IA/ML pour la biomédecine

Ce groupe, dirigé par Pr Marianna Rapsomaniki, se concentre sur le développement d'approches IA/ML (intelligence artificielle/machine learning-apprentissage automatique) adaptées à des données biomédicales complexes et multimodales afin d'élucider les mécanismes du cancer, du niveau intracellulaire au niveau du patient. Les sujets d'intérêt particulier incluent la compréhension de la régulation du génome en 3D, la modélisation du microenvironement tumoral à l'aide de données omiques unicellulaires (transcriptomique, métabolomique, protéomique) et le développement d'approches d'oncologie de précision pilotées par l'IA et basées sur la prédiction des effets de perturbations médicamenteuses ex vivo.

• Ovchinnikova, K., Born, J., Chouvardas, P., Rapsomaniki, M.* and Kruithof de Julio, M.* (2024). "Overcoming limitations in current measures of drug response may enable AI driven precision oncology." npj Precision Oncology, 8, 95.
• Gossi, F., Pati P., Chouvardas, P., Martinelli, A. L., Kruithof-de Julio, M., Rapsomaniki, M. A. (2023). "Matching single cells across modalities with contrastive learning and optimal transport." Brief Bioinform 24(3).
• Martinelli, A. L., Rapsomaniki, M. A. (2022). "ATHENA: analysis of tumor heterogeneity from spatial omics measurements." Bioinformatics 38(11): 3151-3153.
• Rapsomaniki, M. A., Maxouri, S., Nathanailidou, P., Garrastacho, M. R., Giakoumakis, N. N., Taraviras, S., Lygeros,  J., Lygerou, Z. (2021). "In silico analysis of DNA re-replication across a complete genome reveals cell-to-cell heterogeneity and genome plasticity." NAR Genom Bioinform 3(1): lqaa112.
• Wagner, J., Rapsomaniki, M. A., Chevrier, S., Anzeneder, T., Langwieder, C., Dykgers, A., Rees, M., Ramaswamy, A., Muenst, S., Soysal, S. D., Jacobs, A., Windhager, J., Silina, K., van den Broek, M., Dedes, K. J., Rodriguez Martinez, M., Weber, W. P., Bodenmiller, B. (2019). "A Single-Cell Atlas of the Tumor and Immune Ecosystem of Human Breast Cancer." Cell 177(5): 1330-1345 e1318.
• Rapsomaniki, M. A., Lun, X. K.,Woerner, S., Laumanns, M., Bodenmiller, B., Martinez, M. R. (2018). "CellCycleTRACER accounts for cell cycle and volume in mass cytometry data." Nat Commun 9(1): 632.

• IA pour le domaine de l'oncologie de précision : nous créons des outils d'intelligence artificielle (IA) pour mieux comprendre la complexité du cancer. Grâce à ces outils, nous pouvons analyser les données complexes des tumeurs pour voir comment les cellules cancéreuses évoluent et répondent aux traitements. Notre but est de découvrir des informations précieuses qui mèneront à des traitements personnalisés plus efficaces pour chaque patient.
• IA générative pour la recherche médicale : nous développons des technologies d'IA capables de reproduire des expériences médicales coûteuses et longues. En utilisant des données existantes, ces technologies peuvent prédire les résultats d'expériences non réalisées ou aider à tester de nouveaux médicaments rapidement et à moindre coût.
• PROMETEX : Metbolically-instructed therapy selection for prostate cancer. Nous combinons l'IA avec des modèles de cellules cancéreuses de patients (organoïdes) pour créer un atlas des réponses aux différents médicaments. Cet atlas nous aide à choisir les traitements les plus efficaces pour chaque patient, en tenant compte des différences individuelles. PROMETEX est une collaboration avec le laboratoire Urogenus de l’Université de Berne et le laboratoire Alexandrov à l’EMBL (Laboratoire européen de biologie moléculaire), et est soutenu par le Fonds national suisse (FNS).