Vishvak, merci de prendre le temps de discuter avec moi aujourd’hui. Vous faites actuellement un doctorat en informatique sous la supervision de Yue Li et la codirection de Jun Ding. Comment en êtes-vous venu à étudier l’informatique?
J’ai commencé mes études de premier cycle à l’Université McGill en biologie, parce que c’était ma matière préférée au secondaire. Lors de ma première année, j’ai suivi le cours d’introduction à l’informatique, COMP 202. Au départ, j’ai trouvé cela très difficile. C’était une nouvelle façon de penser à laquelle je n’étais pas habitué. Puis, à mi-parcours, quelque chose a débloqué. J’ai commencé à vraiment apprécier la discipline et à comprendre la logique derrière les concepts. J’ai alors changé de programme pour poursuivre un baccalauréat en informatique et biologie avec concentration conjointe. Mon parcours en recherche a commencé en quatrième année, lorsque j’ai travaillé sur deux projets distincts, chacun avec l’une de mes personnes superviseures actuelles. Aujourd’hui, mes études supérieures sont le fruit d’un effort conjoint entre les professeur·es Li et Ding et moi-même.
L’an dernier, vous avez reçu une bourse de doctorat D2R. Lorsqu’on pense à l’informatique, on ne l’associe pas nécessairement à la recherche sur les thérapies à ARN. Comment avez-vous connu D2R et qu’est-ce qui vous a convaincu que votre travail y avait sa place?
J’ai découvert D2R grâce à des courriels faisant la promotion des bourses d’études D2R. Et vous avez raison, l’informatique n’est probablement pas le premier domaine auquel on pense lorsqu’on parle de D2R. Pourtant, le lien est très fort. En génomique moderne et dans le développement de thérapies à base d’ARN, nous avons accès à d’immenses ensembles de données complexes. Les approches computationnelles sont essentielles pour en extraire des informations biologiques pertinentes.
Ce qui m’a également attiré vers les bourses D2R, c’est qu’elles offrent beaucoup plus qu’un soutien financier. Elles donnent aussi accès au Programme de formation D2R. Celui-ci met en contact des personnes stagiaires provenant d’horizons très variés et propose des ateliers ainsi que le Symposium annuel D2R. Par exemple, lors de l’atelier Démystifier la science des données, une discussion sur la reproductibilité m’a amené à réfléchir à l’importance que les résultats informatiques puissent être reproduits et validés dans un laboratoire expérimental.
Vous avez déjà mentionné certains aspects de votre projet, qui vise à développer des modèles d’intelligence artificielle pour analyser des données de génomique spatiale et unicellulaire. Pouvez-vous expliquer votre recherche?
Bien sûr. L’objectif général de mon projet est de comprendre comment les cellules évoluent au fil du temps, comment elles se différencient, se développent et réagissent à différents traitements.
Je travaille avec des données de transcriptomique unicellulaire et spatiale. Pour les personnes qui connaissent moins ces approches, les données unicellulaires permettent de mesurer l’expression des gènes à l’échelle d’une cellule individuelle. La transcriptomique spatiale, quant à elle, fournit des informations sur l’emplacement de ces cellules, en associant les transcrits à une position physique dans un tissu.
Notre objectif est de combiner ces deux types d’informations afin de créer un modèle d’intelligence artificielle capable de suivre l’évolution d’une cellule au fil du temps.
Imaginons que nous disposions de cellules séquencées à deux moments différents et que nous souhaitions comprendre ce qui entraîne les changements observés. Le défi est que le séquençage détruit les cellules. Les cellules observées au deuxième moment ne sont donc pas exactement les mêmes que celles observées au premier. Mon projet vise à établir des liens entre ces cellules à travers le temps.
Une fois ces correspondances établies, nous pouvons étudier les transformations qui se produisent ainsi que les programmes génétiques qui les sous-tendent. Nous pouvons même commencer à prédire les changements futurs.
Qu’apporte l’intelligence artificielle à ce projet que d’autres approches ne permettraient pas de réaliser?
Une grande partie de ce travail ne serait tout simplement pas possible sans l’intelligence artificielle. C’est particulièrement vrai pour la prédiction de l’évolution des cellules d’un moment à l’autre. Ce type de modélisation prédictive repose directement sur des méthodes d’IA.
Par ailleurs, les données de génomique unicellulaire sont souvent très complexes, fortement dimensionnelles et parfois bruitées. Les approches d’intelligence artificielle permettent souvent d’obtenir des représentations plus précises, moins bruitées et de dimension réduite. Cela facilite ensuite l’intégration de différentes sources d’information, comme l’expression génique, les niveaux de protéines ou l’accessibilité de la chromatine.
Quel est l’objectif ultime d’un tel projet? Observer une cellule à un moment donné pour ensuite prédire son évolution? Et quelles données utilisez-vous comme référence pour valider vos résultats?
C’est une excellente question. J’utilise actuellement de grands atlas de données accessibles publiquement, comprenant parfois 10 000, voire 500 000 cellules observées à plusieurs moments dans le temps.
Cela me permet d’utiliser les cellules observées au deuxième moment comme référence afin d’évaluer la précision de nos prédictions concernant les transitions cellulaires. Lorsqu’une cellule observée à un premier moment est associée à une cellule observée plus tard, nous pouvons vérifier si ces deux cellules appartiennent au même type cellulaire. Dans un contexte de développement, les types cellulaires peuvent évoluer, mais il faut alors s’assurer que cette transition est biologiquement cohérente.
Ce travail ouvre la porte à de nombreuses analyses supplémentaires. Certaines pourraient éventuellement être validées avec l’aide de collaboratrices et collaborateurs travaillant en laboratoire expérimental. C’est une avenue que nous pourrions explorer dans l’avenir, mais nous n’en sommes pas encore à cette étape.
Comment voyez-vous ce type de recherche contribuer au développement de thérapies à ARN?
Si nous sommes capables de prédire l’évolution d’une cellule, nous pouvons ensuite introduire différentes perturbations, par exemple en simulant des modifications de l’expression génique. Grâce à notre modèle d’intelligence artificielle, nous pouvons alors observer l’effet potentiel de ces modifications sur la cellule et éventuellement identifier des cibles thérapeutiques qui pourront ensuite être validées expérimentalement.
À mon avis, l’un des principaux objectifs de la biologie computationnelle et de la bio-informatique est justement d’accélérer l’identification de nouvelles cibles thérapeutiques.
Je crois également que D2R joue un rôle important en rapprochant les spécialistes de la biologie computationnelle et les personnes qui travaillent en laboratoire expérimental. Cette mise en relation favorise l’émergence de collaborations dès le début des projets, au moment où la cocréation peut avoir le plus grand impact.
Avant de conclure, y a-t-il quelque chose que nous n’avons pas abordé et que vous aimeriez que la communauté D2R sache à votre sujet?
En dehors de mes recherches, j’aime être aussi actif que possible. J’aime aller au gym, courir avec mes amis et pratiquer différents sports. J’adore également regarder les compétitions sportives. Je plaisante parfois en disant que ce doctorat est en fait mon deuxième doctorat, puisque mon premier serait en sport!
Cette entrevue avec Anthony Van Kessel, responsable du Programme de formation D2R, a été révisée et abrégée à des fins de concision et de clarté.
