Génomique intégrative du Neurodéveloppement

Le groupe Génomique intégrative du neurodéveloppement étudie le développement cérébral normal et pathologique par le biais d’approches de biologie statistique et computationnelle. Nous nous intéressons particulièrement aux troubles du neurodéveloppement et aux maladies neuropsychiatriques dont l’épilepsie, les troubles bipolaires et les complications de la prématurité.

Nous développons des outils pour analyser et combiner des jeux de données en accès libre, ou propres au laboratoire ou à nos collaborateurs extérieurs. Nous exploitons des données issues de modèles animaux, de modèles in vitroainsi que de patients, et d’individus sains. L’étude du transcriptome de tissus et de cellules permet de révéler des régulateurs influençant une maladie étudiée. Nous nous intéressons particulièrement aux réseaux de régulation génique et aux méthodes d’analyse de réseaux pour prioriser les régulateurs clés qui régissent les processus développementaux et pathologiques. Une autre stratégie que nous utilisons pour l’étude des troubles de l’humeur consiste à intégrer des données multi-omiques aux données phénotypiques des patients pour identifier des biomarqueurs candidats, et aider à stratifier des groupes de patients. Au-delà d’une meilleure compréhension des mécanismes génétiques et moléculaires du neurodéveloppement et des troubles neuropsychiatriques, notre but est d’identifier de nouvelles cibles thérapeutiques et d’orienter vers de nouveaux usages de médicaments existants. Nous étudions en particulier l’utilisation de méthodes d’apprentissage statistique (“machine learning”) pour repositionner les médicaments en fonction de leur impact transcriptionnel.

VS3600 : pipelines de criblage virtuel assistés par l’IA et exploration de bases de données pour aider à la découverte de candidats médicaments et à la génération de connaissances actionnables (Bruno Villoutreix)

Le criblage virtuel (VS) a pour objectif d’identifier des composés bioactifs (petites molécules, peptides courts…) par des moyens informatiques en utilisant la structure 3D d’une protéine cible thérapeutique putative (Structure-based VS) et/ou de molécules bioactives contre cette cible (Ligand-based VS). En criblage virtuel, un grand nombre de molécules (médicaments sur le marché et composés déjà synthétisés ou composés virtuels) sont classées en fonction de leur probabilité d’être bioactives à l’aide de différentes métriques. La fraction supérieure de la liste prédite peut ensuite être testée expérimentalement. Des algorithmes modifiés de criblage peuvent également être utilisés pour prédire les off-targets et les anti-targets, la combinaison de médicaments, les médicaments multi-cibles… Bien que de tels calculs aident à la prise de décision, dans un cas de développement thérapeutique classique, de nombreuses autres informations sont nécessaires afin d’obtenir une vue panoramique de l’axe médicament-cible-maladie étudié (par exemple, projection des composés sur l’interactome humain, prise en compte des propriétés ADMET…). Nous développons VS3600, un outil qui combine LBVS et SBVS et diverses approches d’exploration de données afin de générer un profil complet autour du système étudié (c’est-à-dire une vision à 3600du système avec des données expérimentales et prédites intégrées). VS3600 peut être utilisé pour repositionner des médicaments existants ou en phases cliniques, pour découvrir de nouveaux composés et des nouvelles cibles/voies/mécanismes. L’outil peut être facilement combiné avec des approches expérimentales et devrait définitivement contribuer à réduire les risques de développement thérapeutique dans un cadre académique.