , BioInfo - Bioinformatique (equipe de recherche) et de Université Paris-Sud (établissement de préparation de la thèse) depuis le 01-10-2018 .


  • Résumé

    La prolifération tumorale bénéficie de synergies entre les interactions génétiques qui renforcent la résistance aux traitements par des mécanismes alternatifs pour prévenir l'apoptose. Les modèles informatiques de réseaux de régulation peuvent prédire une partie de ces synergies et donc suggérer de nouvelles cibles thérapeutiques. Toutefois, leur définition pour simuler la croissance d'une lignée cellulaire précise est un défi important. Ce projet reposera sur des approches logiques d'intelligence artificielle pour déduire des modèles causaux à partir de données de différentiation et des cribles CRISPR de mutations pour la prolifération cellulaire. La programmation logique permettra d'identifier efficacement les mécanismes nécessaires pour reproduire les observations tout en intégrant les parties du réseau qui ne sont pas identifiables. Cette nouvelle méthodologie sera appliquée à des données expérimentales collectées pour le cancer du colon à l'Institut Curie.

  • Titre traduit

    A logical approach to the systematic identification of computational network models for predicting synergistic genetic interactions involved in tumoral proliferation


  • Résumé

    Synergistic genetic interactions provide strong drug resistance mechanisms to the tumoral proliferation, as they enable alternative pathways for preventing apoptosis. Computational models of genetic regulation bring a promising framework to identify these synergies and thus suggest new therapeutic targets. However, the formal definition of causal networks that model the growth of a studied cell line is a major challenge. This project will rely on logical frameworks of artificial intelligence to provide new methods for predicting causal networks from cell differentiation data and genome-wide CRISPR screens of mutants for cell proliferation. Logic programming will allow to identify the mechanisms which are crucial to reproduce the observations while integrating non-identifiable part of the network leading to a high variability of the potential models. The developed methodology will be applied on new experimental data related to colon cancer produced at Institut Curie.