Méthodes d'intelligence artificielle appliquées sur des données multi-omics et d'imagerie cellulaire pour évaluer le risque d'effets toxiques de substances chimiques sur la santé humaine

Avec la montée des préoccupations éthiques, les tests sur animaux sont de plus en plus remis en question mondialement. La règle des 3Rs (Remplacer, Réduire, Raffiner) encourage la transition vers des méthodes alternatives. Dans ce contexte, l'industrie et les autorités régulatrices modernisent les approches de tests toxicologiques, notamment par le développement de nouvelles technologies in vitro et in silico, pour évaluer la sécurité des produits chimiques ou développer de nouveaux médicaments. Ce projet de thèse vise à utiliser la bioinformatique et l'intelligence artificielle pour analyser des données transcriptomiques et d'imagerie cellulaire, afin de mieux comprendre et prédire les risques toxiques des substances chimiques pour l'homme. Nous avons d'abord étudié le risque hépatotoxique en utilisant des modèles d'apprentissage automatique basés sur des profils de Cell Painting, une méthode d'imagerie cellulaire qui capture des caractéristiques cellulaires morphologiques complexes pour évaluer l'impact de substances chimiques. Ces modèles se sont révélés pertinents dans la prédiction de l'hépatotoxicité liée aux composés testés. De plus, l'analyse des profils transcriptomiques a permis d'identifier des modes d'action potentiels pouvant mener à des lésions hépatiques. Ensuite, par des études de réseau, nous avons tenté de relier les perturbations transcriptomiques aux changements phénotypiques observés en Cell Painting. Nous avons ainsi confirmé la pertinence d'un profil hybride, montrant que pour certains composés, les modifications de l'expression génique se reflètent dans la morphologie cellulaire, et ce pour plusieurs lignées cellulaires et différentes durées d'exposition aux composés chimiques. Ces résultats sont prometteurs pour la meilleure compréhension des mécanismes de toxicité des substances chimiques.