Partager

Laura CANTINI

Chercheuse
Chargée de recherche
Chaire Tremplin de l’Institut Prairie
Biologie
intégration des données omiques, données multi-omiques à cellule unique, apprentissage automatique, biologie computationnelle
CNRS
Département de biologie
, modifié le
2 décembre 2021
Image
LauraCANTINI
Institut de biologie de l’ENS (IBENS)
46 rue d’Ulm Paris 75005

Chargée de Recherche CNRS, Je travaille à l'interface entre l'apprentissage automatique et de la génomique. Je développe des nouvelles méthodes d'analyse et d'intégration de données multi-omiques sur population des cellules (bulk) et en cellules uniques.

Champ de recherche

C'est un moment crucial pour l'étude et la gestion clinique des maladies complexes. Le séquençage à cellule unique a introduit un changement de paradigme dans les soins de santé, de la médecine de précision à la médecine interceptive basée sur la cellule. En effet, les données multimodales à cellule unique (c'est-à-dire les mesures quantitatives à grande échelle telles que le transcriptome, l'épigénome, le positionnement spatial à la résolution d'une seule cellule) nous offrent la possibilité (i) de suivre les trajectoires moléculaires effectuées par les cellules humaines lors de l'apparition de la maladie ou de la résistance au traitement ; (ii) de fournir une compréhension mécaniste des réseaux complexes qui dirigent les différentes phases de la transformation et (iii) de délimiter la contribution des cellules voisines dans cette transformation. Cependant, pour faire de ces objectifs biologiques une réalité, nous devons développer des méthodes puissantes capables de co-analyser des données multimodales à cellule unique et d'extraire des connaissances biologiques exploitables.

Mon activité de recherche se situe à l'interface entre l'apprentissage automatique et  la génomique. Je conçois des méthodes d'apprentissage automatique capables de co-analyser et de traduire l'énorme quantité de données multimodales en cellules uniques disponibles en connaissances biologiques exploitables. J'applique ensuite les méthodes développées en collaboration avec des biologistes pour formuler des hypothèses biologiques concrètes et, finalement, contribuer à améliorer la compréhension et la gestion clinique de maladies complexes.

Publications

  1.  Kang, Y., Thieffry, D., & Cantini, L. (2021). Evaluating the reproducibility of single-cell gene regulatory network inference algorithms. Frontiers in genetics, 12, 362.
  2. Cantini, L., Zakeri, P., Hernandez, C., Naldi, A., Thieffry, D., Remy, E., & Baudot, A. (2021) Benchmarking joint multi-omics dimensionality reduction approaches for the study of cancer. Nature Communications 12, 124.
  3. Cantini L, Kairov U., de Reyniès A., Barillot E., Radvanyi F., Zinovyev A., (2019) Assessing reproducibility of matrix factorization methods in independent transcriptomes, Bioinformatics, 35,21.
  4. Cantini, L. Isella C., Petti C., Picco G., Chiola S., Ficarra E., Caselle M., Medico E. (2015). MicroRNA-mRNA interactions underlying colorectal cancer molecular subtypes. Nature Communications, 6.
  5. Cantini, L., Bertoli, G., Cava, C., Dubois, T., Zinovyev, A., Caselle, M., ... & Martignetti, L. (2019). Identification of microRNA clusters cooperatively acting on epithelial to mesenchymal transition in triple negative breast cancer. Nucleic acids research, 47(5), 2205-2215.
  6. Greco, A., Sanchez-Valle, J., Pancaldi, V., Baudot, A., Barillot, E., Caselle, M., ... & Cantini, L. (2019). Molecular Inverse Comorbidity between Alzheimer's disease and Lung Cancer: new insights from Matrix Factorization. Int. J. Mol. Sci., 20(13), 3114