Modélisation des réseaux de régulation génique pour le sepsis par l'ia // ai-driven gene regulatory network modeling for sepsis

Topic description

Les ARN longs non codants (lncRNAs) sont des régulateurs clés de l'expression génique, mais leur rôle dans le sepsis reste largement inexploré. Cette proposition de thèse vise à intégrer les Transcrits Associés au Sepsis (SEATs) dans les réseaux de régulation génique (GRNs) à l'aide de réseaux de neurones de type graphe (GNNs) afin d'élucider leur influence régulatrice. Nous construirons des GRNs haute résolution en utilisant des Graph Attention Networks (GATs) pour inférer des interactions spécifiques au contexte. Afin de relier la régulation transcriptionnelle aux altérations métaboliques, nous intégrerons la métabolomique plasmatique pour identifier les modifications métaboliques associées aux SEATs. L'accent sera mis sur la transparence et l'explicabilité grâce à l'application de techniques d'explicabilité. De plus, nous améliorerons l'adaptabilité et la généralisation du modèle à travers différents sous-groupes cliniquement pertinents grâce à l'apprentissage par méta-learning. Ce projet apportera une compréhension systémique des SEATs dans la dérégulation immunitaire, identifiera de nouveaux biomarqueurs et cibles thérapeutiques, et fera progresser les approches d'IA appliquées aux maladies inflammatoires.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Long non-coding RNAs are key gene regulators, yet their role in sepsis remains largely unexplored. This PhD proposal integrates SEpsis-Associated Transcripts (SEATs) into gene regulatory networks (GRNs) using Graph Neural Networks (GNNs) to uncover their regulatory influence. We will construct high-resolution GRNs with Graph Attention Networks (GATs) to infer context-specific interactions. To bridge the gap between transcriptional regulation and metabolic dysfunction, we will integrate plasma metabolomics, identifying SEAT-associated metabolic alterations. Priority will be given to transparency and explainability by applying explainability techniques. Additionally, we will enhance model adaptability and generalizability across clinically relevant patient subgroups using meta-learning. This project will provide a systems-level understanding of SEATs in immune dysregulation, identify novel biomarkers and therapeutic targets, and advance AI-driven approaches in inflammatory disease research.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/02/

Funding category

Funding further details

Programme AAP SPRINGCS - GS ISN