Cytométrie Augmentée par Apprentissage Automatique – CAML

La cytométrie en flux (CF) est une technique répandue pour l'étude de populations cellulaires ciblées dans des conditions physiologiques et pathologiques. Elle est cependant limitée dans le nombre de protéines profilées ce qui empêche son application pour l'établissement "d'atlas cellulaires" de tissus complexes. J'ai par le passé montré qu'en combinant la CF avec des techniques de régression non-linéaires multivariées par apprentissage machine (AM), il était possible de profiler des centaines de protéines (>x10 comparé à la CF conventionnelle) sur des millions de cellules uniques, démontrant que la CF représente un champ d'application fructueux de l'AM. Ce projet comprend trois objectifs visant à l'application et à l'extension de cette technique:
i. Appliquer cette technique sur des échantillons humains de tissu hépatique inflammé ou non afin d'obtenir un profilage exhaustif des populations cellulaires présentes
ii. Développer des algorithmes de classification pour le phénotypage automatique de jeux de données CF à partir d'un jeu de référence pré-annoté
iii. Etendre cette technique à des données de cytométrie en flux avec imagerie en utilisant des modèles génératifs afin de prédire la localisation cellulaire et le niveau d'expression spatialisé de centaines de protéines
Ce projet permettra donc à la fois de générer de nouvelles hypothèses fonctionnelles portant sur des protéines exprimées par des populations cellulaires hépatiques dans un contexte d'inflammation chronique, ainsi que de développer de nouvelles applications de l'AM aux données CF et CF avec imagerie.