Description du projet
La rétro-ingénierie d’un embryon virtuel apporte un éclairage neuf sur l’embryogenèse
La formation et le développement d’un embryon à partir d’un ovule fécondé – une cellule unique – constitue une tâche extraordinaire que la nature dirige avec une précision et un contrôle extrêmes. Outre la division et la différenciation cellulaires, les cellules doivent trouver leur chemin vers les endroits appropriés pour former les tissus et les organes qui assureront la viabilité du nouvel organisme. La signalisation chimique a toujours été considérée comme le principal moteur de ces changements. Toutefois, il est devenu évident au cours des dernières décennies que les forces mécaniques générées par les cellules vivantes jouent un rôle tout aussi important. Le projet DeepEmbryo, financé par l’UE, recourra à des méthodes in silico avancées pour créer un embryon virtuel à partir de données expérimentales et pour tester les prédictions concernant l’interaction entre les forces mécaniques et la signalisation au cours de l’embryogenèse.
Objectif
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.
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 naturellessciences biologiquesbiologie du développement
- sciences naturellessciences physiquesoptiquemicroscopie
- sciences naturellessciences biologiqueszoologiemammalogie
- sciences médicales et de la santémédecine cliniqueembryologie
- sciences naturellessciences biologiqueszoologiezoologie des invertébrés
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
Thème(s)
Régime de financement
ERC-STG - Starting GrantInstitution d’accueil
75794 Paris
France