révéler les invariants fondamentaux et les transitions de données complexes multi-échelles de patients : étude sur toute la durée de vie – AUDACITIES

Les théories physiques sont fondées sur des structures mathématiques stables, reposant sur des régularités et des symétries. Dans ces théories, les objets sont définis et compris grâce à des invariants et des transformations qui préservent ces invariants. Ces derniers permettent la synthèse de lois physiques, utiles pour faire des prédictions. En revanche, les organismes biologiques présentent de la variabilité, de la contextualité, des effets de mémoire, où leurs trajectoires uniques impliquent une cascade de changements dans leurs symétries et un remodelage continu des phénotypes et génotypes existants, un processus dépendant d'événements rares (i.e., un changement de règles). AUDACITIES émet l'hypothèse que des lois quasi-invariantes et des transitions associées existent dans des données multi-omiques, multi-phénotypiques et multi-échelles. Nous postulons que les quasi-invariants biologiques doivent être synthétisés via une approche systémique, non seulement par des résumés numériques (par exemple, des quantificateurs statistiques), mais aussi en combinaison avec des résumés dynamiques, ainsi qu'avec des invariants topologiques et géométriques simultanément. Nous chercherons des lois biologiques quasi-invariantes, leurs transitions et l'émergence du vieillissement contenues dans des données uniques et anonymisées sur la durée de vie humaine (c’est-à-dire longitudinales, de 20 ans à des centenaires), qui combinent des données multi-omiques et à plusieurs échelles. En effet, nous avons un accès unique à deux bases de données complémentaires : la BLSA (Baltimore Longitudinal Study of Aging, NIH, USA) et la SLAS (Singapore Longitudinal Aging Studies, Université Nationale de Singapour), qui nous offrent une position privilégiée pour faire progresser cette recherche. Nous analyserons ces données en utilisant plusieurs outils : l'analyse géométrique et topologique des données, l'apprentissage automatique, l'apprentissage profond et l'analyse de structures de récurrence.