IRISA INRIA              ASSTABIO:
Apprentissage de modèles
Statistiques et STochastiques
A partir de données BIOlogiques
                          IM BIM
Accueil Programme Participants Organisation

Journées de travail à Rennes les jeudi 22 et Vendredi 23 Mars 2018

22 Mars:


Rennes, IRISA/INRIA, Salle Petri-Turing

12h30: Buffet de bienvenue.

14h00-15h00: Eugenio Cinquemani, Estimation du bruit extrinsèque dans l'expression génique dans des cellules individuelles. Résumé Slides

15h00-15h30: Misbah Razzaq. Recherche stochastique de modèles Boolèens des voies de signalisation du cancer du sein. Résumé

15h30-16h00: Blaise Genest, Abstraction stochastique gros grain de voies de signalisation. Résumé Slides

16h00-16h30: Pause café

16h30-17h00: Gautier Stoll, Modélisation booléenne probabiliste avec MaBoSS, modélisation en population de cellules avec UpPMaBoSS. Résumé Slides

17h00-18h00: Laurence Calzone. Méthodes computationnelles pour la modélisation logique appliquée à un modèle des premières étapes d'une métastase. Résumé Slides

19h30: Diner en Ville pour les membres de Bioss.



23 Mars:


Rennes, IRISA/INRIA, Salle Petri-Turing

09h30-10h30: Mohamed Elati, Inférence, interrogation et ingénierie de réseaux de facteurs de transcription. Résumé

10h30-11h00: Paolo Ballarini, An automata-based formalism for analysing stochastic models of biological networks. Résumé Slides

11h00-11h30: Pause café

11h30-12h00: Virgile Andreani, Modèles de résistance bactérienne aux antibiotiques. Résumé

12h00-12h30: Céline Rouveirol, Révision et Apprentissage Actif de réseaux de régulation chez la levure : une proposition. Résumé Slides

12h30: Buffet

14h00-14h30: Emmanuelle Becker, Exemple d'analyse de la topologie des réseaux d'interactions protéine-protéine à grande échelle. Résumé

14h30-15h00: Matthieu Pichené, Abstraction stochastique d'une population de cellules. Résumé Slides

15h00: Discussions et Cloture.



Résumés:

Exposé invité 1: Inférence de réseaux de gènes par des approches probabilistes appliquées à des données en cellules uniques.

Arnaud Bonnaffoux1,2,3, Ulysse Herbach1,2,4, Angélique Richard1, Anissa Guillemin1, Pierre-Alexis Gros4, Thibault Espinasse,4, Sandrine Gonin-Giraud1 et

Olivier Gandrillon 1,2

1 Univ Lyon, ENS de Lyon, Univ Claude Bernard, CNRS UMR 5239, INSERM U1210, Laboratory of Biology and Modelling of the Cell, Lyon, France

2 Inria Team Dracula, Inria Center Grenoble Rhône-Alpes, Lyon, France

3 Cosmotech, Lyon, France

4 Univ Lyon, Université Claude Bernard Lyon 1, CNRS UMR 5208, Institut Camille Jordan, Villeurbanne, France

L'inférence de réseaux de régulation génique (Gene Regulatory Network ou GRN) à partir de données d'expression de gènes est un objectif de long terme et notoirement difficile de la biologie des systèmes. Récemment, des données transcriptomiques en cellules uniques ont été massivement utilisées pour l'inférence des GRN, avec à la fois des succès et des limitations.

Je commencerai par exposer une proposition que nous avons faite pour formaliser la représentation des GRNs adaptée à des données en cellules uniques (Herbach et al., 2017). Il s'agit de décrire chaque gène / nœud du réseau par un modèle dynamique de type PDMP (Piecewise Deterministic Markov Process). Le réseau se décrit alors comme la matrice des interactions entre chaque PDMP.

Dans une seconde partie, je développerai une approche basée sur un algorithme itératif appelé WASABI qui tente de s'attaquer à certaines des limitations associées aux approches actuelles.

J'introduirai d'abord le concept de vague, qui postule que l'information fournie par un stimulus externe affecte les gènes un par un en cascade, comme une vague se propageant à travers un réseau. Nous démontrons ensuite la capacité de WASABI à déduire correctement des réseaux jouets, qui ont été simulés in silico.

