John P. Barton (Université de Pittsburgh), professeur invité à QBio

• Pouvez-vous nous en dire plus sur votre travail à l’Université de Pittsburgh ?

Je suis un professeur associé au département de biologie des systèmes et biologie computationnelle à l’Université de Pittsburgh. Mon laboratoire utilise des méthodes de physique pour étudier l’évolution du système immunitaire. Nous nous intéressons particulièrement à la compréhension de la manière dont les virus évoluent quand ils se répliquent et se transmettent entre les individus. Par exemple, quelques travaux récents nous ont permis de quantifier à quel point les différentes mutations contribuent à la transmission du SARS-CoV-2. Nous avons aussi étudié la manière dont le HIV-1 évolue pour échapper à la réponse immunitaire humaine. Dans ce domaine, notre objectif est de faire des modèles quantitatifs qui sont suffisamment bons pour améliorer le design de vaccins ou de thérapies pour vaincre les maladies, ainsi que l’étude de la biologie des virus.

• Pourquoi avez-vous choisi de rejoindre QBio comme professeur invité ?

C’est un véritable honneur d’être invité et de collaborer avec le programme QBio ! Je pense que l’ENS-PSL est un des instituts de recherche les plus importants d’un point de vue mondial pour la biologie quantitative. J’ai été inspiré par le travail de nombreux membres de QBio pendant des années. J’ai aussi eu la chance de collaborer avec Simona Cocco et Rémi Monasson quand j’ai commencé à travailler sur les systèmes biologiques à la fin de ma thèse en physique. J’ai appris beaucoup de cette communauté et je leur suis reconnaissant pour l’opportunité et les interactions avec QBio pendant mon séjour. 

• Quelles sont vos missions à QBio ?

Même si nous comprenons bien les lois physiques de l’univers, le comportement des systèmes biologiques reste difficile à prévoir et à quantifier. Mon objectif est de repousser les frontières de ce que nous pouvons faire avec les modèles prédictifs en biologie. Dans certains cas, cela signifie développer de nouveaux modèles mathématiques, ou les améliorer pour inclure des informations biologiques. Dans d’autres cas, les modèles que nous avons peuvent être suffisant pour faire de bonnes prédictions, mais nous avons besoin de comprendre comment extraire les bons paramètres pour le modèle depuis les données. Mon groupe de recherche travaille dans ces deux domaines, avec un intérêt particulier pour les problèmes qui peuvent avoir des applications médicales.