362 views
Atelier GT Bioss 2024: Évaluation de méthodes d'inférence de modèles dynamiques === - Date: **mardi 28 mai 14h-17h30** - Lieu: **salle Favard (rez-de-chaussé), IBENS, ENS Paris**, 46 rue d’Ulm, 75005 Paris ### Objectifs - constituter un/des jeux de benchmarks pour évaluer les méthodes d'inférences (graphes causaux, modèles dynamiques) développées par des membres du GT - différents pré-requis/hypothèses des méthodes: observations à l'état stationnaire ou non, type de données quantitatives (scRNA-Seq-like..), séries temporelles - quels ground truth? (modèles de la littérature, modèles de synthèse, ..) - jeux de données avec mutants - discuter de l'évaluation des modèles inférés vis-à-vis du ground truth: - vis-à-vis de la structure: équivalence/proximité avec le ground truth; problématique de formalismes différents - vis-à-vis des prédictions (p. ex sur les mutants): permet de comparer des modèles de nature différente ### Programme - 14h00 - 14h10: Intro à l'atelier - 14h10 - 15h45: Méthodes d'inférence de modèle dynamique et évaluation 1. Frank Delaplace (IBISC, Evry): *TaBooN* 1. Clémence Réda (Universität Rostock): *NORDic (Boolean network; end-to-end inference)* 1. Vincent Deman (Univ Paris Saclay): *Algebraic calibration of Boolean networks* 1. Alexis Poindron (ENSTA Paris): *Unate compatibility algorithm* 1. Ulysse Herbach (Inria Nancy): *Harissa (time-course scRNA-seq, stochastic dynamical model)* 1. Alexandre Tan-Lhernould (Servier): *Reactmine: a local approach to reaction learning from time series data* 1. Tony Ribeiro (LS2N, Nantes): *Learning from Interpretation Transition, programmation logique inductive, IA symbolique* - 15h45 - 16h15: *Break* - 16h15 - 17h30: Discussions et travail - Benchmarks à générer/affiner, et les outils pour le faire - Évaluation des modèles inférés vis-à-vis du ground-truth - Feuille de route pour la suite: sous-groupes ? hackathons ? ## Jeux de données synthétiques Ces jeux de données ont été générés à partir de la dynamique de réseaux booléens qui modélisent des phénomènes de stabilisation et de différenciation cellulaire (multi-stationnaires). Ils contiennent : - des données scRNA-seq simulées reflétant l'état des cellules tout au long des trajectoires - des données scRNA-seq simulées reflétant les états stationnaires - des séries temporelles de scRNA-seq prises le long des trajectoires jusqu'à arrivée dans l'état stationnaire - les trajectoires booléennes sous-jacentes et ce pour différentes conditions de mutations (wild-type + combinaisons de KO/UP de gènes). Les données scRNA-seq ont étés simulés avec et sans effet dropout, et sont fournies en version log-normalisées et comptages bruts. La totalité du dataset est disponible sur https://github.com/gt-bioss/benchmark-dynamical-models et peut être téléchargé avec https://github.com/gt-bioss/benchmark-dynamical-models/archive/refs/heads/main.zip **`synthetic_random_diff3`** (synthetic model of multi-stage differentiation) - [🔗 scRNA-seq of full trajectory](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/synthetic_random_diff3-1/traj) - [🔗 steady state scRNA-seq](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/synthetic_random_diff3-1/steady) - [🔗 timeseries of scRNA-seq](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/synthetic_random_diff3-1/timeseries) - [🔗 Boolean trajectories](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/synthetic_random_diff3-1/ground-truth) (ground-truth of scRNA-seq data) - Ground-truth [🔗 Boolean network](https://github.com/gt-bioss/benchmark-dynamical-models/raw/main/from-boolean-networks/synthetic_random_diff3-1/ground-truth/boolean-network.bnet) -- [🔗 GRN](https://github.com/gt-bioss/benchmark-dynamical-models/raw/main/from-boolean-networks/synthetic_random_diff3-1/ground-truth/influence-graph.sif) **`toy_reprogramming_1`** (toy model of triggered cell switching) :::warning :warning: Links were erroneous before Wed May 14 16:30 ::: - [🔗 scRNA-seq of full trajectory](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/toy_reprogramming_1/traj) - [🔗 steady state scRNA-seq](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/toy_reprogramming_1/steady) - [🔗 timeseries of scRNA-seq](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/toy_reprogramming_1/timeseries) - [🔗 Boolean trajectories](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/toy_reprogramming_1/ground-truth) - Ground-truth [🔗 Boolean network](https://github.com/gt-bioss/benchmark-dynamical-models/raw/main/from-boolean-networks/toy_reprogramming_1/ground-truth/boolean-network.bnet) -- [🔗 GRN](https://github.com/gt-bioss/benchmark-dynamical-models/raw/main/from-boolean-networks/toy_reprogramming_1/ground-truth/influence-graph.sif) **`toy_star_1`** (toy model of trajectory towards a unique steady state) :::danger :warning: Dataset has been updated on Wed May 14 at 16:30 to fix inconsistencies of rawcounts ::: - [🔗 scRNA-seq of full trajectory](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/toy_star_1/traj) - [🔗 steady state scRNA-seq](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/toy_star_1/steady) - [🔗 timeseries of scRNA-seq](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/toy_star_1/timeseries) - [🔗 Boolean trajectories](https://github.com/gt-bioss/benchmark-dynamical-models/tree/main/from-boolean-networks/toy_star_1/ground-truth) - Ground-truth [🔗 Boolean network](https://github.com/gt-bioss/benchmark-dynamical-models/raw/main/from-boolean-networks/toy_star_1/ground-truth/boolean-network.bnet) -- [🔗 GRN](https://github.com/gt-bioss/benchmark-dynamical-models/raw/main/from-boolean-networks/toy_star_1/ground-truth/influence-graph.sif)