Grant: Alliance Grants
McGill University
$45,000.00
Générer des contrefactuels pour la biologie moléculaire: une nouvelle approche basée sur des modèles d'apprentissage profond génératifs
EF 2023-24
Résumé
Advances in Ribonucleic acid (RNA) sequencing technologies in the past two decades have revolutionized our ability to study biological mechanisms involved in healthy and diseased states of cells at a molecular level. For example, using single cell (sc) RNA-seq one can measure the expression values of thousands of genes simultaneously at a single cell resolution. This has enabled interventional and observational molecular studies encompassing a broad range of applications from understanding biological mechanisms involved within cells and among cells all the way to identifying biomarkers of disease outcome and treatment response. In these studies, one typically relies on carefully selected control groups to quantify and characterize the molecular mechanisms of interest. However, these control groups are usually population-level controls and do not originate from the samples in the case group. Even when matched control is available, this matching does not correspond to the same set of cells. This limits the ability of standard bioinformatics pipelines to identify the true underlying biological mechanisms, due to the confounding effect of variations among cells, tissues, or individuals used to form the case/control groups. This is particularly limiting when the goal of a study is to infer causal relationships. To address these challenges, we propose a unifying computational framework for counterfactual inference and synthesis (predicting the non-realized outcome) in molecular biology using generative deep learning models. We will develop a novel generative model that can predict the scRNA-seq profile of samples under non-realized conditions. As two use-cases, we will apply the model to predict the perturbed state of cells (e.g., as a result of drug treatments or gene knockouts) using their unperturbed states. Moreover, we will use it to predict the matched normal samples of cancer tumours to study mRNA stability in clear cell renal cell carcinoma. This framework advances the field of bioinformatics and computational molecular biology, providing new means to analyze interventional or observational datasets. Les technologies de séquençage ARN (Acide Ribo Nucléique) ont progressé de façon spectaculaire durant les deux dernières décennies. Le séquençage des ARN sur cellules uniques (scRNAseq) permet maintenant de mesurer l'expression de milliers de gènes, cellule par cellule. Ces progrès permettent d'analyser les profils moléculaires de cellules, saines ou malades, via des études interventionnelles ou d'observation, à une résolution cellulaire. Ces études contribuent à améliorer notre compréhension des mécanismes biologiques intra et intercellulaires ainsi qu'à identifier des biomarqueurs prédictifs de l'évolution de maladies et donc un choix de traitement plus éclairé.Cependant, toute ces études nécessitent un groupe témoin pour pouvoir quantifier et caractériser le mécanisme moléculaire étudié. La construction du groupe témoin est donc cruciale. Malheureusement, le groupe témoin est le plus souvent une population témoin, ce qui ne permet que les moyennes des populations et non pas d'établir un état "normal" pour une cellule individuelle. Mêmes les études cas-témoins appariés (typ. Pars patient ou par lignée cellulaire) sont confrontées à ce problème, l'appariement ne pouvant jamais être fait au niveau cellulaire. Les méthodes usuelles de bioinformatiques atteignent ici leurs limites et ne permettent pas d'identifier les véritables phénomènes biologiques sous-jacents. La variation naturelle entre cellules, tissus ou individus rend la comparaison entre cellules témoins et cellules perturbées particulièrement confuse, tout particulièrement quand l'objectif est d'identifier des relations de causalité.Nous proposons donc une nouvelle approche reposant sur des modèles d'apprentissage profond génératifs pour l'inférence de contrefactuels en biologie moléculaire. Nous développerons un nouveau modèle pour prédire le profil scRNA-seq d'échantillons dans des circonstances hypothétiques, avec deux applications en ligne de mire. Notre première application sera de prédire l'impact d'une perturbation (traitement médicamenteux, inactivation totale d'un gène, etc.) sur l'état d'une cellule. Notre deuxième application visera à générer l'état "normal" de cellules cancéreuses dans l'optique d'étudier la stabilité des ARNm.Cette nouvelle approche fournira de nouvelles méthodes d'analyse de données interventionnelles ou d'observation et permettra donc des avancées dans le domaine de la bioinformatique et de la biologie moléculaire.
