Portrait de Jacques Corbeil

Jacques Corbeil

Membre affilié
Professeur titulaire, Université Laval
Linearis Venture and Labs
Sujets de recherche
Apprentissage automatique appliqué
Biologie computationnelle
IA et santé
Site web
Google Scholar
LinkedIn

Biographie

Le Dr Jacques Corbeil se concentre sur l'utilisation des dernières techniques de bio-informatique et d'apprentissage automatique pour faciliter le diagnostic, le pronostic et la réponse au traitement. Les techniques modernes de génomique et de métabolomique génèrent un déluge de données qui doivent être interprétées à l'aide de nouvelles approches informatiques. Le Dr Corbeil utilise des instruments et des méthodologies de pointe pour faciliter l'interprétation de données complexes, y compris la spectrométrie de masse à haut débit, en particulier la métabolomique et le séquençage next-gen.

Les recherches du Dr Corbeil portent notamment sur la manière dont les micro-organismes infectieux interagissent avec leur hôte, sur les effets des antibiotiques sur notre flore microbienne et sur l'environnement, et sur la manière de concevoir de petites molécules et des médicaments pour interférer avec des fonctions microbiennes spécifiques et avec la progression du cancer. Travaillant à l'interface de l'apprentissage automatique et des sciences omiques, il possède une expertise dans l'intégration des données omiques et se spécialise dans l'analyse de données massives appliquée aux maladies infectieuses et au cancer. Le Dr Corbeil collabore avec de nombreuses industries pour améliorer leurs processus et mettre en œuvre des stratégies d'intelligence artificielle. Depuis 2004, le Dr Corbeil est titulaire de la Chaire de recherche du Canada en génomique médicale (niveau 1).

Publications

Associations between circulating amino acids and metabolic dysfunction‐associated steatotic liver disease in individuals living with severe obesity
Ina Maltais‐Payette
Jérôme Bourgault
Marie‐Frédérique Gauthier
Laurent Biertho
Simon Marceau
François Julien
Patricia L. Mitchell
Christian Couture
Francis Brière
Jacques Corbeil
Benoit J. Arsenault
André Tchernof
2025-01-27
Physiological Reports (publié)
doi.org
Turncoat antibodies unmasked in a model of autoimmune demyelination: from biology to therapy
Reza Taghipour-Mirakmahaleh
Françoise Morin
Yu Zhang
Louis Bourhoven
Louis-Charles Béland
Qun Zhou
Julie Jaworski
Anna Park
Juan Manuel Dominguez
Jacques Corbeil
Eoin P Flanagan
Romain Marignier
Catherine Larochelle
Steven Kerfoot
Luc Vallières
Autoantibodies contribute to many autoimmune diseases, yet there is no approved therapy to neutralize them selectively. A popular mouse mode… (voir plus)l, experimental autoimmune encephalomyelitis (EAE), could serve to develop such a therapy, provided we can better understand the nature and importance of the autoantibodies involved. Here we report the discovery of autoantibody-secreting extrafollicular plasmablasts in EAE induced with specific myelin oligodendrocyte glycoprotein (MOG) antigens. Single-cell RNA sequencing reveals that these cells produce non-affinity-matured IgG antibodies. These include pathogenic antibodies competing for shared binding space on MOG’s extracellular domain. Interestingly, the synthetic anti-MOG antibody 8-18C5 can prevent the binding of pathogenic antibodies from either EAE mice or people with MOG antibody disease (MOGAD). Moreover, an 8-18C5 variant carrying the NNAS mutation, which inactivates its effector functions, can reduce EAE severity and promote functional recovery. In brief, this study provides not only a comprehensive characterization of the humoral response in EAE models, but also a proof of concept for a novel therapy to antagonize pathogenic anti-MOG antibodies.
2024-12-06
bioRxiv (prépublication)
doi.org
Substitution of dietary monounsaturated fatty acids from olive oil for saturated fatty acids from lard increases low-density lipoprotein apolipoprotein B-100 fractional catabolic rate in subjects with dyslipidemia associated with insulin resistance: a randomized controlled trial
Louis-Charles Desjardins
Francis Brière
André J Tremblay
Maryka Rancourt-Bouchard
Jean-Philippe Drouin-Chartier
Jacques Corbeil
Valéry Lemelin
Amélie Charest
Ernst J Schaefer
Benoit Lamarche
Patrick Couture
2024-03-01
American Journal of Clinical Nutrition (publié)
doi.org
Learning self-supervised molecular representations for drug–drug interaction prediction
Rogia Kpanou
Patrick Dallaire
Elsa Rousseau
Jacques Corbeil
2024-01-30
BMC Bioinformatics (publié)
doi.org
Invariant Causal Set Covering Machines
Thibaud Godon
Baptiste Bauvin
Pascal Germain
Jacques Corbeil
Alexandre Drouin
2023-06-07
ArXiv (prépublication)
doi.org
arxiv.org
MOT: A Multi-Omics Transformer for Multiclass Classification Tumour Types Predictions
Mazid Osseni
Prudencio Tossou
Franccois Laviolette
Jacques Corbeil
2023-02-16
Proceedings of the 16th International Joint Conference on Biomedical Engineering Systems and Technologies (publié)
doi.org
Sample Boosting Algorithm (SamBA) - An interpretable greedy ensemble classifier based on local expertise for fat data
Baptiste Bauvin
Cécile Capponi
Florence Clerc
Pascal Germain
Sokol Koço
Jacques Corbeil
2023-01-01
UAI (publié)
proceedings.mlr.press
openreview.net
RandomSCM: interpretable ensembles of sparse classifiers tailored for omics data
Thibaud Godon
Pier-Luc Plante
Baptiste Bauvin
Élina Francovic-Fontaine
Alexandre Drouin
Jacques Corbeil
Background: Understanding the relationship between the Omics and the phenotype is a central problem in precision medicine. The high dimensio… (voir plus)nality of metabolomics data challenges learning algorithms in terms of scalability and generalization. Most learning algorithms do not produce interpretable models -- Method: We propose an ensemble learning algorithm based on conjunctions or disjunctions of decision rules. -- Results : Applications on metabolomics data shows that it produces models that achieves high predictive performances. The interpretability of the models makes them useful for biomarker discovery and patterns discovery in high dimensional data.
2022-08-11
ArXiv (prépublication)
doi.org
arxiv.org