Thèse une Approche d'IA Explicable aux Réseaux Cellulaires et Moléculaires de la Polyarthrite Rhumatoïde H/F - Doctorat.Gouv.Fr

Établissement : Université de Montpellier École doctorale : Sciences Chimiques et Biologiques pour la Santé Laboratoire de recherche : IRCM - Institut de Recherche en Cancérologie de Montpellier Direction de la thèse : Jacques COLINGE ORCID 0000000324664824 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-11T23:59:59 Les réseaux cellulaires et leurs variations spatio-temporelles jouent un rôle important dans de nombreuses maladies. Dans ce projet, nous développerons des méthodes computationnelles innovantes basées sur l'intelligence artificielle (IA) explicable afin d'intégrer des réseaux cellulaires et moléculaires inférés à partir de données de biologie spatiale et d'en extraire des informations exploitables. Ces méthodes universellement applicables seront évaluées dans le cadre d'une collaboration étroite avec des experts de la polyarthrite rhumatoïde (PR) qui en garantiront la pertinence biologique.

En effet, la PR possède une étiologie complexe et encore mal comprise (Scherer, 2020). Nous nous concentrerons sur la contribution des populations de cellules de l'immunité innée. Les neutrophiles (PMN) jouent un rôle crucial en tant que premiers intervenants, dotés de puissants mécanismes antimicrobiens pour éliminer les agents pathogènes. Des résultats récents (Naranjo-Gomez, 2018 ; Marsile-Medun, 2024) indiquent que les PMN orchestrent également des réponses immunitaires plus larges. Ainsi, une activation incontrôlée des PMN peut entretenir l'inflammation et provoquer des dommages tissulaires et contribuer à des maladies telles que la PR. Récemment, à l'aide d'un modèle préclinique d'arthrite (Serum Transfer Arthritis, STA), notre collaboratrice (Dr Naranjo-Gomez) a démontré un afflux rapide et important de PMN dans les articulations enflammées dès l'apparition de l'arthrite. De plus, elle a exploré le potentiel immunomodulateur dynamique des PMN en quantifiant leur sécrétome (cytokines et chimiokines), obtenant ainsi des données préliminaires solides soutenant un rôle clé des PMN dans la propagation de l'inflammation.

De nouvelles données sont en cours de génération dans le modèle STA, en collectant des tissus pertinents pour la PR et les PMN (synoviale, rate et moelle osseuse) sous forme de séries temporelles couvrant une poussée inflammatoire induite (initiation, pic, résolution). À partir de ces tissus, des données de transcriptomique spatiale (Visium HD) et d'imagerie seront obtenues. Une cohorte limitée de patients humains sera recrutée, avec des biopsies synoviales, afin de valider certaines molécules chez l'humain. Des jeux de données publics ou générés au sein de l'IHU Immun4Cure, tels qu'un atlas unicellulaire temporel inédit de la synoviale dans le modèle STA, seront également exploités.

Le doctorant se concentrera sur les données de transcriptomique spatiale. En utilisant une suite d'outils développée par l'équipe Colinge (SingleCellSignalR et BulkSignalR, NAR 2020, 2023 ; bioRxiv 2025), des réseaux cellulaires seront inférés dans tous les échantillons tissulaires, ainsi que des réseaux moléculaires intracellulaires. L'imagerie approfondie et les atlas unicellulaires, ainsi que des outils bioinformatiques classiques, seront utilisés pour annoter les tissus.

La grande complexité des réseaux moléculaires et cellulaires inférés, ainsi que leur relation avec les différentes architectures tissulaires, sera modélisée à l'aide de réseaux de neurones sur graphes (GNN). Des techniques d'IA explicable seront adaptées afin d'identifier des modules de réseaux significativement associés aux différentes compositions cellulaires. Des méthodes avancées de clustering et d'autres approches statistiques seront utilisées pour identifier des écosystèmes cellulaires récurrents présentant des dynamiques pertinentes. Cette analyse impliquera nos collaborateurs experts en PR.

Ensuite, les GNN seront interrogés afin de rendre la complexité des données interprétable, en identifiant les modules de réseaux moléculaires pertinents associés aux dynamiques et écosystèmes cellulaires sélectionnés. Des expériences de validation seront menées par les collaborateurs afin de confirmer les résultats et/ou d'améliorer les modèles GNN et les approches d'IA explicable.
Polyarthrite rhumatoïde et immunité innée, modélisation de réseaux cellulaires Construction de modèles IA explicable, inférence de réseaux moléculaires et cellulaires (ligands-récepteurs)

Master 2 bioinformatique avec de solides bases d'informatique et de machine learning ou, éventuellement, maths ou physique avec machine learning est des bases de biologie moléculaires.

Programmation en Python. R serait un ajout. Expérience avec un cluster de calcul et GPU.