Biographie
Le professeur Arvind Mer a obtenu son Baccalauréat en technologie (spécialisation en biotechnologie) en 2007. Il a complété une Maîtrise en technologie en biologie computationnelle et systémique à l'Université Jawaharlal Nehru en Inde en 2009. Il a été récompensé par la bourse de doctorat international de l'Helmholtz Graduate School au Max Delbrück Center for Molecular Medicine en Allemagne. En 2014, le professeur Mer a terminé son doctorat en bioinformatique et a rejoint l'Institut Karolinska en Suède pour une formation postdoctorale. En 2016, il a commencé à travailler en tant que chercheur postdoctoral au Princess Margaret Cancer Centre, University Health Network, à Toronto, et est ensuite devenu chercheur affilié à l'institut. Il a rejoint l'Université d'Ottawa en 2021. Le laboratoire du professeur Mer utilise des méthodes de pointe en apprentissage automatique et en intelligence artificielle pour l'exploitation des données génomiques et pour faire progresser la médecine personnalisée.
Intérêts de Recherche
Les technologies omiques à haut débit révolutionnent notre connaissance des mécanismes moléculaires et de la biologie des maladies. Ces méthodes de profilage produisent une grande quantité de données. Conséquemment, analyser et exploiter ces données pour obtenir des connaissances biologiques est un défi majeur. Notre groupe développe des méthodes d'apprentissage automatique et d'intelligence artificielle pour l'analyse des données omiques à haut débit.
Médecine personnalisée en cancérologie : En médecine personnalisée, les stratégies thérapeutiques sont adaptées en fonction du profil génomique du patient. La promesse de la médecine personnalisée du cancer est de fournir une décision de traitement précise et rapide. Le défi majeur dans la médecine personnalisée du cancer est d'identifier des biomarqueurs capables de prédire la réponse aux médicaments à partir du profil génomique d'une tumeur. Notre programme de recherche vise à relever ces défis en utilisant des méthodes d'apprentissage automatique et d'intelligence artificielle.
Analyse des données de séquençage d’une seule cellule :Les systèmes d’analyse d’une seule cellule fournit des informations à haute résolution. Cela nous permet de caractériser l'hétérogénéité des échantillons biologiques, de comprendre les mécanismes cellulaires et d'identifier les sources de résistance aux médicaments dans les maladies. Nous développons des méthodes computationnelles basées sur l'apprentissage automatique pour l'analyse des données de séquençage au niveau d’une seule cellule.
Repositionnement de médicaments : Le développement de médicaments est très coûteux et chronophage. Il faut environ 12 ans et 2,6 milliards de dollars pour développer un nouveau médicament. Découvrir de nouvelles utilisations pour des composés approuvés ou en cours d'investigation (repositionnement de médicaments) pourrait réduire à la fois le délai et les coûts associés au développement de médicaments. Nous utilisons des ensembles de données pharmacogénomiques, la chimioinformatique et l'apprentissage automatique pour trouver de nouvelles utilisations pour les médicaments existants
Les étudiants et les chercheurs postdoctoraux intéressés par les domaines de la biologie computationnelle, de l'apprentissage automatique, de l'analyse de données omiques, de la bioinformatique et de la génomique du cancer sont encouragés à contacter le professeur Arvind Mer.
Sélection de publications
Liste complète des publications sur Google scholar
- Mer AS, Heath E, Tonekaboni S, Garcia-Prat L, Shlush L, Voisin V, Bader G, Lupien M, Dick J, Minden M, Schimmer A, Haibe-Kains B, Biological and therapeutic implications of a unique subtype of NPM1 mutated AML, Nature Communications, Jan. 2021. PMID:33594052
- Mer AS, Ba-alawi W, Smirnov P, Wang XY, Brew B, Ortmann J, Tsao MS, Cescon D, Goldenberg A, Haibe-Kains B, Integrative Pharmacogenomics Analysis of Patient Derived Xenografts, Cancer Research, May 2019. PMID:31142512
- Mer AS, Lindberg L, Nilsson C, Klevebring D, Wang M, Grönberg H, Lehmann S, Rantalainen M, Expression levels of long non-coding RNAs are prognostic for AML outcome, Journal of Hematology & Oncology 11(1), 2018. PMID: 29625580
- Mer AS, Klevebring D, Gronberg H, Rantalainen M, Study design requirements for RNA sequencing-based breast cancer diagnostics, Scientific Reports, (6:20200), 2016