Machine Learning Framework for Multimodal Analysis of Neurodevelopmental and Neurodegenerative Mechanisms in iPSC Derived Brain Organoids

FR: Les troubles neurodéveloppementaux sont des affections hétérogènes qui touchent des millions de personnes et représentent un lourd fardeau sociétal. De manière frappante, certains patients développent un parkinsonisme ou une démence précoces, soulignant un continuum entre troubles du développement et maladies neurodégénératives. Des données émergentes suggèrent que ces dernières peuvent trouver leur origine ou être aggravées par des anomalies développementales, les variants génétiques rares jouant un rôle majeur. Les organoïdes cérébraux dérivés d’iPSC offrent une plateforme innovante pour modéliser ces pathologies, en reproduisant l’architecture, la diversité cellulaire et les dynamiques transcriptionnelles du cerveau. Notre équipe a montré que la mutation rare Miro1 p.R272Q est causale dans la maladie de Parkinson, et nous étendons désormais cette expertise à d’autres variants pathologiques tels que PTBP1, SOGA1 et ANKRD11.

Ce projet postule que les mutations rares génèrent des signatures transcriptomiques et morphométriques convergentes dans les organoïdes, recoupant des mécanismes de neurodégénérescence. Pour tester cette hypothèse, nous établirons un pipeline scRNA‑seq robuste, développerons des workflows automatisés d’imagerie, et intégrerons ces données multimodales grâce à des approches avancées d’apprentissage automatique. L’intégration des données transcriptomiques et morphologiques avec des ressources publiques permettra d’identifier des voies moléculaires communes, de définir des sous‑groupes homogènes de patients et de proposer des hypothèses fonctionnelles. Ce travail fournira un cadre intégré pour l’interprétation des pathologies liées aux mutations rares, des résultats biologiquement interprétables pour guider les équipes expérimentales, et contribuera à des stratégies de médecine de précision applicables à divers systèmes organoïdes.

EN: Neurodevelopmental disorders are highly heterogeneous conditions that affect millions worldwide and impose a major societal burden. Strikingly, some patients develop early parkinsonism and dementia, underscoring a continuum between developmental and degenerative disorders. Emerging evidence suggests that neurodegenerative diseases may originate from, or be exacerbated by, developmental abnormalities, with rare genetic variants playing a critical role. Human iPSC‑derived brain organoids provide a transformative platform to model these disorders, recapitulating brain architecture, cellular diversity, and transcriptional dynamics. Our team has shown that the rare Miro1 p.R272Q mutation is causative of Parkinson’s disease, and we now extend this expertise to other pathological variants such as PTBP1, SOGA1, and ANKRD11.

This project hypothesizes that rare mutations generate convergent transcriptomic and morphometric signatures in organoids, overlapping with mechanisms of neurodegeneration. To test this, we will establish a robust scRNA‑seq pipeline, develop automated imaging workflows, and integrate multimodal datasets using advanced machine learning approaches. By combining transcriptomic and imaging data with public resources, we aim to uncover shared molecular pathways, identify biologically homogeneous patient subgroups, and propose data‑driven hypotheses for functional validation. Ultimately, this work will deliver an integrated framework for interpreting mutation‑driven pathologies, generate biologically interpretable results to guide experimental teams, and contribute to precision medicine strategies applicable across organoid systems.

Université de Bourgogne Europe

Laboratoire d'accueil : CTM

Connaissances et compétences requises : Le candidat idéal est titulaire d’un Master en bioinformatique, biologie computationnelle ou dans un domaine connexe, avec une expérience démontrée en analyse de données transcriptomiques (par exemple en R, Python, etc.). Une familiarité avec les bases de données orientées graphe, l’apprentissage automatique ou les pipelines d’analyse d’images constitue un atout. Une motivation à travailler à l’interface entre neurosciences computationnelles et expérimentales, ainsi qu’à collaborer étroitement avec des équipes de laboratoire pour co-développer des pipelines biologiquement pertinents, est indispensable.