Sujet de stage : Prédiction de l’hépatotoxicité clinique des médicaments à partir de données in vitro grâce à l’apprentissage automatique avancé

Une grande partie de l’énorme taux d’attrition et du manque d’efficacité dans le développement de médicaments peut être attribuée à la toxicité des composés développés. L'hépatotoxicité est une préoccupation majeure pour l'industrie pharmaceutique puisqu'elle est à l'origine d'environ 20 % de défaillances des pipelines de développement au cours des dernières décennies. La capacité à prédire dès le début du processus une telle toxicité pourrait conduire à un avantage sur la concurrence puisqu'elle permet de cribler les composés et de faire émerger le candidat à développer à une étape préclinique plus précoce. Notre objectif est de fournir un modèle qui prédirait le plus précisément possible le risque qu'un composé soit signalé comme provoquant une lésion hépatique d'origine médicamenteuse (DILI) ou démontré comme étant sûr (pas de DILI) dans les essais cliniques à partir de données d'hépatotoxicité in vitro, soit des paramètres 2D ou 3D.

Dans ce stage, nous proposons d'étudier un vaste ensemble de données d'environ 200 composés documentés comme DILI/no DILI par la Food and Drug Administration (FDA) sur lesquels ont été recueillies des mesures in vitro qui seraient utilisées pour construire le modèle de prédiction. Williams et al., 2019, ont proposé une méthodologie pour construire de tels modèles à l'aide d'approches bayésiennes d'apprentissage automatique. Les objectifs seront i) d'affiner un modèle existant en utilisant une telle approche méthodologique avancée et ii) de construire un nouveau modèle sur les données actuellement générées. 

Le stagiaire devra connaître la méthodologie d'apprentissage automatique et sa programmation et interpréter les résultats avec le reste de l'équipe (une équipe multidisciplinaire de biologistes computationnels ainsi que des scientifiques translationnels)

Description du profil :

Points forts :

-    Compétences en logiciel R
-    Autonomie et capacité à résoudre des problèmes
-    Intérêt pour les sciences de la vie et la compréhension des processus biologiques complexes

Profil recherché :

Étudiants issus d’écoles de statistiques ou de bioinformatique (ENSAI, ISUP, etc.)
Master en statistique ou bio-informatique (Niveau M2)

Notre proposition :

Durée du stage : 6 mois
Période du début de stage : Mars 2025
Lieu : Gif-sur-Yvette et télétravail