Méthodes statistiques pour l'évaluation de la distance à l'équilibre des systèmes biologiques

Statistical methods for the assessment of the departure from equilibrium of biological systems

• Auteur / Autrice : Paul Sitoleux
• Direction : Aleksandra Walczak
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 01/09/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : Physique en Ile de France
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Perrin

Mots clés

Mots clés libres

Apprentissage automatique

Physique statistique

Physique de la cellule

Machine learning

Statistical physics

Physics of the cell

Résumé

La différenciation cellulaire est cruciale pour le bon développement et le ciblage thérapeutique. Toutefois, comment et quand les cellules acquièrent des destins distincts et quelles lois dynamiques régissent le processus de spécification du destin cellulaire restent largement inconnues. Grâce aux développements récents en matière de criblage cellulaire à haut débit, nous avons aujourd'hui accès à de vastes ensembles de données quantifiant les propriétés moléculaires des cellules au fil du temps, c'est-à-dire des instantanés des trajectoires cellulaires au fil du temps. Bien que les méthodes statistiques, telles que l'UMAP (Uniform Manifold Approximation), se soient révélées être un instrument puissant pour reconstruire des trajectoires via des corrélations d'ensembles de données au fil du temps, on sait peu de choses sur les propriétés dynamiques sous-jacentes de ces systèmes et, en particulier, dans quelle mesure les phénomènes observés. les fluctuations s'écartent d'un état d'équilibre. Cette thèse a pour projet de développer des méthodes combinant la physique statistique, l'apprentissage automatique et la théorie des processus stochastiques avec de grands ensembles de données biologiques pour évaluer quantitativement la distance par rapport à l'équilibre des systèmes biologiques et en déduire les lois dynamiques sous-jacentes.

Cell differentiation is crucial for proper development and therapeutical targeting. Yet, how and when cells acquire distinct fates and what dynamical laws govern the process of cell fate specification remains largely unknown. Thanks to recent developments in high-throughput cell screening, we have nowadays access to large datasets quantifying cell molecular properties over time, i.e., snapshots of cell trajectories over time. Although statistical methods, such as UMAP (Uniform Manifold Approximation), have been proven to be powerful instrument to reconstruct trajectories via dataset correlations over time, little is known about the underlying dynamical properties of these systems and, in particular, to what extent the observed fluctuations depart from an equilibrium state. The aim of this Ph.D. project is that of developing a statistical method combining statistical physics, machine learning and the theory of stochastic processes with large biological datasets to quantitatively assess how far from equilibrium are biological systems and infer the underlying dynamical laws.