Yoshiaki Tanaka

Cette unité de recherche étudie la formation et la prolifération des tumeurs cérébrales. Le glioblastome multiforme (GBM), la plus fréquente des tumeurs cérébrales malignes, présente un sombre pronostic; son effet sur la vie des patients et de leurs proches est dévastateur. Bien que la réponse initiale du GBM à la chirurgie, à la radiothérapie et à la chimiothérapie soit positive, il y a récidive rapide et peu d’options de traitement. Ainsi, une meilleure compréhension des dimensions moléculaires de la récidive et de la pharmacorésistance est essentielle au développement d’autres options de traitement.

Modèles tridimensionnels de culture cellulaire in vitro

Les modèles fondés sur l’étude de rongeurs sont essentiels à la compréhension des mécanismes de formation et de propagation des tumeurs. Toutefois, les rongeurs diffèrent des humains sur les plans génétiques et moléculaires, d’où une importante dissemblance des réponses au traitement pharmacologique des tumeurs. Au cours des dernières années, nous avons développé et amélioré des modèles tridimensionnels de tissus cérébraux humains in vitro, connus sous le nom d’organoïdes cérébraux, qui imitent le micro-environnement d’un cerveau en développement. En s’appuyant sur ce système unique, notre équipe mène des recherches sur l’interaction entre les cellules cancéreuses et les cellules normales et la réponse aux médicaments.   

Intelligence artificielle et apprentissage automatique

La complexité des interactions et de la dynamique cellulaires pose des défis de taille pour le développement d’approches computationnelles robustes, aptes à analyser des réseaux interconnectés dans des espaces hautement dimensionnels provenant d’ensembles de données génomiques à grande échelle tels que ceux générés par profilage transcriptomique unicellulaire. L’intelligence artificielle (IA) est une simulation de l’intelligence humaine par ordinateur qui apprend à résoudre une tâche déterminée en reconnaissant les motifs et particularités d’un ensemble de données. L’apprentissage automatique (AA), une sous-branche de l’IA, parvient à produire des modèles d’événements cellulaires à partir de quantités massives de données et à en dériver des conclusions significatives au niveau biologique. Notre équipe se prévaut des avantages offerts par les techniques d’IA et d’AA pour extraire des événements moléculaires d’ensembles de données génomiques.