Léa Kaufmann récompensée pour son poster lors de la Rencontre Louis-Philippe-Bouthillier 2024
Félicitations à Léa Kaufmann qui a remporté le prix “Choix du public” pour son poster. Celui-ci portait sur l’utilisation de profils d’expression géniques pour la prédiction d’activité biologique de composés chimiques dans des cellules cancéreuses. Léa a aussi eu l’opportunité de présenter ses travaux de recherche sous forme de présentation orale. Bravo!
La Rencontre Louis-Philippe-Bouthillier est organisée par le Département de biochimie de l’Université de Montréal en l’honneur du professeur Louis-Philippe Bouthillier, biochimiste de grande qualité. Cette rencontre est maintenant devenue une tradition annuelle qui permet de rassembler tous les membres et intervenants en recherche du département et de permettre ainsi à chacun de bénéficier de ce forum privilégié pour prendre connaissance et discuter des différents projets de recherche.
Utilisation de profils d’expression géniques pour la prédiction d’activité biologique de composés chimiques dans des cellules cancéreuses
L’analyse de composés pour la mise au point de nouvelles thérapies médicamenteuses est un processus long et coûteux. La chemoinformatique a pour but de l’accélérer grâce à des prédictions basées sur la structure chimique du composé, mais elle ne tient pas compte des interactions biologiques. Notre hypothèse est que le profil transcriptomique d’une cellule traitée par un composé chimique est une meilleure représentation du composé que la structure de ce dernier pour la prédiction de son activité. Les cellules primaires étant souvent disponibles en très faible quantité et ayant une durée de vie limitée hors du corps humain, on ne peut pas cribler sur elles un grand nombre de composés. Le but de ce projet est de pouvoir prédire l’effet de composés chimiques non testés sur les cellules d’un patient afin d’accélérer le choix d’un traitement adapté. Nous utilisons le jeu de données LINCS du Broad Institute qui contient plus de 3 millions de profils transcriptomiques et le jeu de données ChemBank (Petri Seiler et al., 2008) qui contient 2 500 essais biologiques issus de criblage à haut-débit. Nous cherchons à prédire les résultats des essais à partir des profils transcriptomiques grâce à un modèle de type Deep Neural Network. Nous avons au préalable montré la faisabilité de prédire un gène d’une lignée cellulaire LINCS à partir des profils transcriptomiques d’une autre lignée. Notre travail permettra d’identifier in silico des composés qui seraient de bons candidats pour la phase pré-clinique de développement de médicaments contre certains cancers. coûteux. La chemoinformatique a pour but de l’accélérer grâce à des prédictions basées sur la structure chimique du composé, mais elle ne tient pas compte des interactions biologiques.
