Description

Le projet 'STRETCHED' vise à développer une plateforme robuste de simulation 3D basée sur la physique pour reproduire la dynamique du contrôle moteur observée chez les larves de drosophile. Ce projet interdisciplinaire combine la biologie, les neurosciences et la modélisation informatique pour comprendre comment les propriétés physiques du corps de la larve influencent son contrôle moteur et ses calculs neuronaux. En exploitant le riche dépôt de données sur le connectome neural et la structure musculaire de la larve, le projet cherche à créer des simulations précises qui peuvent éclairer la recherche biologique et le développement de la robotique souple.

Le projet de doctorat se concentrera sur les aspects techniques de la simulation de la physique du corps de la larve de drosophile. Les objectifs principaux incluent :

Développement d'un Modèle par Éléments Finis du Corps de la Larve :

Utiliser les données existantes de tomodensitométrie de la larve de drosophile pour segmenter des composants tels que la cuticule, les muscles et le crochet buccal.
Mettre en œuvre des simulations par éléments finis dans le cadre SOFA pour modéliser la dynamique du corps de la larve.
Créer un modèle maillé de la larve avec les principaux organes nécessaires à la simulation et développer des plugins pour contrôler les propriétés musculaires et corporelles.
Modélisation de la Dynamique Musculaire :

Approcher les muscles comme des 'câbles' avec une dynamique de modèle de Hill dans le cadre SOFA.
Simuler les schémas de contraction musculaire et leur interaction avec l'environnement de la larve, y compris les modèles de friction.
Intégration des Données Expérimentales :

Collaborer avec des équipes expérimentales pour intégrer des données provenant de l'imagerie calcique, de la microscopie confocale et des enregistrements vidéo haute résolution.
Utiliser les données expérimentales pour contraindre les paramètres libres du modèle simulé et valider la simulation par rapport aux observations du monde réel.
Exploration des Politiques de Contrôle Moteur :

Développer et tester des politiques de contrôle moteur pour imiter le comportement de la larve en utilisant des approches computationnelles telles que la synthèse de programmes bayésiens et l'apprentissage par renforcement inverse.
Étudier la diversité des commandes motrices qui pourraient mettre en œuvre les comportements observés et explorer leur mise en œuvre neuronale.
Profil du Candidat Recherché

Nous recherchons un candidat hautement motivé et qualifié avec le profil suivant :

Master en Informatique, Ingénierie, Physique, Mathématiques Appliquées ou dans un domaine connexe.
Solide fondation en modélisation informatique et simulations numériques.


Veuillez envoyer votre candidature avec un CV à l'adresse dbc-epi-recrutement at pasteur dot fr.

