Bio-informatique et recherches sur le cancer
Notre laboratoire est rattaché à l’Institut de recherche en immunologie et en cancérologie (IRIC) de l’Université de Montréal (UdeM). Notre équipe multidisciplinaire développe des outils bio-informatiques et des pipelines d’analyse, et tire profit de l’apprentissage automatique et d’autres approches computationnelles pour analyser des données omiques, telles que la transcriptomique, la chémo-génomique et la protéomique. Grâce à la recherche autant fondamentale, translationnelle que clinique, nous contribuons à l’amélioration du traitement du cancer.
Charbel Machaalani et Eve Wang ont présentés leurs travaux à la 5ème journée des stagiaires de l’IRIC. Ils ont remportés conjointement le prix de la meilleure présentation pour leurs posters, respectivement: “Implementation of neural networks to predict gene expression using compound structures” de Eve Wang et “Implementation of a new neural network approach to characterize small molecules for drug development using gene profiles” de Charbel Machaalani.
L’article de Maria Virginia Ruiz Cuevas, “BamQuery: a proteogenomic tool to explore the immunopeptidome and prioritize actionable tumor antigens”, a été publié dans BMC Genome Biology et est desormais disponible en ligne. Félicitations, Maria!
Félicitations à Dr. Maria Virginia Virginia Ruiz Cuevas pour sa défense de thèse réussite! Sa thèse, intitulée “Improving anti-cancer therapies through a better Identification and characterization of non-canonical MHC-I associated peptides” (amélioration des thérapies anti-cancer par l’avancée de l’identification et de la caractérisation des peptides non-canoniques associées au CHM-I), sera disponible sous peu dans le système Papyrus de l’UdeM.
Carl Munoz et Léonard Sauvé ont été invités à présenter leurs travaux part posters à la conférence d’ISCB GLBIO 2023. Le poster de Léonard Sauvé intitulé “Factorized Embeddings demonstrate that transcriptomic profiles can be summarized into very few genetic components useful for sample-related and biological feature detection”, et celui de Carl Munoz, intitulé “C-less is K-more: k-mers as an alternative to gene expression in low-coverage RNA-seq”, seront mis publique sous peu.
Le court article de Jeremie Zumer: Pepid: a Highly Modifiable, ML-Friendly Peptide-Centric Search Engine, introduisant le moteur de recherche du labo Lemieux, sera presentée lors de la conference Apprentissage Automatique et Biologie Computationelle (Machine Learning and Computational Biology, MLCB) 2022. L’affiche peut être téléchargée en suivant ce lien (1.3MB).