Akira Cortal

Akira Cortal

Auto-generated profile, based on publicly available information

Akira Cortal

Clinical Bioinformatics Laboratory, Université de Paris, INSERM UMR1163, Imagine Institute, Paris, France

Research Focus & Metrics

Academic Career Length

7Years (2020-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
29 April 2021 in Nature Biotechnology
Verified
Journal Article
Closed access
PDF file
ACAkira Cortal
Akira Cortal
LMLoredana Martignetti
Loredana Martignetti
ESEmmanuelle Six
Emmanuelle Six
ARAntonio Rausell
Antonio Rausell

23 July 2020 in bioRxiv
Verified
Preprint
Open access
PDF file
CACortal Akira
Cortal Akira
LMLoredana Martignetti
Loredana Martignetti
SESix Emmanuelle
Six Emmanuelle
ARAntonio Rausell
Antonio Rausell
The exhaustive exploration of human cell heterogeneity requires the unbiased identification of molecular signatures that can serve as unique cell identity cards for every cell in the body. However, the stochasticity associated with high-throughput single-cell sequencing has made it necessary to use clustering-based computational approaches in which the characterization of cell-type heterogeneity is performed at cell-subpopulation level rather than at full single-cell resolution. We present here Cell-ID, a clustering-free multivariate statistical method for the robust extraction of per-cell gene signatures from single-cell sequencing data. Cell-ID signatures allow unbiased cell identity recognition across different donors, tissues-of-origin, model organisms and single-cell omics technologies. Cell-ID is distributed as an open-source R software package: https://github.com/RausellLab/CelliD .

3 April 2026
Verified
Thesis
Closed access
ACAkira Cortal
Akira Cortal
Développement de méthodes bio-informatiques pour l'analyse des données de haute dimension sur cellules uniques et leur application à l'étude de l'hétérogénéité cellulaire: La première découverte d'un micro-organisme et l'observation d'une cellule a été réalisée à l'aide de microscopes par Robert Hooke et Antoni van Leeuwenhoek à la fin du XVIIe siècle. Dès lors, de nombreux moyens ont été déployés pour caractériser les cellules et leur hétérogénéité dans les organismes multicellulaires. Les progrès technologiques récents permettent maintenant de caractériser les cellules grâce à différentes technologies de séquençage d'"omiques" sur cellule unique. Ainsi, les composants génomiques, épigénétiques, transcriptomiques, protéomiques et métaboliques peuvent maintenant être identifiés à grande échelle à la résolution unicellulaire afin de déchiffrer les modules moléculaires qui orchestrent les fonctions cellulaires. L'exploration de l'hétérogénéité cellulaire et de ses constituants moléculaires sous-jacents est essentielle à la compréhension des mécanismes biologiques complexes et à leur participation dans les maladies. Cette exploration exhaustive de l'hétérogénéité des cellules, nécessite une identification des signatures moléculaires de manière non biaisée, qui peuvent servir de cartes d'identité pour chaque cellule du corps. Cependant, la variabilité et les erreurs techniques associées au séquençage sur cellule unique a rendu nécessaire l'utilisation d'approches computationnelles basées sur le partitionnement de données dans lesquelles la caractérisation de l'hétérogénéité de type cellulaire est effectuée à un niveau de sous-population cellulaire plutôt qu'au niveau de la cellule unique. Dans cette thèse, j'ai développé une méthode statistique multivariée sans partitionnement de données, appelée Cell-ID, qui permet l'extraction robuste de signatures géniques, par cellule, à partir de données de séquençage sur cellule unique. Via de nombreuses évaluations effectués sur divers ensembles de données de séquençage unicellulaire, je démontre que les signatures extraites par Cell-ID permettent une reconnaissance impartiale de l'identité cellulaire entre différents donneurs, tissus d'origine, organismes et technologies "omiques" sur cellule unique. De plus, j'illustre par une analyse exploratoire que les signatures extraites par CellID englobent les signaux liés aux mécanismes biologiques complexes et peuvent être utilisées pour étudier les voies biologiques fonctionnelles. La méthode CellID a été implémentée en tant que package R open-source et peut être facilement intégrée dans les flux de travail existants d'analyse des données de séquençage sur cellule unique par la communauté de recherche. Dans l'ensemble, la méthode originale que j'ai développée tout au long de cette thèse aidera à capturer l'hétérogénéité cellulaire individuelle en fournissant des signatures robustes et non biaisées. CellID peut notamment être utilisé pour construire un catalogue complet d'identité cellulaire de référence en l'appliquant à des projets d'encyclopédie cellulaire à grande échelle tels que l'encyclopédie des cellules humaines (Human Cell Atlas) ou l'encyclopédie des cellules de souris (Mouse Cell Atlas), et aussi, entre autres, étudier les voies moléculaires associées aux maladies. Ce travail sera également très pertinent dans un avenir, proche avec l'avènement du séquençage multimodal à l'échelle de la cellule unique, où il sera nécessaire de caractériser les cellules par la combinaison de plusieurs "omiques".