Méthodes d'intelligence artificielle appliquées sur des données multi-omics et d'imagerie cellulaire pour évaluer le risque d'effets toxiques de substances chimiques sur la santé humaine

Application of artificial intelligence with multi-omics and cell imaging data to decipher chemical-adverse outcomes for human health

• Auteur / Autrice : Vanille Lejal
• Direction : Olivier Taboureau
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique
• Date : Soutenance le 02/12/2024
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Pierre Louis de santé publique : épidémiologie et sciences de l'information biomédicale (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Unité de biologie fonctionnelle et adaptative (Paris ; 2014-....)
• Partenaire(s) de recherche : Entreprise : GIE AIFOR/SOLVAY
• Jury : Président / Présidente : Armelle Baeza-Squiban
• Jury : Examinateurs / Examinatrices : David Rouquié
• Jury : Rapporteurs / Rapporteuses : Marc Pallardy, Andreas Bender
• DOI : 10.70675/5d5f6ffdz9f48z454bz8f4bza6c2727809f5

Mots clés

Mots clés contrôlés

Intelligence artificielle en biologie

Risques pour la santé

Produits chimiques

Mots clés libres

Morphologie cellulaire

Cell Painting

Expression de gènes

L1000

Mode d'action

Toxicologie

Évaluation des risques chimiques

Découverte de médicaments

Cell morphology

Cell Painting

Gene expression

L1000

Mode of action

Toxicology

Chemical Risk Assessment

Drug discovery

Résumé

Avec la montée des préoccupations éthiques, les tests sur animaux sont de plus en plus remis en question mondialement. La règle des 3Rs (Remplacer, Réduire, Raffiner) encourage la transition vers des méthodes alternatives. Dans ce contexte, l'industrie et les autorités régulatrices modernisent les approches de tests toxicologiques, notamment par le développement de nouvelles technologies in vitro et in silico, pour évaluer la sécurité des produits chimiques ou développer de nouveaux médicaments. Ce projet de thèse vise à utiliser la bioinformatique et l'intelligence artificielle pour analyser des données transcriptomiques et d'imagerie cellulaire, afin de mieux comprendre et prédire les risques toxiques des substances chimiques pour l'homme. Nous avons d'abord étudié le risque hépatotoxique en utilisant des modèles d'apprentissage automatique basés sur des profils de Cell Painting, une méthode d'imagerie cellulaire qui capture des caractéristiques cellulaires morphologiques complexes pour évaluer l'impact de substances chimiques. Ces modèles se sont révélés pertinents dans la prédiction de l'hépatotoxicité liée aux composés testés. De plus, l'analyse des profils transcriptomiques a permis d'identifier des modes d'action potentiels pouvant mener à des lésions hépatiques. Ensuite, par des études de réseau, nous avons tenté de relier les perturbations transcriptomiques aux changements phénotypiques observés en Cell Painting. Nous avons ainsi confirmé la pertinence d'un profil hybride, montrant que pour certains composés, les modifications de l'expression génique se reflètent dans la morphologie cellulaire, et ce pour plusieurs lignées cellulaires et différentes durées d'exposition aux composés chimiques. Ces résultats sont prometteurs pour la meilleure compréhension des mécanismes de toxicité des substances chimiques.

With the rise of ethical concerns, animal testing is increasingly being questioned worldwide. The 3Rs principle (Replace, Reduce, Refine) encourages the transition to alternative methods, thereby reducing the use of animals in research. In this context, industry and regulatory authorities are modernizing toxicological testing approaches while protecting human health and the environment, particularly through the development of new in vitro and in silico technologies that offer more sustainable and ethical solutions for assessing the safety of chemical products. This thesis project aims to use bioinformatics and artificial intelligence to analyze transcriptomic and cellular imaging data, in order to better understand and predict the toxic risks of chemical substances to humans. We first studied hepatotoxic risk using machine learning models based on Cell Painting profiles, a cellular imaging method that captures complex cellular morphological features to assess the impact of chemical substances. These models proved accurate in predicting the hepatic risk associated with the tested compounds. The analysis of transcriptomic profiles enabled us to identify potential modes of action for these compounds. Subsequently, through network studies, we connected transcriptomic disturbances with phenotypic changes observed in Cell Painting. By integrating multiple cell lines and different exposure durations to the set of chemicals, we compared the signatures obtained with Cell Painting and transcriptomic data. The study confirmed the relevance of a hybrid profile, showing that for certain compounds, changes in gene expression are reflected in cellular morphology depending on the conditions. These results are promising for drug discovery and chemical risk assessment.