Agents cellulaires intelligents : décoder la morphogenèse multicellulaire grâce à la modélisation physique inverse et à l'IA – CellAgents

Ce projet vise à comprendre comment les cellules animales s’auto-organisent en structures complexes, en s’appuyant sur des approches innovantes de modélisation inverse et d’intelligence artificielle. En se concentrant sur les premiers stades embryonnaires et sur des tissus 3D bio-ingénierés, notre recherche combine modélisation physique, apprentissage automatique et vision par ordinateur pour reconstituer les principes du développement et répondre aux défis actuels de l’ingénierie tissulaire. L’hypothèse centrale du projet est que les fonctions de base des cellules embryonnaires ou souches (leur « hardware ») sont conservées entre les espèces, tandis que leur traitement de l’information contextuel (« logiciel ») varie largement, mais pourrait être appris.
Le projet s’articule autour de trois objectifs principaux. Premièrement, nous développerons de nouvelles méthodes de modélisation inverse pour déduire les forces spatio-temporelles et les paramètres de modèles à partir de données de microscopie, afin de garantir que la modélisation de la mécanique cellulaire et des divisions rende fidèlement compte des changements de forme des tissus et embryons. Deuxièmement, nous construirons un simulateur 3D haute fidélité basé sur des agents pour le développement tissulaire, intégrant explicitement la nature stochastique des signaux cellulaires, ainsi qu’un modèle tissulaire de substitution fondé sur des réseaux de neurones sur graphes, pour en assurer la scalabilité et la différentiabilité. Troisièmement, nous établirons un cadre computationnel pour la morphogenèse inverse, en considérant les cellules comme des agents entraînables en interaction, capables d’apprendre à répondre à des signaux environnementaux via l’apprentissage par renforcement (RL), même à partir de données parcellaires telles que des images de microscopie de tissus en développement.
Le projet fournira des outils avancés pour l’inférence mécanique, un simulateur de développement tissulaire robuste et extensible, ainsi qu’un nouveau cadre basé sur le RL pour l’inverse de la morphogenèse. Appuyé par de solides collaborations internationales pour la validation biologique, ce projet contribuera au développement d’outils computationnels puissants pour mieux comprendre le développement embryonnaire et faire progresser l’ingénierie tissulaire, avec des applications potentielles au-delà de la biologie, notamment en conception inverse de matériaux et en systèmes multi-agents par apprentissage par renforcement.