Rapsomaniki Group

Le groupe Rapsomaniki développe des méthodes d’intelligence artificielle (IA) et de machine learning (ML) pour la biomédecine, avec pour ambition de transformer des données biomédicales complexes en modèles mécanistiques de la maladie et de guider des interventions de précision à différentes échelles - des molécules et cellules jusqu’aux tissus, aux patients et aux résultats thérapeutiques.

Notre recherche est inspirée par deux révolutions concomitantes. La première est expérimentale : l’émergence des approches multi-omiques unicellulaires et spatiales, ainsi que des cribles de perturbation à grande échelle, qui offrent des vues complémentaires des systèmes biologiques en santé et en maladie, jusqu’au niveau des cellules individuelles et sur des millions d’observations. La seconde est computationnelle: le développement rapide de nouveaux paradigmes d’IA capables d’apprendre à partir de données complexes, multimodales et spatiotemporelles, de découvrir des représentations communes et de permettre l’interaction et le raisonnement entre modalités de données.

Notre objectif est de construire des méthodes d’IA/ML intégrant ces modalités diverses en représentations cohérentes, mettant en lumière les facteurs biologiques sous-jacents aux prédictions des modèles et prédisant des réponses hétérogènes et systémiques aux interventions. Nos travaux s’appuient sur - et font progresser - des principes fondamentaux de l’IA, allant de l’apprentissage de représentations multimodales, du deep learning géométrique et de l’IA explicable jusqu’au transport optimal et à l’IA générative, avec des applications en biologie du cancer, en oncologie de précision et en découverte thérapeutique. Un thème unificateur de nos recherches est le traitement de l’hétérogénéité comme un signal fondamental qui encode la fonction biologique, la progression de la maladie et la réponse thérapeutique.

Nos recherches s’articulent autour de trois thèmes interconnectés :

Représenter: nous développons des modèles apprenant des représentations unifiées et multimodales des systèmes biologiques, intégrant des types de données variés — des omiques unicellulaires et spatiales jusqu’à l’imagerie histopathologique — afin de capturer conjointement les états cellulaires hétérogènes, la morphologie tissulaire et l’architecture spatiale. Interpréter: nous construisons des méthodes d’IA explicable qui révèlent les déterminants biologiques et spatiaux guidant les prédictions des modèles d’IA, permettant la découverte de mécanismes biologiques et de biomarqueurs spatiaux pouvant être validés et ciblés thérapeutiquement. Perturber: nous créons des modèles prédictifs allant au-delà de l’observation pour simuler la manière dont les systèmes biologiques répondent à des perturbations médicamenteuses, génétiques ou immunothérapeutiques, soutenant une expérimentation virtuelle qui accélère la génération d’hypothèses et la priorisation thérapeutique.

Ensemble, ces thèmes font progresser notre objectif à long terme: élucider les mécanismes des maladies de l’échelle intracellulaire à l’échelle du patient, en créant un ponte entre données, IA et médecine de précision.