Les systèmes biologiques posent de nouveaux défis pour la physique statistique par rapport à des matériaux non animés.
La présence d’interactions fortes et non homogènes à de nombreuses échelles, couplées à des effets hors équilibre, rend souvent inefficace la modélisation standard basée sur des premiers principes.
Une approche alternative attrayante consiste à inférer des descriptions effectives, par exemple des interactions entre constituants élémentaires, directement à partir des données. L’équipe développe de nouvelles méthodes inspirées de la physique statistique et de l’apprentissage pour apprendre de tels modèles à partir de données biologiques, et comprendre dans quelles conditions ces méthodes peuvent être efficaces.
Ces méthodes sont appliquées à différents domaines de la biologie, parmi lesquels la régulation et le développement, les neurosciences, l’immunologie, la génomique et l’écologie, en contact étroit avec des données expérimentales
et souvent en collaboration directe avec des expérimentateurs. Les résultats de ces approches axées sur les données inspirent à leur tour de nouveaux modèles phénoménologiques.
- Les pages web personnelles des membres de l’équipe sont accessibles sur l’annuaire.
