Descripción del proyecto
Métodos computacionales avanzados para investigar la señalización celular
La señalización permite a las células responder a las señales externas, pero la diversidad de respuestas entre las células complica el tratamiento de las enfermedades. Esta variabilidad, atribuida a factores complejos tanto a nivel sistémico como molecular, dificulta la comprensión y predicción de las respuestas. Para abordar esta cuestión, el equipo del proyecto DeepMechanism, financiado por el CEI, propone métodos computacionales innovadores que combinan el aprendizaje profundo y la modelización mecanicista. Con estos métodos se pretende predecir las respuestas de señalización mediante el análisis de los estados celulares y los procesos de fosforilación, integrando al mismo tiempo los conocimientos biológicos para obtener modelos más sencillos. A través de este abordaje se investigan los impulsores de la heterogeneidad en la señalización del receptor tirosina quinasa y el sarcoma de rata en el cáncer, con aplicaciones potenciales en organoides derivados de pacientes. La investigación propuesta mejoraría significativamente la comprensión de la regulación de la señalización y tiene potencial para aplicaciones amplias en sistemas biológicos y de otro tipo.
Objetivo
Signalling enables cells to respond to external cues, but the inherent heterogeneity of individual cell responses,
essential for multicellular organization, complicates disease treatment. Heterogeneity arises from drivers at
system and molecular scales, intertwined through feedback loops, making quantitative understanding and
prediction challenging. I will address this by pioneering transformative computational methods that predict
phospho-signalling responses by integrating deep learning with mechanistic modelling to integrate
systems and molecular scales.
By using unbiased pattern recognition of deep learning models, I will learn cell states and simple
phosphorylation rate laws. These will be combined with mechanistic models, integrating biological
knowledge, to build simple and interpretable models that predict signalling responses from baseline omics
profiles across distinct time-resolved and perturbational conditions. I will apply these methods to investigate
drivers of heterogeneity in receptor tyrosine kinase (RTK) and rat sarcoma (RAS) signalling, in response to
growth factors and targeted inhibitors in cancer cell lines. I will validate the approach by reprogramming
patient-derived organoids using model-proposed inhibitor combinations.
The proposed research will advance our fundamental understanding of signalling regulation and co-regulation
with cellular states. Given the vital role of RTK and RAS signalling in human health, it also holds the potential
for translational impact. More broadly, the proposed computational methods are versatile and could be applied
to a broad range of biological and non-biological systems.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias naturalesinformática y ciencias de la informaciónciencias de la computación
- ciencias médicas y de la saludmedicina clínicaoncología
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialaprendizaje automáticoaprendizaje profundo
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialreconocimiento de patrones
- ciencias socialesderecho
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Régimen de financiación
HORIZON-ERC - HORIZON ERC GrantsInstitución de acogida
NW1 1AT London
Reino Unido