Description du projet
Approches computationnelles avancées pour étudier la signalisation cellulaire
La signalisation permet aux cellules de répondre à des signaux externes, mais les réponses variables d’une cellule à l’autre compliquent le traitement des maladies. Cette variabilité, attribuée à des facteurs complexes aux niveaux systémique et moléculaire, rend difficile la compréhension et la prévision des réponses. Pour y remédier, le projet DeepMechanism, financé par le CER, propose des méthodes informatiques innovantes qui combinent l’apprentissage profond et la modélisation mécaniste. Ces méthodes visent à prédire les réponses de signalisation en analysant les états cellulaires et les processus de phosphorylation, tout en intégrant les connaissances biologiques pour obtenir des modèles plus simples. Cette approche permet d’étudier les facteurs d’hétérogénéité dans la signalisation des récepteurs tyrosine kinase et des sarcomes de rat dans le cancer, avec des applications potentielles dans les organoïdes dérivés de patients. La recherche proposée pourrait considérablement améliorer la compréhension de la régulation de la signalisation et a le potentiel pour de vastes applications dans les systèmes biologiques et autres.
Objectif
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.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
- sciences naturellesinformatique et science de l'informationscience informatique
- sciences médicales et de la santémédecine cliniqueoncologie
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatiqueapprentissage profond
- sciences naturellesinformatique et science de l'informationintelligence artificiellereconnaissance des formes
- sciences socialesdroit
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thème(s)
Régime de financement
HORIZON-ERC - HORIZON ERC GrantsInstitution d’accueil
NW1 1AT London
Royaume-Uni