– ODESSA

Ce projet vise à résoudre des questions complexes d'apprentissage statistique posées dans le cadre de la modélisation inverse de réseaux de regulation génique et de signalisation à partir de données expérimentales. Nous partons de deux tâches emblématiques de la modélisation inverse en biologie des systèmes, liées à la fonction de plusieurs récepteurs nucléaires: une première tâche concerne l'identification de gènes cibles de l'acide rétinoïque, pour chacun des trois récepteurs nucléaires (RAR&#945,, &#946, and &#947,), la seconde tâche porte sur la fonction du récepteur nucléaire rev-erb&#945, (NR1D1) et sa capacité à moduler l'horloge circadienne en réponse à des stimulaitons varies. Dans chacun des cas, le système dynamique sous-jacent peut être décrit par un système d'équations différentielles. L'estimation des paramètres et du graphe d'interaction de ces deux réseaux soulève plusieurs difficultés, parmi lesquelles nous avons identifié le problème du couplage d'un algorithme d'estimation de paramètres à structure fixée avec un algorithme d'apprentissage de structure, l'incorporation de contraintes sur la dynamique pendant l'apprentissage et la capacité d'ordonner un ensemble de modèles induits ou de tester des hypotheses sur la structure ou les paramètres d'une famille de modèles donnée. Pour résoudre ces difficultés, nous proposoons d'approfondir et d'étendre deux cadres d'apprentissage statistique : l'un est fondé sur les modèles à espace d'état et l'apprentissage bayésien, l'autre s'appuie sur une estimation en deux étapes des paramètres d'un système d'équations différentielles en prenant avantage d'un lissage des données par décomposition en base de splines ou à l'aide d'autres méthodes à noyaux. Ce projet repose sur une collaboration étroite entre biologistes, mathématiciens et informaticiens, chaque discipline contribuant à chaque brique de base du projet. Nous nous efforcerons d'établir un équilibre entre la conception d'outils théoriques et algorithmiques et la formulation d'une réponse appropriée aux questions biologiques. Autant que possible, les prédictions produites à l'aide des modèles identifies seront vérifiées expérimentalement et le cas échéant, validées.