Project

Back to overview

An Advanced Stochastic Filtering Framework for the Analysis of Multiscale Biochemical Reaction Networks

Applicant Khammash Mustafa
Number 182653
Funding scheme Project funding (Div. I-III)
Research institution Computational Systems Biology Department of Biosystems, D-BSSE ETH Zürich
Institution of higher education ETH Zurich - ETHZ
Main discipline Other disciplines of Engineering Sciences
Start/End 01.11.2019 - 31.10.2023
Approved amount 928'142.00
Show all

All Disciplines (2)

Discipline
Other disciplines of Engineering Sciences
Mathematics

Keywords (3)

Multiscale networks; Stochastic chemical reaction networks; Filtering theory

Lay Summary (German)

Lead
Aktuelle Fortschritte in der Mikroskopie haben es Forschern ermöglicht, mithilfe fluoreszierender Reporter die Aktivität einzelner lebender biologischer Zellen zu beobachten. Entsprechende Einzelzell-Bilddaten werden zunehmend verfügbar, jedoch gibt es einen deutlichen Mangel an theoretischen Werkzeugen und entsprechender Software, um aus diesen Daten quantitative Informationen über zelluläre Netzwerke zu gewinnen. Dieses Problem ist aufgrund der Komplexität intrazellulärer Netzwerke und der stochastischen Natur ihrer Dynamik anspruchsvoll.Ziel dieses Projekts ist es, diese Herausforderungen systematisch zu bewältigen und Werkzeuge zu entwickeln, die mittels Einzelzell-Bilddaten genaue Informationen über die inneren Zustände von Zellen liefern können.
Lay summary

Inhalt und Ziel des Forschungsprojekts:
Unser Ziel in diesem Projekt ist es, neuartige Filteransätze zu entwickeln, um die "unbeobachteten“ Zustände von Zellen aus ihren gemessenen Trajektorie-Daten probabilistisch zu schätzen. Die Zellaktivität soll mit stochastischen Modellen beschrieben werden, welche mehrskalige Merkmale der Dynamik berücksichtigen. Es sollen Methoden entwickeln werden, um diese mehrskaligen Merkmale gezielt auszunutzen und Informationen aus den beobachteten Einzelzell-Trajektorien effizient zu extrahieren. Ausserdem sollen robuste Softwareimplementationen zur Verfügung gestellt werden, welche unsere theoretischen Methoden umsetzen und es den Benutzern ermöglichen, diese Methoden einfach auf ihre Modelle anzuwenden.

Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojekts:
Die Methoden, die wir entwickeln wollen, werden Forschern modernste Werkzeuge zum besseren Verständnis des dynamischen Verhaltens von mehrskaligen stochastischen Reaktionsnetzwerken mittels Einzelzell-Bilddaten zur Verfügung stellen Wir erwarten von diesen Werkzeugen, dass sie vielseitig anwendbar und sehr nützlich für Forscher in der Systembiologie und der synthetischen Biologie sind.

 

Direct link to Lay Summary Last update: 10.11.2018

Responsible applicant and co-applicants

Employees

Associated projects

Number Title Start Funding scheme
157129 Efficient Computational Methods and Software Tools for the Inference of Stochastic Models of Biochemical Reaction Networks 01.09.2015 Project funding (Div. I-III)

Abstract

The advent of fluorescent reporters along with advances in microscopy techniques has provided scientists the unprecedented ability to look into the dynamics of live biological cells. As these technologies improve, it is becoming increasingly accessible to observe single-cell activity for a variety of cell-types and biological environments. However there is a distinct shortage of theoretical and computational tools for quantitatively extracting information about intracellular networks from time-lapse single-cell microscopy data. Development of such tools is mathematically challenging because of two reasons. Firstly, the dynamics of single-cells is inherently noisy due to randomness in molecular interactions that constitute intracellular processes, and hence single-cell dynamics must be described with stochastic models which are more difficult to analyze than deterministic models. Secondly, intracellular networks are often multiscale in nature, that is, they usually display wide variations in reaction timescales and population sizes of the constituent species. This creates several computational problems whose solution requires use of ``model reduction" approaches that are often difficult to apply and validate.The proposed research aims to overcome these challenges and provide methods that enable accurate estimation of the probability distribution of "hidden" states and interactions in an intracellular network, conditioned on the observed trajectory of the reporter molecules. For this purpose, we will combine ideas from stochastic filtering theory with model reduction approaches for stochastic multiscale networks. In the first part of the project, we will mathematically derive and devise a solution strategy for the Filtering Equations governing the evolution of the conditional probability distribution for various possible reduced models of the multiscale dynamics. Thereafter we will construct a framework for systematically extracting information from the observed process to apply the right model reduction, and then numerically solving the corresponding Filtering Equation for the conditional distribution of interest. Efficient and robust software implementations of this framework will be developed and this will provide state-of-the-art tools for understanding the dynamic behavior of multiscale stochastic reaction networks using single-cell time-lapse micropscopy data. These tools are expected to be broadly applicable and immensely useful for researchers working in systems and synthetic biology.
-