Représenter

Dans l’axe de recherche Représenter, nous développons des méthodes d’IA et d’apprentissage automatique qui apprennent des représentations unifiées et multimodales des systèmes biologiques, en intégrant des types de données variés — de la transcriptomique et protéomique unicellulaire ou spatiale à l’histopathologie.
Ces représentations multimodales capturent des états cellulaires hétérogènes, l’architecture tissulaire et les interactions inter‑modales, fournissant une vue structurée de la complexité de la variation biologique.

Les principaux projets dans ce domaine de recherche incluent :

Projet financé par le Fonds national suisse: Learning context-aware, interpretable representations of the tumor microenvironment to enable AI-driven precision oncology, qui se concentre sur la capture du contexte spatial et cellulaire des tumeurs afin de guider des stratégies de traitement de précision. En savoir plus
Projet financé par la fondation Chan Zuckerberg Initiative: Towards a Unified Atlas of Spatial Proteomics Powered by Generative AI, visant à créer une carte complète de la protéomique tissulaire en intégrant des données spatiales et moléculaires grâce à des méthodes d’IA générative.
Projet financé par la Swiss Cancer Research : AI-powered precision cancer therapy for mesothelioma, en collaboration avec le laboratoire Brbić (EPFL), le laboratoire Homicsko (CHUV) et la Prof. Berezowska (Institut universitaire de Pathologie, CHUV), axé sur le développement de modèles d’IA pour guider des stratégies thérapeutiques personnalisées pour les patients atteints de mésothéliome.

Publications clés :

VirtualMultiplexer : un cadre d’IA générative qui traduit de vraies images H&E en images IHC correspondantes pour plusieurs marqueurs protéiques, accélérant ainsi les flux de travail en histopathologie. Article – Code
MatchCLOT : un cadre d’apprentissage contrastif qui aligne des profils unicellulaires entre modalités. Article – Code

En apprenant des représentations multimodales conjointes, nous visons à révéler des programmes biologiques latents, cartographier l’hétérogénéité cellulaire et tissulaire, et fournir des embeddings interprétables qui guident à la fois la découverte fondamentale et la priorisation thérapeutique.