Projektbeschreibung
Erkenntnisse zur Embryogenese durch Reverse Engineering eines virtuellen Embryos
Die Entstehung und Entwicklung eines Embryos aus einem befruchteten Ei – einer einzelnen Zelle – ist eine beachtliche Leistung, welche die Natur mit vorzüglicher Präzision und Kontrolle meistert. Neben der Zellteilung und -differenzierung müssen sich Zellen ihren Weg zu den geeigneten Orten suchen, damit Gewebe und Organe entstehen können, die den neuen Organismus unterstützen. Seit geraumer Zeit galt die chemische Signalgebung als Impulsgeber all dieser Veränderungen. In den letzten Jahrzehnten ist jedoch klar geworden, dass mechanische Kräfte, die von den lebenden Zellen generiert werden, ebenso relevant sind. Das EU-finanzierte Projekt DeepEmbryo wird mittels fortschrittlicher In-silico-Methoden einen virtuellen Embryo aus Versuchsdaten erstellen und Vorhersagen zum Zusammenspiel der mechanischen Kräfte und der Signalgebung während der Embryogenese auf den Prüfstand stellen.
Ziel
Embryogenesis is archetypal of a self-organized process, where the emergence of a complex structure stems from the interaction of its elementary parts. Progress in imaging and molecular genetics allow us to delve into embryos at unprecedented spatiotemporal resolutions, but extracting biophysical information from this complex multidimensional data is a highly technical challenge. As a result the principles of multicellular self-organization remain far from understood. DeepEmbryo proposes to fill this gap by pioneering the use of deep learning to reverse-engineer early embryo development directly from high-resolution 3D microscopy movies. Focusing on four animal groups (mammals, ascidians, nematodes and annelids), the project will combine physical modeling and machine learning to tackle three fundamental questions from a unique transversal perspective: Q1 What are the forces shaping early embryos? Using convolutional neural networks, I will develop an automated method to directly infer cell forces from membrane-labeled images of embryos. Q2 How do cells coordinate forces, division and signaling? Regarding cells as dynamical systems, I will model them with minimal neural networks and design a multi-agent embryo model able to learn by reinforcement the fundamental feedback controls between mechanics and fate. Q3 What principles ensure developmental robustness? Using deep generative models, I will infer intra-specie developmental variability to identify robust developmental traits and mechanisms. Using dropout techniques as virtual analog to genetic knockout, I will produce experimentally testable new predictions, refining my inaugural virtual embryos. Pioneering a new field at the frontier of developmental biology, artificial intelligence and physics, DeepEmbryo will uncover the fundamental engineering principles of early embryogenesis, with far-reaching implications in multi-agent modeling, evolutionary biology, physical inference and tissue engineering.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
- NaturwissenschaftenBiowissenschaftenEntwicklungsbiologie
- NaturwissenschaftenNaturwissenschaftenOptikMikroskopie
- NaturwissenschaftenBiowissenschaftenZoologieMammalogie
- Medizin- und GesundheitswissenschaftenKlinische MedizinEmbryologie
- NaturwissenschaftenBiowissenschaftenZoologiespezielle Zoologie: Wirbellose
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Finanzierungsplan
ERC-STG - Starting GrantGastgebende Einrichtung
75794 Paris
Frankreich