Je finirai par l'application de WASABI à des données générées in vitro sur un modèle aviaire de différenciation érythrocytaire (Richard et al., 2016). La structure du GRN qui en résulte jette une nouvelle lumière fascinante sur les mécanismes moléculaires contrôlant ce processus. En particulier, nous n'avons trouvé aucune évidence pour des gènes " concentrateurs " (" hub genes "). La structure du réseau est en effet beaucoup plus répartie que nous ne l'aurions anticipé et la majorité des gènes est sous le contrôle direct du stimulus induisant la différenciation.

En conclusion, WASABI est un algorithme polyvalent qui devrait aider les biologistes à exploiter pleinement la puissance des données acquises en cellules uniques au cours d'un processus dynamique.

Herbach, U., Bonnaffoux, A., Espinasse, T., and Gandrillon, O. (2017). Inferring gene regulatory networks from single-cell data: a mechanistic approach. BMC Systems Biology 11, 105.

Richard, A., Boullu, L., Herbach, U., Bonnafoux, A., Morin, V., Vallin, E., Guillemin, A., Papili Gao, N., Gunawan, R., Cosette, J., et al. (2016). Single-Cell-Based Analysis Highlights a Surge in Cell-to-Cell Molecular Variability Preceding Irreversible Commitment in a Differentiation Process. PLoS Biol 14, e1002585.





Exposé invité 2: Computational methods for logical modelling applied to a model of the early steps of metastasis

Laurence Calzone, Institut Curie.

Mathematical models can serve as a tool to formalize biological knowledge from diverse sources, to investigate biological questions in a formal way, to test experimental hypotheses before performing them in a wet lab, and to predict the effect of perturbations applied to a biological system and identify its different modes of functioning.

From the construction of the network, from which a mathematical model is derived, to the formulation of predictions, there are several analyses that can be performed to extract useful information from the model.

As an example, we used a Boolean model focusing on pathways leading to the triggering of the metastatic process. The model recapitulates published experimental results of known gene perturbations on local invasion and migration processes and predict the effect of not yet experimentally assessed mutations.

Using a modelling tool, MaBoSS, that simulates continuous or discrete time Markov processes applied on a Boolean network, we have performed several analyses that can be used as a modelling pipeline on any logical model. (1) Once the regulatory network is translated into a mathematical model, some robustness analyses can be applied to show that the model, in most cases, is only sensitive to a small subset of parameters, which can be identified. (2) Another interesting possible analysis concerns the solutions of the wild type model: based on the list of all stable states, the variables of the model can be classified into groups of entities than contribute the most to one or the other output. (3) Some further computations of the probabilities to reach a cell response can be done to identify genetic interactions and conclude on synthetic lethality or enhancement of two alterations. (4) Finally, the solutions of a mathematical model can also be compared or even trained on experimental data.

All these approaches aim to verify that the model complies with what is known about the processes it describes and to increase the predictive power of these models.





Exposé invité 3: Inférence, interrogation et ingénierie de réseaux de facteurs de transcription.

Mohamed Elati, Cristal, Lille.

Dans cet exposé, je présente une approche interdisciplinaire « I3-BioNet » pour construire des modèles prédictifs de réseaux de facteurs de transcription (FT). Cette approche repose sur un cycle d’inférence de réseaux, d’interrogation et d’ingénierie dont le premier module s’appuie sur le développement de LICORN, un algorithme pour l’inférence de réseaux de régulation. Ces travaux se fondent, entre autres, sur des techniques de fouille de données et de recherche de motifs fréquents permettant d’extraire des informations sur les interactions complexes entre les FT et leurs gènes cibles à partir de données d’expression génétique tels que celles issus de puces à ADN ou de RNA-seq. Nous avons également travaillé sur des techniques d’inférence hybride, i.e., réseau gouverné par des tables de vérité et modélisé par des régressions linéaires régularisées. Le second module s’appuie sur le développement du logiciel CoRegNet dédié à interroger le réseau de régulation, quantifier l'activité des facteurs de transcription à partir de niveaux d'expression de leurs gènes cible, reconstruire les réseaux contexte spécifique de coopérativité entre FT et les associer aux phénotypes. Les avancées technologiques récentes, en particulier les approches unicellulaires, et l'édition du génome, apparaissent comme des technologies importantes vers l’ingénierie de réseaux de FT et nous permettra, à terme, de compléter la boucle I3-BioNet (Inférence, Interrogation, Ingénierie). Quelques perspectives de méthodes d'apprentissage automatique en simulations numériques et calcul de plan expérimentaux seront proposées.

J’illustrerais également mon propos par des exemples de projet en biologie des systèmes et de synthèse que nous développons dans l’équipe en étroite collaboration avec plusieurs équipes expérimentales.





