FC
Fabiola Curion
Author with expertise in Comprehensive Integration of Single-Cell Transcriptomic Data
Achievements
Open Access Advocate
Cited Author
Key Stats
Upvotes received:
0
Publications:
8
(88% Open Access)
Cited by:
443
h-index:
10
/
i10-index:
10
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
31

Single-cell sequencing of human iPSC-derived cerebellar organoids shows recapitulation of cerebellar development

Samuel Nayler et al.Jul 1, 2020
ABSTRACT Current protocols for producing cerebellar neurons from human pluripotent stem cells (hPSCs) are reliant on animal co-culture and mostly exist as monolayers, which have limited capability to recapitulate the complex arrangement of the brain. We developed a method to differentiate hPSCs into cerebellar organoids that display hallmarks of in vivo cerebellar development. Single-cell profiling followed by comparison to an atlas of the developing murine cerebellum revealed transcriptionally-discrete populations encompassing all major cerebellar cell types. Matrigel encapsulation altered organoid growth dynamics, resulting in differential regulation of cell cycle, migration and cell-death pathways. However, this was at the expense of reproducibility. Furthermore, we showed the contribution of basement membrane signalling to both cellular composition of the organoids and developmentally-relevant gene expression programmes. This model system has exciting implications for studying cerebellar development and disease most notably by providing xeno-free conditions, representing a more biologically relevant and therapeutically tractable culture setting.
31
Citation6
0
Save
0

Multimodal weakly supervised learning to identify disease-specific changes in single-cell atlases

Anastasia Litinetskaya et al.Jul 29, 2024
Abstract Multimodal analysis of single-cell samples from healthy and diseased tissues at various stages provides a comprehensive view that identifies disease-specific cells, their molecular features and aids in patient stratification. Here, we present MultiMIL, a novel weakly-supervised multimodal model designed to construct multimodal single-cell references and prioritize phenotype-specific cells via patient classification. MultiMIL effectively integrates single-cell modalities, even when they only partially overlap, providing robust representations for downstream analyses such as phenotypic prediction and cell prioritization. Using a multiple-instance learning approach, MultiMIL aggregates cell-level measurements into sample-level representations and identifies disease-specific cell states through attention-based scoring. We demonstrate that MultiMIL accurately identifies disease-specific cell states in blood and lung samples, identifying novel disease-associated genes and achieving superior patient classification accuracy compared to existing methods. We anticipate MultiMIL will become an essential tool for querying single-cell multiomic atlases, enhancing our understanding of disease mechanisms and informing targeted treatments.
0
Citation1
0
Save
0

Machine learning integrative approaches to advance computational immunology

Fabiola Curion et al.Jun 11, 2024
Abstract The study of immunology, traditionally reliant on proteomics to evaluate individual immune cells, has been revolutionized by single-cell RNA sequencing. Computational immunologists play a crucial role in analysing these datasets, moving beyond traditional protein marker identification to encompass a more detailed view of cellular phenotypes and their functional roles. Recent technological advancements allow the simultaneous measurements of multiple cellular components—transcriptome, proteome, chromatin, epigenetic modifications and metabolites—within single cells, including in spatial contexts within tissues. This has led to the generation of complex multiscale datasets that can include multimodal measurements from the same cells or a mix of paired and unpaired modalities. Modern machine learning (ML) techniques allow for the integration of multiple “omics” data without the need for extensive independent modelling of each modality. This review focuses on recent advancements in ML integrative approaches applied to immunological studies. We highlight the importance of these methods in creating a unified representation of multiscale data collections, particularly for single-cell and spatial profiling technologies. Finally, we discuss the challenges of these holistic approaches and how they will be instrumental in the development of a common coordinate framework for multiscale studies, thereby accelerating research and enabling discoveries in the computational immunology field.
33

Panpipes: a pipeline for multiomic single-cell data analysis

Fabiola Curion et al.Mar 12, 2023
Abstract Single-cell multiomic analysis of the epigenome, transcriptome and proteome allows for comprehensive characterisation of the molecular circuitry that underpins cell identity, cell state, and cell type-specific gene regulatory networks. Technological advances, whereby multiple omics modalities can be simultaneously profiled in individual cells in a highly parallel manner, are already beginning to provide a step-change in our capacity to comprehend complex tissue biology during development and ageing, in health and disease, and upon treatment. However, the holistic interpretation of such datasets still presents a challenge due to an absence of approaches for the systematic joint analysis and evaluation of different modalities. Here, we present Panpipes, a set of computational workflows designed to automate the analysis of multimodal single-cell datasets by incorporating widely used Python-based tools to efficiently perform quality control, preprocessing, integration, clustering, and reference mapping at scale in the multiomic setting. Panpipes combines established and state-of-the-art methods to allow reliable and customisable analysis and evaluation of multiomic single-cell datasets, enabling users to investigate individual and integrated modalities, and to empower decision-making prior to downstream analyses and data interpretation.
0

Identification of cell types, states and programs by learning gene set representations

Soroor Hediyeh‐Zadeh et al.Jan 1, 2023
As single cell molecular data expand, there is an increasing need for algorithms that efficiently query and prioritize gene programs, cell types and states in single-cell sequencing data, particularly in cell atlases. Here we present scDECAF, a statistical learning algorithm to identify cell types, states and programs in single-cell gene expression data using vector representation of gene sets, which improves biological interpretation by selecting a subset of most biologically relevant programs. We applied scDECAF to scRNAseq data from PBMC, Lung, Pancreas, Brain and slide-tags snRNA of human prefrontal cortex for automatic cell type annotation. We demonstrate that scDECAF can recover perturbed gene programs in Lupus PBMC cells stimulated with IFNbeta and TGFBeta-induced cells undergoing epithelial-to-mesenchymal transition. scDECAF delineates patient-specific heterogeneity in cellular programs in Ovarian Cancer data. Using a healthy PBMC reference, we apply scDECAF to a mapped query PBMC COVID-19 case-control dataset and identify multicellular programs associated with severe COVID-19. scDECAF can improve biological interpretation and complement reference mapping analysis, and provides a method for gene set and pathway analysis in single cell gene expression data.