Perturber

Dans l'axe de recherche Perturber, nous développons des modèles d’IA et d’apprentissage automatique qui vont au‑delà de l’observation pour prédire comment les systèmes biologiques réagissent à des interventions, notamment des traitements médicamenteux, des perturbations génétiques et des immunothérapies. En simulant ces perturbations in silico, nos méthodes permettent une expérimentation virtuelle qui accélère la génération d’hypothèses, guide la conception thérapeutique et informe les stratégies de médecine de précision.

Projets clés de ce thème :

• Projet SNSF Sinergia PROMETEX : Metabolically-instructed personalized therapy selection for prostate cancer, en collaboration avec le laboratoire Kruithof‑de Julio (Université de Berne) et le laboratoire Alexandrov (UCSD), axé sur la modélisation des réponses à des perturbations métaboliques dans des organoïdes de cancer de la prostate.
• UNIL Collaboratif : Towards AI-assisted CAR T cell therapy, en collaboration avec le laboratoire Carmona (UNIGE), visant à cartographier l’hétérogénéité transcriptionnelle, optimiser la conception des récepteurs et prédire les résultats cliniques dans diverses malignités.
• Projet financé par le FNS : Unveiling Mediators of Heterogeneity in PDAC carrying TP53 and KRAS mutations, en collaboration avec le laboratoire Kruithof‑de Julio (Université de Berne), le laboratoire Shema (Weizmann Institute) et le laboratoire Ron (HUJI).

Publications clés :

• CMonge : un cadre basé sur le transport optimal conditionnel qui modélise les effets de perturbations médicamenteuses au niveau unicellulaire, permettant l’exploration in silico des réponses cellulaires. Collaboration avec Jannis Born (IBM Research). Article– Code
• CAROT : une extension de CMonge appliquée à la thérapie CAR T, modélisant la relation entre la conception du CAR et l’expression génique des cellules T au niveau unicellulaire. Cet outil permet de prédire les réponses pour des variants de CAR connus ou nouveaux et soutient l’exploration computationnelle de designs CAR T prometteurs. Article – Code
• Surmonter les limites des mesures actuelles de réponse aux médicaments : ce travail montre que les métriques standards peuvent être trompeuses et propose des mesures normalisées pour améliorer les prédictions en oncologie de précision pilotée par l’IA. Article