Descrizione del progetto
Approcci computazionali avanzati per studiare la segnalazione cellulare
La segnalazione consente alle cellule di rispondere ai segnali esterni; ciononostante, il trattamento delle malattie risulta complesso a causa della variabilità di tali risposte, che ne rende difficile la comprensione e la previsione ed è attribuibile a fattori complessi a livello sia sistemico che molecolare. Per affrontare questo problema, il progetto DeepMechanism, finanziato dal CER, propone metodi computazionali innovativi che combinano l’apprendimento profondo e la modellizzazione meccanicistica, metodi intesi a prevedere le risposte di segnalazione mediante l’analisi degli stati cellulari e dei processi di fosforilazione, integrando al contempo le conoscenze biologiche per ottenere modelli più semplici. L’approccio adottato dal progetto studia i fattori che determinano l’eterogeneità della segnalazione della tirosin-chinasi recettoriale e del sarcoma di ratto nel cancro, con potenziali applicazioni negli organoidi derivati da pazienti. La ricerca proposta potrebbe migliorare significativamente la comprensione in merito alla regolazione della segnalazione, disponendo del potenziale per sviluppare ampie applicazioni in sistemi biologici e di altro tipo.
Obiettivo
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.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP.
- scienze naturaliinformatica e scienze dell'informazionescienze computazionali
- scienze mediche e della salutemedicina clinicaoncologia
- scienze naturaliinformatica e scienze dell'informazioneintelligenza artificialeapprendimento automaticoapprendimento profondo
- scienze naturaliinformatica e scienze dell'informazioneintelligenza artificialericonoscimento delle forme
- scienze socialilegge
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Parole chiave
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Meccanismo di finanziamento
HORIZON-ERC - HORIZON ERC GrantsIstituzione ospitante
NW1 1AT London
Regno Unito