Compétences requises

Physicien.ne, ingenieur.e et ou mathematician.me appliquée

Bibliographie

1. Whitehead, S. C. et al. Neuromuscular embodiment of feedback control elements in Drosophila flight. Sci. Adv. 8, eabo7461 (2022).
2. Kim, S., Laschi, C. & Trimmer, B. Soft robotics: a bioinspired evolution in robotics. Trends Biotechnol. 31, 287–294 (2013).
3. Laschi, C., Mazzolai, B. & Cianchetti, M. Soft robotics: Technologies and systems pushing the boundaries of robot abilities. Sci. Robot. 1, eaah3690 (2016).
4. Rajappan, A., Jumet, B. & Preston, D. J. Pneumatic soft robots take a step toward autonomy. Sci. Robot. 6, eabg6994 (2021).
5. Ohyama, T. et al. A multilevel multimodal circuit enhances action selection in Drosophila. Nature 520, 633–639 (2015).
6. Winding, M. et al. The connectome of an insect brain. Science 379, eadd9330 (2023).
7. Recanatesi, S. et al. Predictive learning as a network mechanism for extracting low-dimensional latent space representations. Nat. Commun. 12, 1417 (2021).
8. Geenjaar, E. et al. Learning low-dimensional dynamics from whole-brain data improves task capture. Preprint at https://doi.org/10.48550/arXiv.2305.14369 (2023).
9. Behbahani, A. H., Palmer, E. H., Corfas, R. A. & Dickinson, M. H. Drosophila re-zero their path integrator at the center of a fictive food patch. Curr. Biol. 31, 4534-4546.e5 (2021).
10. Celani, A., Villermaux, E. & Vergassola, M. Odor Landscapes in Turbulent Environments. Phys. Rev. X 4, 041015 (2014).
11. Fry, S. N., Sayaman, R. & Dickinson, M. H. The aerodynamics of hovering flight in Drosophila. J. Exp. Biol. 208, 2303–2318 (2005).
12. Pfeiffer, B. D. et al. Tools for neuroanatomy and neurogenetics in Drosophila. Proc Natl Acad Sci USA 105, 9715–9720 (2008).
13. Pfeiffer, B. D. et al. Refinement of Tools for Targeted Gene Expression in Drosophila. Genetics 186, 735–755 (2010).
14. Jovanic, T. et al. Competitive Disinhibition Mediates Behavioral Choice and Sequences in Drosophila. Cell 167, 858-870.e19 (2016).
15. Eichler, K. et al. The complete connectome of a learning and memory centre in an insect brain. Nature 548, 175–182 (2017).
16. Vogelstein, J. T. et al. Discovery of Brainwide Neural-Behavioral Maps via Multiscale Unsupervised Structure Learning. Science 344, 386–392 (2014).
17. Masson, J.-B. et al. Identifying neural substrates of competitive interactions and sequence transitions during mechanosensory responses in Drosophila. PLOS Genet. 16, e1008589 (2020).
18. Croteau-Chonka, E. C. et al. High-throughput automated methods for classical and operant conditioning of Drosophila larvae. eLife 11, e70015 (2022).
19. Kabra, M., Robie, A. A., Rivera-Alba, M., Branson, S. & Branson, K. JAABA: interactive machine learning for automatic annotation of animal behavior. Nat. Methods 10, 64–67 (2013).
20. Berman, G. J., Choi, D. M., Bialek, W. & Shaevitz, J. W. Mapping the stereotyped behaviour of freely moving fruit flies. J. R. Soc. Interface 11, 20140672 (2014).
21. Dankert, H., Wang, L., Hoopfer, E. D., Anderson, D. J. & Perona, P. Automated monitoring and analysis of social behavior in Drosophila. Nat. Methods 6, 297–303 (2009).
22. Chaumont, F. de et al. Live Mouse Tracker: real-time behavioral analysis of groups of mice. (2018) doi:10.1101/345132.
23. Jhuang, H. et al. Automated home-cage behavioural phenotyping of mice. Nat. Commun. 1, 1–9 (2010).
24. de Chaumont, F. et al. Real-time analysis of the behaviour of groups of mice via a depth-sensing camera and machine learning. Nat. Biomed. Eng. 3, 930–942 (2019).
25. Segalin, C. et al. The Mouse Action Recognition System (MARS) software pipeline for automated analysis of social behaviors in mice. eLife 10, e63720 (2021).
26. Bauer, O., Bourgeron, T., Olivo-Marin, J.-C., Ey, E. & Chaumont, F. de. Unsupervised analysis of mouse social behaviour reveals how hyperactivity impacts social aspects in a mouse model of autism. in 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018) (IEEE, 2018). doi:10.1109/isbi.2018.8363774.
27. Dana, H. et al. High-performance calcium sensors for imaging activity in neuronal populations and microcompartments. Nat. Methods 16, 649–657 (2019).
28. Kim, S. S., Rouault, H., Druckmann, S. & Jayaraman, V. Ring attractor dynamics in the Drosophila central brain. Science 356, 849–853 (2017).