Exposé invité 4: Estimation du bruit extrinsèque dans l'expression génique dans des cellules individuelles.

Eugenio Cinquemani, Inria Grenoble.

Le bruit extrinsèque, c'est à dire, l’aléa dans l'expression génique qui n'est pas directement dû à la stochasticité de la transcription et la traduction, est une source importante de variabilité dans la réponse génique. Plusieurs techniques de mesure dans des cellules individuelles permettent aujourd'hui de quantifier le bruit dans l'expression génique. Cependant, la modélisation de ce bruit à partir de données expérimentales et son interprétation biologique en termes de bruit intrinsèque et extrinsèque restent un défi à relever.

Dans cet exposé je discuterai deux points de vue différents sur la modélisation et l’inférence du bruit extrinsèque à partir de données de rapporteurs fluorescents. Dans la première partie, je présenterai des résultats sur la réponse génique de la levure au stress osmotique, où ce bruit est associé à la variabilité intercellulaire des paramètres de dynamiques de réponse à une perturbation commune. Dans la deuxième partie, je présenterai un travail récent sur la reconstruction des statistiques d'activation génique à partir des statistiques d'un rapporteur fluorescent, où le bruit extrinsèque est plutôt associé aux fluctuations stochastiques intra- et intercellulaires de l'activité du promoteur.





An automata-based formalism for analysing stochastic models of biological networks

Paolo Ballarini, Central Supelec.

The Hybrid Automata Specification Language (HASL) is a powerful formalism for expressing performance measures referred to a discrete-state stochastic model. Its essence consists in employing a hybrid automaton as a machinery for selecting relevant trajectories of the considered model. A simulation-based procedure is then applied for estimating, with arbitrary accuracy, the expected value of relevant statistics defined over the automaton’s variables. In this presentation I will illustrate the application of the HASL approach to a couple of case-studies in biological modeling, notably: the analysis of the dynamics of gene-expression, as well as to the assessment of a biological oscillator.





Modélisation ooléenne probabiliste avec MaBoSS, modélisation en population de cellules avec UpPMaBoSS.

Gautier Stoll, UPMC.

MaBoSS est un outil qui permet de modéliser les voies de signalisation, dans un cadre Booléen avec un temps continu. MaBoSS génère pour cela un processus de Markov en temps continu, produisant ainsi des résultats probabilistes, au niveau transitoire et asymptotique. Ces probabilités peuvent s'interpréter au niveau d'une population de cellules indépendantes. Pour mieux décrire la dynamique d'un population de cellules, UpPMaBoSS a été développé : cet outil permet de modéliser un ensemble de taille variable de cellules, qui interagissent entre elles. Comme exemple, un modèle de résistance au TNF sera présenté.





Modèles de résistance bactérienne aux antibiotiques

Virgile Andreani, Inria/Pasteur.

Un mode de résistance des bactéries aux antibiotiques de la classe des bêta-lactames est la production d'une enzyme capable de dégrader l'antibiotique, libérée au moment de la mort de la cellule. La division et la mort cellulaires sont donc affectées par la concentration d'antibiotique ainsi que par celle de cette enzyme. Je présenterai un modèle stochastique de ce système et plusieurs modèles de population permettant d'en apprendre les paramètres à partir de courbes de croissance.





Vers un Modèle à Effets Mixtes de la différenciation erythroïde in vitro

Ronan Duchesne, ENS Lyon.

L’utilisation de Modèles à Effets Mixtes (MEM) est de plus en plus fréquente dans des domaines aussi diversifiés que les sciences économiques, humaines, ou biologiques. Leur succès est le fait de leur capacité à décrire toute la variabilité d’un jeu de données. Un MEM pour un système dynamique consiste en un modèle mathématique (par exemple une équation différentielle déterministe) dont les paramètres sont modélisés par des distributions de variables aléatoire plutôt que des constantes. Des échantillons différents de ces variables aléatoires modélisent alors la répétition d’une mˆeme mesure sur différents individus. Cette approche permet aux MEM de reproduire toute une gamme de comportements, et de décrire la distribution d’une variable au cours du temps, au lieu de simplement décrire sa moyenne.

