Contribution à la conception de PCR mono- et multi-paramétrique par l'optimisation de modèles génératifs profonds

Optimized deep generative models to support design of single- and multi-parametric PCR

• Auteur / Autrice : Teddy Ardouin
• Direction : Adeline Leclercq-samson
• Type : Projet de thèse
• Discipline(s) : Mathématiques Appliquées
• Date : Inscription en doctorat le 11/05/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann

Mots clés

Mots clés libres

Réseau de neurones

Biologie moléculaire

Diagnostic in vitro

Pcr

Apprentissage profond

Optimisation

In vitro diagnotics

Neural networks

Optimization

Deep learning

Pcr

Molecular biology

Résumé

Un test moléculaire de diagnostic in vitro (IVD) doit garantir la détection spécifique de séquences cibles ADN ou ARN associées à un ou plusieurs pathogènes dans un échantillon parmi un grand nombre de cellules ne présentant pas de risque ou d'intérêt clinique. La technologie PCR met en œuvre des « amorces », servant à initier la réaction d'amplification des cibles ADN ou ARN. Du point de vue diagnostic, les performances du test moléculaire dépendront en grande part du choix de ces amorces. Du point de vue système, les amorces doivent également répondre à certaines contraintes imposées par la technologie PCR. Une PCR multiparamétrique consiste à amplifier simultanément toutes les séquences nucléotidiques d'intérêt grâce à un mélange d'amorces, ce qui augmente considérablement la difficulté à les sélectionner. Cette étape est un processus empirique et manuel très chronophage, devant être recommencé dès lors qu'un nouveau test diagnostic est développé. Ainsi, la valeur médicale et/ou économique des tests moléculaires pourrait être significativement augmentée par l'assistance d'outils numériques basés sur des méthodes d'apprentissage statistique. De tels outils auront pour vocation de fournir au biologiste en charge du développement du test une liste d'amorces candidates, selon des critères rationnels et objectifs, sur laquelle il pourra s'appuyer pour finaliser le choix définitif des séquences d'amorçage retenues. En offrant une approche globale du problème, l'utilisation de technologies numériques pourrait également faire émerger des amorces candidates alternatives, différentes de celles classiquement obtenues avec les méthodes mises en œuvre aujourd'hui, pour des performances équivalentes voire meilleures.

A molecular in vitro diagnostic (IVD) test must guarantee the detection of a specific set of DNA or RNA sequences. They are representative of one or more pathogens diluted in a sample among a large number of non-pathogenic cells without clinical relevance. PCR technology uses short sequences named primers to amplify targeted DNA or RNA sequences. From a diagnostic point of view, the performance level of this molecular assay will largely depend on the choice of these primers. From a system point of view, the primers must also meet constraints imposed by the PCR technology. A multiparametric PCR consists in a simultaneous duplication of all sequences of interest thanks to a mixture of primers. This multiplexed process makes the primers selection a difficult step. It is a time-consuming empirical and manual process, which must be restarted every time a new diagnostic test is developed. Thus, the medical and/or economic value of molecular tests could be significantly increased by the assistance of digital tools based on machine learning methods. Such tools will provide to assay designers a list of candidate primers, according to objective criteria, which will make the final choice of primers more efficient. By offering a global approach to the problem, the use of digital technologies is also expected to promote alternative candidate primers compared to those obtained with current methods, with a same or improved performance level.