29. Shekhtmeyster, P. et al. Multiplex translaminar imaging in the spinal cord of behaving mice. Nat. Commun. 14, 1427 (2023).
30. Venkatachalam, V. et al. Pan-neuronal imaging in roaming Caenorhabditis elegans. Proc. Natl. Acad. Sci. 113, E1082–E1088 (2016).
31. Cong, L. et al. Rapid whole brain imaging of neural activity in freely behaving larval zebrafish (Danio rerio). eLife 6, e28158 (2017).
32. Simulated Bodies: Whole Body Biomechanical Models. Janelia Research Campus https://www.janelia.org/you-janelia/conferences/simulated-bodies-whole-body-biomechanical-models.
33. OpenWorm. https://openworm.org/.
34. Palyanov, A., Khayrulin, S. & Larson, S. D. Three-dimensional simulation of the Caenorhabditis elegans body and muscle cells in liquid and gel environments for behavioural analysis. Philos. Trans. R. Soc. B Biol. Sci. 373, 20170376 (2018).
35. Lobato-Rios, V. et al. NeuroMechFly, a neuromechanical model of adult Drosophila melanogaster. Nat. Methods 19, 620–627 (2022).
36. Wang-Chen, S. et al. NeuroMechFly 2.0, a framework for simulating embodied sensorimotor control in adult Drosophila. 2023.09.18.556649 Preprint at https://doi.org/10.1101/2023.09.18.556649 (2023).
37. Merel, J. et al. Deep neuroethology of a virtual rodent. Preprint at https://doi.org/10.48550/arXiv.1911.09451 (2019).
38. La Barbera, V. et al. OstrichRL: A Musculoskeletal Ostrich Simulation to Study Bio-mechanical Locomotion. arXiv.org https://arxiv.org/abs/2112.06061v2 (2021).
39. Wang, H. et al. A complete biomechanical model of Hydra contractile behaviors, from neural drive to muscle to movement. Proc. Natl. Acad. Sci. 120, e2210439120 (2023).
40. Topcu, E., Roussel, Y. & Bui, T. V. SiliFish: A desktop application to model swimming behavior in developing zebrafish (Danio rerio). STAR Protoc. 4, 101973 (2023).
41. Ravel, G. Three-dimensional modeling and experiment-driven numerical simulation of zebrafish escape swimming for biological applications. (Bordeaux, 2020).
42. Mwaffo, V., Butail, S. & Porfiri, M. In-silico experiments of zebrafish behaviour: modeling swimming in three dimensions. Sci. Rep. 7, 39877 (2017).
43. Hiramoto, A. et al. Regulation of coordinated muscular relaxation by a pattern-generating intersegmental circuit. 2021.03.08.434356 Preprint at https://doi.org/10.1101/2021.03.08.434356 (2021).
44. Fushiki, A. et al. A circuit mechanism for the propagation of waves of muscle contraction in Drosophila. eLife 5, (2016).
45. Sun, X. et al. A neuromechanical model for Drosophila larval crawling based on physical measurements. BMC Biol. 20, 130 (2022).
46. Cooney, P. C. et al. Neuromuscular Basis of Drosophila Larval Rolling Escape Behavior. 2023.02.01.526733 Preprint at https://doi.org/10.1101/2023.02.01.526733 (2023).
47. Sakagiannis, P., Jürgensen, A.-M. & Nawrot, M. P. A realistic locomotory model of drosophila larva for behavioral simulations. bioRxiv (2021).
48. MuJoCo — Advanced Physics Simulation. https://mujoco.org/.
49. SimTK: OpenSim: Project Home. https://simtk.org/projects/opensim.
50. NVIDIA Warp Python. NVIDIA Developer https://developer.nvidia.com/warp-python.
51. Caggiano, V., Wang, H., Durandau, G., Sartori, M. & Kumar, V. MyoSuite -- A contact-rich simulation suite for musculoskeletal motor control. arXiv.org https://arxiv.org/abs/2205.13600v1 (2022).
52. Foundation, B. blender.org - Home of the Blender project - Free and Open 3D Creation Software. blender.org https://www.blender.org/.
53. Hu, Y. et al. DiffTaichi: Differentiable Programming for Physical Simulation. Preprint at https://doi.org/10.48550/arXiv.1910.00935 (2020).
54. Taichi Lang: High-performance Parallel Programming in Python. https://www.taichi-lang.org/.
55. El Beheiry, M. et al. DIVA: Natural Navigation Inside 3D Images Using Virtual Reality. J. Mol. Biol. 432, 4745–4749 (2020).
56. Eschbach, C. et al. Recurrent architecture for adaptive regulation of learning in the insect brain. Nat. Neurosci. 23, 544–555 (2020).
57. Lake, B. M., Salakhutdinov, R. & Tenenbaum, J. B. Human-level concept learning through probabilistic program induction. Science 350, 1332–1338 (2015).
58. Jovanic, T. et al. Neural Substrates of Drosophila Larval Anemotaxis. Curr. Biol. 29, 554-566.e4 (2019).

Mots clés

simlation par elements fini , neuroscience et incarnation