Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Unravelling Signalling Heterogeneity using DEEP Learning and MECHANIstic Modelling

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)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2024-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

THE FRANCIS CRICK INSTITUTE LIMITED
Contributo netto dell'UE
€ 1 499 466,00
Indirizzo
1 MIDLAND ROAD
NW1 1AT London
Regno Unito
Regione
London Inner London — West Camden and City of London
Tipo di attività
Research Organisations
Collegamenti
Costo totale
€ 1 499 466,00

Beneficiari (1)