Apprentissage des structures cachées dans la dynamique stochastique des systèmes vivants

Learning hidden structures in the stochastic dynamics of living systems

• Auteur / Autrice : João Pedro Valeriano miranda
• Direction : Pierre Ronceray
• Type : Projet de thèse
• Discipline(s) : PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : BIOPHYSIQUE
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Physique et Sciences de la Matière
• Partenaire(s) de recherche : Laboratoire : CINaM - Centre Interdisciplinaire de Nanoscience de Marseille

Mots clés

Mots clés libres

Processus stochastiques

Inférence statistique

Variables cachées

Stochastic processes

Statistical inference

Hidden variables

Résumé

Les progrès de la technologie de la microscopie ont entraîné une explosion de la production de données sur la dynamique de différents systèmes biologiques, des protéines aux micro-organismes entiers. Cependant, ces données sont toujours imparfaites en raison de multiples limitations expérimentales, ce qui fait de l'inférence des modèles sous-jacents une tâche redoutable. Nous avons tout intérêt à compenser ces limites de la collecte de données en optimisant les méthodes d'inférence utilisées pour traiter ces données. Par exemple, certaines avancées ont permis d'améliorer de manière significative l'inférence à partir de données corrompues par le bruit de mesure [1]. Dans ce projet, nous nous attaquerons au problème de l'incomplétude des données expérimentales. Dans le cas de systèmes biologiques complexes, il n'est jamais possible de mesurer tous les degrés de liberté pertinents pour la dynamique observée. Par conséquent, lorsqu'on propose un modèle pour la dynamique observée, il faut être conscient que la dynamique des quantités mesurées dépend également de variables cachées non mesurées. Pourtant, les méthodes d'inférence actuelles ignorent souvent l'existence de ces variables cachées. Nous développerons des méthodes d'inférence de pointe pour prendre en compte les variables cachées non mesurées qui peuvent affecter la dynamique des quantités observées. En utilisant la théorie de l'information, nous développerons des outils pour estimer la quantité d'informations sur les variables cachées disponibles à travers les variables mesurées. Si les données disponibles contiennent suffisamment d'informations, nos améliorations permettront aux chercheurs de découvrir la structure cachée des processus biologiques, améliorant ainsi leur compréhension. En l'absence d'informations suffisantes pour révéler cette structure sous-jacente, nous parviendrons au moins à estimer les corrélations temporelles dans les quantités observées induites par la dynamique des variables cachées, ce qui permettra d'améliorer les prédictions pour ces systèmes. [1] Frishman, A. & Ronceray, P. Learning Force Fields from Stochastic Trajectories. Phys. Rev. X 10, 021009 (2020).

Progress in microscopy technology led to a burst in the generation of data on the dynamics of different biological systems, from proteins to entire microorganisms. However, this data is always imperfect due to multiple experimental limitations, which make the inference of underlying models a formidable task. It is in our best interest to make up for these data collection limitations by optimizing the inference methods used to process this data. For instance, some advances have significantly improved inference from data corrupted by measurement noise [1]. In this project, we will tackle the problem of incompleteness of experimental data. Considering complex biological systems, it is never possible to measure every degree of freedom that is relevant to the observed dynamics. Therefore, when proposing a model for the observed dynamics, one needs to be aware that the dynamics of the measured quantities also depend on unmeasured hidden variables. Still, current inference methods often ignore the existence of these hidden variables. We will further develop state-of-the-art inference methods to consider unmeasured hidden variables that may affect the dynamics of observed quantities. Using information theory, we will develop tools to estimate the amount of information about hidden variables available through the measured ones. Given enough information in the available data, our improvements will permit researchers to uncover the hidden structure of biological processes, improving their understanding. In the absence of enough information to reveal this underlying structure, at the very least, we will manage to estimate temporal correlations in the observed quantities induced by the dynamics of the hidden variables, allowing improved predictions for these systems. [1] Frishman, A. & Ronceray, P. Learning Force Fields from Stochastic Trajectories. Phys. Rev. X 10, 021009 (2020).