Descripción del proyecto
La ingeniería inversa de un embrión virtual proporciona información novedosa sobre la embriogénesis
La formación y el desarrollo de un embrión a partir de un óvulo fecundado, una única célula, es un proceso extraordinario controlado por la naturaleza con una precisión y control sobresalientes. Las células no solo tienen que dividirse y diferenciarse, sino que además deben encontrar su camino hacia los lugares apropiados para formar los tejidos y órganos que sostendrán al nuevo organismo. Tradicionalmente se ha considerado la señalización química como el factor determinante principal de todos estos cambios pero, en los últimos decenios, se ha demostrados que las fuerzas mecánicas generadas por las células vivas también desempeñan un papel relevante. El proyecto DeepEmbryo, financiado con fondos europeos, empleará métodos avanzados «in silico» para crear un embrión virtual a partir de datos experimentales y corroborar las predicciones sobre la interacción de las fuerzas mecánicas y la señalización durante la embriogénesis.
Objetivo
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.
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 naturalesciencias biológicasbiología del desarrollo
- ciencias naturalesciencias físicasópticamicroscopía
- ciencias naturalesciencias biológicaszoologíamamalogía
- ciencias médicas y de la saludmedicina clínicaembriología
- ciencias naturalesciencias biológicaszoologíazoología de los invertebrados
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
Régimen de financiación
ERC-STG - Starting GrantInstitución de acogida
75794 Paris
Francia