Cependant, le choix des distributions de chaque paramètre à partir des données est loin d’être évident. Plus généralement, il peut être difficile de caractériser une distribution entière d’un paramètre à partir de jeux de données trop petits. Nous nous intéresserons à ces problèmes à travers l’exemple d’un MEM de la dynamique de l’érythropoïèse in vitro. L’érythropoïèse est le processus qui génère des globules rouges matures à travers la différenciation de progéniteurs immatures dans la moelle osseuse. Ces progéniteurs peuvent soit rester dans un état d’autorenouvellement, soit s’engager vers la différenciation. De nombreux modèles mathématiques se sont intéressés à la description de l’érythropoïèse in vivo, mais à notre connaissance, aucun modèle ne s’est concentré sur la dynamique de populations cellulaires en culture in vivo.

Au cours de cet exposé, nous décrirons notre MEM de l’érythropoïèse in vitro. Nous utiliserons pour cela des données de comptage de différentes populations de cellules, à des intervalles de temps réguliers pendant la différenciation. La population d’individus que nous modélisons est constituée de plusieurs répétitions de cette expérience, chaque réplicat donnant des résultats qualitativement similaires, mais quantitativement différents. Nous illustrerons la difficulté à retrouver une distribution pour chaque paramètre à partir d’un tel jeu de données. Pour finir, nous chercherons une approche expérimentale pour compléter ce jeu de données, à partir de données synthétiques.



Identification, Simulation and Analysis of Boolean Networks of Breast Cancer Cell Lines

Misbah Razzaq, LS2N.

Protein networks are not static in nature as proteins are always working with other proteins and go through many biochemical reactions such as ubiquitination and phosphorylation to propagate signals. Understanding the mechanism and interactions among proteins helps to understand how information propagates within cells in different diseases such as cancer. Large-scale protein to protein interaction datasets contain a large number of experimentally verified proteins but lack the knowledge of how network changes in different cell lines. Boolean models are increasingly studied to model and understand the dynamics of the signal transduction process. The knowledge about these dynamics could help biologists to design more efficient drugs by having a better understanding of the underlying behavior of the system. Caspo time series is an Logic Programming based approach to learn Boolean models from phosphoproteomics time series data given Prior Knowledge Network. A family of boolean models is constructed based on the currently known literature knowledge and experimental data of four breast cancer cell lines i.e., BT20, BT549, MCF7 and UACC812. Then model checking is applied to validate the resulting models. After that, we analyzed each cell line and identified common as well as distinct behaviors involved in each cell line. In this work, we are also comparing the boolean models with canonical pathway by inhibiting particular nodes. Little is known about the family of boolean models inferred by the caspo time series such as: are these models copies of each other or one is better or worse than the other? This work also introduces the study of a graph similarity measure for a family of boolean networks generated by the caspo time series method.





Révision et Apprentissage Actif de réseaux de régulation chez la levure : une proposition.

Céline Rouveirol, joint work with A. Coutant, Paris 13

Nous nous intéressons à un modèle biologique dynamique hétérogène (régulation + métabolique) qui permet de prédire un phénotype d'intérêt. Nous présenterons une boucle complète d'apprentissage qui permet de réviser un tel modèle issu de la littérature et de proposer des expériences les plus pertinentes pour améliorer l'erreur de prédiction de ce modèle, et nous ferons des propositions pour chacune de ces étapes. Nous présenterons de premiers résultats sur la révision d'un modèle pour le phénomène du diauxhic shift chez la levure, obtenus dans le cadre du projet Chistera Adalab.





Exemple d'analyse de la topologie des réseaux d'interactions protéine-protéine à grande échelle.

Emmanuelle Becker, Rennes 1.

Les réseaux d'interactions protéine-protéines à grande échelle, obtenus à partir de cribles, peuvent générer des données fortement bruitées, cad contenant de nombreux faux-positifs et faux-négatifs. La topologie du réseau obtenu est néanmoins informative et peut être analysée afin de décomposer le réseau global en un ensemble de classes chevauchantes formant des modules fonctionnels, et permettre ainsi la mise en évidence de protéines multi-fonctionelles.





Abstraction stochastique gros grain de voies de signalisation.

Blaise Genest, IRISA.

Dans cet exposé, nous expliquerons comment l'outil DBNizer produit des abstractions stochastiques gros grains, sous forme de chaînes de Markov compactes, à partir de modèles de voies de signalisation plus usuels et plus précis, par exemple basé sur des équations différentielles. Notre outil est capable de réduire de manière extrême la granularité temporelle du modèle, ainsi que le nombre de variables, et d'inférer de nouvelles corrélations entre les variables. Cela produit un modèle beaucoup plus rapide à simuler et à inférer, ce qui est utile en particulier pour un raisonnement multiniveau.