Scientific Committee
Comité scientifique
Elsa Bernard (Gustave Roussy)
Fragkiskos Malliaros (CentraleSupélec)
Gabriel Peyré (CNRS, ENS Ulm)
Marianna Rapsomaniki (University of Lausanne)
Yvan Saeys (Ghent University)
Hannah Spitzer (Helmholtz Center Munich)
Organizing Committee
Comité d’organisation
Hakim Benkirane (Université Paris-Saclay, CentraleSupélec, MICS Lab)
Marie-laure Charpignon (Center for Targeted Machine Learning and Causal Inference, Biostatistics and Epidemiology, Berkeley University)
Imane Chraki (Université Paris-Saclay, CentraleSupélec)
Paul-henry Cournède (Université Paris-Saclay, CentraleSupélec)
Félicie Giraud-Sauveur (Université Paris-Saclay, CentraleSupélec)
Gurvan Hermange (CentraleSupélec)
Véronique Letort-Le Chevalier (Ecole Centrale Paris)
IMPORTANT WARNING: Scam / Phishing / SMiShing ! Note that ill-intentioned people may be trying to contact some of participants by email or phone to get money and personal details, by pretending to be part of the staff of our conference center (CIRM). CIRM and the organizers will NEVER contact you by phone on this issue and will NEVER ask you to pay for accommodation/ board / possible registration fee in advance. Any due payment will be taken onsite at CIRM during your stay.
In recent years, “spatial transcriptomics” has gained prominence, earning the title of Method of the Year from Nature Methods in 2020. This innovative approach makes it possible to pinpoint gene expression (transcripts) in a tissue at the cellular scale, while preserving its spatial organization. It has natural applications in oncology: understanding a tumor’s behavior requires considering not only gene expression but also the structure and interactions within the tumor microenvironment.
The analytical challenges presented by spatial transcriptomics data require appropriate mathematical frameworks and computational methods. These datasets combine multi-omics dimensions with spatial coordinates, necessitating techniques from several mathematical disciplines. Graph theory provides tools for modeling neighborhood networks and intercellular communication patterns. Optimal transport theory offers a framework for comparing and aligning spatial distributions of cells and gene expression. Statistical learning enables the identification of significant features and classification of cellular states within their spatial context. Data science methodologies facilitate the integration of these analytical approaches and the visualization of results. These mathematical disciplines collectively support the extraction of biologically relevant patterns from spatial transcriptomics data.
The goal of this research school (workshop) is to address the breadth of these challenges at the intersection of fundamental mathematics, statistical learning, data science, and biology. It is aimed at both students and researchers in data science and statistical learning who wish to strengthen the mathematical underpinnings needed to develop cutting-edge methods, and at mathematicians from more theoretical backgrounds seeking to apply their work to biology, particularly in oncology.
The aim of this research school is to bring together researchers from all over the world to tackle this complex issue, and to encourage discussions and collaborations, with a view in particular to accelerating the development of mathematical methods for spatial transcriptomics and their application in the medical field, in the fight against cancer.
Ces dernières années ont vu l’essor de la transcriptomique spatiale, consacrée Méthode de l’année par Nature Methods en 2020. Cette approche novatrice permet de localiser dans un tissu, à l’échelle cellulaire, l’expression des gènes (les transcrits) tout en conservant la structure spatiale. Elle trouve des applications naturelles en oncologie : pour comprendre le fonctionnement d’une tumeur, il est essentiel de prendre en compte non seulement l’expression génique, mais aussi l’organisation et les interactions au sein du microenvironnement tumoral.
Les défis analytiques soulevés par les données de transcriptomique spatiale requièrent le développement de cadres mathématiques et de méthodes computationnelles adaptés. Ces jeux de données, qui associent dimensions multi-omiques et coordonnées spatiales, font appel à des techniques issues de diverses disciplines mathématiques. La théorie des graphes propose des outils permettant de modéliser les réseaux de voisinage et les interactions intercellulaires. La théorie du transport optimal constitue un cadre rigoureux pour comparer et aligner les distributions spatiales des cellules et des profils d’expression génique. L’apprentissage statistique facilite l’identification de caractéristiques significatives et la classification des états cellulaires dans leur contexte spatial. Les méthodologies issues des sciences des données permettent l’intégration de ces différentes approches analytiques et la visualisation des résultats. L’ensemble de ces disciplines mathématiques contribue à l’extraction de motifs biologiquement pertinents à partir des données de transcriptomique spatiale.
L’objectif de cette école de recherche (de cet atelier) est d’aborder l’ampleur de ces défis, à l’interface entre les mathématiques fondamentales, l’apprentissage statistique, la science des données et la biologie. L’école s’adresse à la fois aux étudiants et chercheurs en science des données et machine learning qui souhaitent consolider leurs bases mathématiques afin de développer des méthodes de pointe, et aux mathématiciens issus de domaines plus théoriques désireux d’appliquer leurs travaux en biologie, et plus particulièrement en oncologie.
Cet atelier vise à réunir des chercheurs du monde entier pour aborder cette thématique complexe, et favoriser des discussions et collaborations, en vue notamment de contribuer à une accélération du développement des méthodes mathématiques pour la transcriptomique spatiale et leur application dans le domaine médical, dans la lutte contre le cancer.
SPEAKERS
Hakim Benkirane (Université Paris Saclay)
Quentin Blampey (Université Paris Saclay)
Fragkiskos Malliaros (CentraleSupélec)
Marianna Rapsomaniki (University of Lausanne)
Hannah Spitzer (LMU Munich Statistical)
SPONSORS
