Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Super-resolved stochastic inference: learning the dynamics of soft biological matter

Description du projet

Algorithmes permettant de déduire des modèles dynamiques stochastiques pour la biophysique fondée sur les données

Les systèmes biologiques, des protéines aux organismes entiers, se comportent de manière complexe, bruyante et intrinsèquement imprévisible. Bien que la microscopie moderne capture un grand nombre de trajectoires expérimentales, il est difficile de transformer ces données imparfaites en modèles physiques fiables. Le projet SuperStoc, financé par le CER, vise à développer des algorithmes robustes et économes en données permettant de déduire des modèles dynamiques stochastiques à partir d’observations limitées et bruitées. S’appuyant sur la physique statistique et l’apprentissage automatique, l’équipe vise à reconstruire des modèles précis et à quantifier la quantité d’informations que contiennent réellement les trajectoires courtes et partielles. Les outils seront testés sur des problèmes allant de l’organisation du génome au mouvement des poissons et seront diffusés sous forme de logiciel ouvert, faisant ainsi progresser la biophysique basée sur les données dans l’ensemble du domaine.

Objectif

The dynamics of biological systems, from proteins to cells to organisms, is complex and stochastic. To decipher their physical laws, we need to bridge between experimental observations and theoretical modeling. Thanks to progress in microscopy and tracking, there is today an abundance of experimental trajectories reflecting these dynamical laws. Inferring physical models from noisy and imperfect experimental data, however, is challenging. Because there are no inference methods that are robust and efficient, model reconstruction from experimental trajectories is a bottleneck to data-driven biophysics.

I will bridge this gap by developing practical algorithms that permit robust and universal inference of stochastic dynamical models from experimental trajectories. To this aim, I will build data-efficient tools to learn stochastic differential equations and discover physical models, employing methods from statistical physics and machine learning. The main focus of SuperStoc will be in resolving models with high precision from limited trajectories. To assess the efficiency of the methods I develop, I will design information-theoretical frameworks to quantify how much can be inferred from trajectories that are short, partial and noisy. The convergence of the resulting algorithms will be backed by mathematical proofs and numerical simulations in realistic conditions.

I will apply these new tools to several key open biophysical problems where existing methods are failing: condensate-mediated interactions between genomic loci, cellular mechanosensing in confined environments, pattern formation in embryo development, and visual interaction between fish leading to collective motion.

The resulting algorithms will be implemented into a software designed to be useful for the broad soft biological matter community. By proving that one can do more with the same data and providing tools to do so, SuperStoc will help bridge the inference gap towards data-driven biophysics.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-ERC - HORIZON ERC Grants

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) ERC-2023-STG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE CNRS
Contribution nette de l'UE
€ 1 477 856,00
Coût total
€ 1 477 856,25

Bénéficiaires (1)