Multimodal analysis of neuroimaging and transcriptomic data in genetic frontotemporal dementia - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Theses Year : 2022

Multimodal analysis of neuroimaging and transcriptomic data in genetic frontotemporal dementia

Analyse multimodale des données de neuroimagerie et transcriptomiques dans la démence frontotemporale génétique

Abstract

Frontotemporal dementia (FTD) represents the second most common type of dementia in adults under the age of 65. Currently, there are no treatments that can cure this condition. In this context, it is essential that biomarkers capable of assessing disease progression are identified. This thesis has two objectives. First, to analyze the expression patterns of microRNAs taken from blood samples of patients, asymptomatic individuals who have certain genetic mutations causing FTD, and controls, to identify whether the expressions of some microRNAs correlate with mutation status and disease progression. Second, this work aims at proposing methods for integrating cross-sectional data from microRNAs and neuroimaging to estimate disease progression. We conducted three studies. Initially, we focused on plasma samples from C9orf72 expansion carriers. We identified four microRNAs whose expressions correlated with the clinical status of the participants. Next, we tested all microRNA signatures identified in the literature as potential biomarkers of FTD or amyotrophic lateral sclerosis (ALS), in two groups of individuals. Finally, in our third work, we proposed a new approach, using a supervised multimodal variational autoencoder, that estimates a disease progression score from cross-sectional microRNA expression and neuroimaging datasets with small sample sizes. The work conducted in this interdisciplinary thesis showed that it is possible to use non-invasive biomarkers, such as circulating microRNAs and magnetic resonance imaging, to assess the progression of rare neurodegenerative diseases such as FTD and ALS.
La démence frontotemporale (DFT) représente le deuxième type de démence le plus fréquent chez les adultes de moins de 65 ans. Il n’existe aucun traitement capable de guérir cette maladie. Dans ce contexte, il est essentiel d’identifier des biomarqueurs capables d’évaluer la progression de la maladie. Cette thèse a deux objectifs. Premièrement, analyser les profils d’expression des microARNs circulants prélevés dans le plasma sanguin de participants, afin d’identifier si l’expression de certains microARNs est corrélée au statut mutationnel et à la progression de la maladie. Deuxièmement, proposer des méthodes pour intégrer des données transversales de type microARN et de neuroimagerie pour estimer la progression de la maladie. Nous avons mené trois études. D’abord, nous avons analysé des échantillons de plasma provenant de porteurs d’une expansion dans le gène C9orf72. Ensuite, nous avons testé toutes les signatures de microARNs identifiées dans la littérature comme biomarqueurs potentiels de la DFT ou de la sclérose latérale amyotrophique (SLA), dans deux cohortes indépendantes. Enfin, dans notre troisième étude, nous avons proposé une nouvelle méthode, utilisant un autoencodeur variationnel multimodal supervisé, qui estime à partir d’échantillons de petite taille un score de progression de la maladie en fonction de données transversales d’expression de microARNs et de neuroimagerie. Les travaux menés dans cette thèse interdisciplinaire ont montré qu’il est possible d’utiliser des biomarqueurs non invasifs, tels que les microARNs circulants et l’imagerie par résonance magnétique, pour évaluer la progression de maladies neurodégénératives rares telles que la DFT et la SLA.
Fichier principal
Vignette du fichier
KMETZSCH_Virgilio_these_2022.pdf (11.27 Mo) Télécharger le fichier
Origin Version validated by the jury (STAR)

Dates and versions

tel-03892615 , version 1 (09-12-2022)
tel-03892615 , version 2 (27-03-2023)

Identifiers

  • HAL Id : tel-03892615 , version 2

Cite

Virgilio Kmetzsch. Multimodal analysis of neuroimaging and transcriptomic data in genetic frontotemporal dementia. Machine Learning [stat.ML]. Sorbonne Université, 2022. English. ⟨NNT : 2022SORUS279⟩. ⟨tel-03892615v2⟩
180 View
190 Download

Share

Gmail Mastodon Facebook X LinkedIn More