Topic description
La régulation de la transcription et de la traduction est au cœur de la biologie du développement, car ces processus orchestrent les programmes d'expression génique qui déterminent le devenir cellulaire et la formation des tissus.
L'analyse quantitative de la dynamique transcriptionnelle et traductionnelle au niveau de la cellule unique fournit des informations
cruciales sur le contrôle des gènes lors des premières étapes du développement. Dans des travaux antérieurs, des modèles physiques de
transcription et de traduction ont été utilisés pour déconvoluer les signaux de microscopie et en déduire les mécanismes sous-jacents.
Ces modèles permettent d'estimer les paramètres cinétiques et d'identifier les régulateurs clés à partir des données expérimentales.
Cependant, ces modèles présentent des incertitudes, telles que des formes fonctionnelles inconnues ou une hétérogénéité dans la dynamique
de production des transcrits et des protéines. Cette variabilité, liée à des différences dans la cinétique moléculaire ou les interactions
régulatrices, influence les signaux observés d'ARN et de protéines et n'est pas directement mesurable. Pour surmonter ces limites, cette thèse
propose de combiner intelligence artificielle (IA) et modélisation physique. En intégrant l'IA avec des contraintes mécanistiques, il sera possible
d'apprendre les aspects inconnus ou hétérogènes de la dynamique transcriptionnelle et traductionnelle à partir des données d'imagerie, tout en
garantissant la cohérence biologique et l'interprétabilité des modèles.
Le cadre développé sera appliqué à des données d'imagerie en temps réel de la transcription et de la traduction chez l'embryon de Drosophile,
en se concentrant sur des gènes essentiels au développement précoce. Cette approche permettra d'inférer des paramètres cinétiques spécifiques
à chaque gène, de prendre en compte l'hétérogénéité dans la production moléculaire et de révéler les mécanismes régulateurs contrôlant l'expression
génique au cours des premières étapes du développement. En combinant IA et modélisation physique, ce projet vise à construire des modèles prédictifs
capables d'expliquer les observations expérimentales et de générer des hypothèses testables.
Finalement, ce travail contribuera à une meilleure compréhension de la régulation de la transcription et de la traduction au cours du développement,
offrira un cadre computationnel robuste pour l'analyse des données d'imagerie cellulaire unique et établira une méthodologie polyvalente
applicable à d'autres gènes, stades du développement ou organismes modèles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Le nombre de caractères doit être inférieur à caractères (espaces, tabulations et sauts de ligne compris).
Understanding the regulation of transcription and translation is fundamental in developmental biology, as these processes control gene expression programs that drive cell fate decisions and tissue formation.
Quantitative analysis of transcription and translation dynamics at the single-cell level provides critical insights into how genes are regulated during early development.
In previous studies, physical models of transcription and translation have been used to deconvolve microscopy signals and infer the underlying mechanistic processes.
These models enable the extraction of kinetic parameters and the identification of regulatory features directly from experimental data.
However, physical models often include uncertainties, such as unknown functional forms or heterogeneity in the production dynamics of transcripts and proteins.
This variability, arising from differences in molecular kinetics or regulatory interactions, affects the observed RNA and protein signals and cannot be directly measured.
To address these challenges, this thesis proposes to integrate artificial intelligence (AI) with physical modeling. By combining AI with mechanistic constraints, we aim to
learn the unknown or heterogeneous aspects of transcriptional and translational dynamics from imaging data, while maintaining biological plausibility and interpretability.
The proposed framework will be applied to live imaging data of transcription and translation in Drosophila embryos, focusing on genes essential for early development.
This approach will allow the inference of gene-specific kinetic parameters, account for heterogeneity in molecular production dynamics, and reveal regulatory mechanisms
governing early developmental gene expression programs. By uniting AI with physical modeling, this project aims to build predictive models that explain observed data and
generate testable hypotheses for experimental validation.
Ultimately, this work will advance our understanding of how transcription and translation are regulated during development, provide a computational framework for interpreting
complex single-cell imaging data, and establish a versatile methodology applicable to other genes, developmental stages, or model organisms.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Public funding alone (i.e. government, region, European, international organization research grant)
Funding further details
Concours pour un contrat doctoral
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.