Programme
Alliance Grants
Bénéficiaire
Emplacement
Quebec, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
NSERC's Awards Data
Tel que publié
Application id
586837-2023
Name nom
Emad, Amin A
Department département
Electrical and Computer Engineering
Organization id
61
Institution établissement
McGill University
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2023
Competition year année de concours
2023
Award amount
45000
Program id
ALLRP
Program name en
Alliance Grants
Program name fr
Subventions Alliance
Group en
RESEARCH PARTNERSHIPS
Group fr
PARTENARIATS DE RECHERCHE
Committee code
96
Committee name en
RPP Internal Decision Cttee
Committee name fr
Cté de décision interne - PPR
Area of application code
1201
Area of application group en
Advancement of knowledge
Area of application group fr
Avancement des connaissances
Area of application en
Life sciences (including biotechnology)
Area of application fr
Sciences de la vie (y compris biotechnologie)
Research subject code
5302
Research subject group en
Molecular biology
Research subject group fr
Gene expression
Research subject en
Biologie moléculaire
Research subject fr
Expression génétique
Application title
Générer des contrefactuels pour la biologie moléculaire: une nouvelle approche basée sur des modèles d'apprentissage profond génératifs
Keyword
Counterfactual synthesis; Deep Learning; Generative neural networks; mRNA stability; Perturbation prediction; Single cell transcriptomics
Application summary
Advances in Ribonucleic acid (RNA) sequencing technologies in the past two decades have revolutionized our ability to study biological mechanisms involved in healthy and diseased states of cells at a molecular level. For example, using single cell (sc) RNA-seq one can measure the expression values of thousands of genes simultaneously at a single cell resolution. This has enabled interventional and observational molecular studies encompassing a broad range of applications from understanding biological mechanisms involved within cells and among cells all the way to identifying biomarkers of disease outcome and treatment response. In these studies, one typically relies on carefully selected control groups to quantify and characterize the molecular mechanisms of interest. However, these control groups are usually population-level controls and do not originate from the samples in the case group. Even when matched control is available, this matching does not correspond to the same set of cells. This limits the ability of standard bioinformatics pipelines to identify the true underlying biological mechanisms, due to the confounding effect of variations among cells, tissues, or individuals used to form the case/control groups. This is particularly limiting when the goal of a study is to infer causal relationships. To address these challenges, we propose a unifying computational framework for counterfactual inference and synthesis (predicting the non-realized outcome) in molecular biology using generative deep learning models. We will develop a novel generative model that can predict the scRNA-seq profile of samples under non-realized conditions. As two use-cases, we will apply the model to predict the perturbed state of cells (e.g., as a result of drug treatments or gene knockouts) using their unperturbed states. Moreover, we will use it to predict the matched normal samples of cancer tumours to study mRNA stability in clear cell renal cell carcinoma. This framework advances the field of bioinformatics and computational molecular biology, providing new means to analyze interventional or observational datasets. Les technologies de séquençage ARN (Acide Ribo Nucléique) ont progressé de façon spectaculaire durant les deux dernières décennies. Le séquençage des ARN sur cellules uniques (scRNAseq) permet maintenant de mesurer l'expression de milliers de gènes, cellule par cellule. Ces progrès permettent d'analyser les profils moléculaires de cellules, saines ou malades, via des études interventionnelles ou d'observation, à une résolution cellulaire. Ces études contribuent à améliorer notre compréhension des mécanismes biologiques intra et intercellulaires ainsi qu'à identifier des biomarqueurs prédictifs de l'évolution de maladies et donc un choix de traitement plus éclairé.Cependant, toute ces études nécessitent un groupe témoin pour pouvoir quantifier et caractériser le mécanisme moléculaire étudié. La construction du groupe témoin est donc cruciale. Malheureusement, le groupe témoin est le plus souvent une population témoin, ce qui ne permet que les moyennes des populations et non pas d'établir un état "normal" pour une cellule individuelle. Mêmes les études cas-témoins appariés (typ. Pars patient ou par lignée cellulaire) sont confrontées à ce problème, l'appariement ne pouvant jamais être fait au niveau cellulaire. Les méthodes usuelles de bioinformatiques atteignent ici leurs limites et ne permettent pas d'identifier les véritables phénomènes biologiques sous-jacents. La variation naturelle entre cellules, tissus ou individus rend la comparaison entre cellules témoins et cellules perturbées particulièrement confuse, tout particulièrement quand l'objectif est d'identifier des relations de causalité.Nous proposons donc une nouvelle approche reposant sur des modèles d'apprentissage profond génératifs pour l'inférence de contrefactuels en biologie moléculaire. Nous développerons un nouveau modèle pour prédire le profil scRNA-seq d'échantillons dans des circonstances hypothétiques, avec deux applications en ligne de mire. Notre première application sera de prédire l'impact d'une perturbation (traitement médicamenteux, inactivation totale d'un gène, etc.) sur l'état d'une cellule. Notre deuxième application visera à générer l'état "normal" de cellules cancéreuses dans l'optique d'étudier la stabilité des ARNm.Cette nouvelle approche fournira de nouvelles méthodes d'analyse de données interventionnelles ou d'observation et permettra donc des avancées dans le domaine de la bioinformatique et de la biologie moléculaire.