ERC grant workshop My ERC project + experience (1 st and 2 - - PDF document

SLIDE 1

5/27/18 1

ERC ¡grant ¡workshop

Tartu, ¡ May ¡23, ¡ 2018

Carolina ¡Wählby

Professor ¡ in ¡Quantitative ¡ Microscopy Centre ¡ for ¡Image ¡ Analysis, ¡Dept. ¡ of ¡ Information ¡ Technology, ¡and ¡ Director ¡ of ¡ the ¡SciLifeLab ¡BioImage ¡ Informatics ¡ facility Uppsala ¡University, ¡Uppsala, ¡Sweden ERC ¡ consolidator ¡ grant ¡ holder

plans

• Briefly ¡about ¡my ¡background
• My ¡ERC ¡project ¡+ ¡experience ¡(1st and ¡2nd try)
• My ¡thoughts ¡on ¡how ¡to ¡structure ¡a ¡grant ¡application
• ‘hands-­‑on-­‑practice’
• Discussion
• Final ¡thoughts

Briefly ¡about ¡ my ¡background

1998 ¡MSc ¡in ¡Molecular ¡Biotechnology ¡ at ¡UU, ¡thesis ¡a t ¡CMB, ¡KI: ¡Using ¡ GF P ¡constructs ¡to ¡study ¡PML-­‑bodie s ¡ and ¡protein ¡targeting, ¡‘counting ¡500 ¡000 ¡ce lls ¡ma kes ¡a ¡PhD, ¡c

• unting ¡5 ¡0

00 ¡000 ¡ma kes ¡a ¡professor’

3h ¡pos t ¡plat ing 96h ¡pos t ¡pla tin g

Tracking ¡of ¡unstained ¡stem ¡c ells ¡in ¡c

• llabora

tio n ¡ with ¡Chalmers ¡and ¡Department ¡of ¡Clinical ¡ Neuroscience, ¡Göteborg Unive rsity ¡and ¡ wav e le t-­‑ based ¡cell ¡classifica tion ¡for ¡Histogenic s. 2005 ¡PostDoc, ¡Dept. ¡Genetics ¡and ¡Pa thology, ¡UU. ¡Detection ¡and ¡c lassific ation ¡of ¡signals ¡from ¡differe n t ¡ variants ¡of ¡padlock ¡and ¡proximity ¡probes ¡in ¡c ells, ¡tissue ¡and ¡

• n ¡glass ¡
• surfaces. ¡Code ¡from ¡thesis ¡

contributed ¡to ¡CellProfiler. WP ¡leader ¡of ¡ENLIGHT, ¡ENhanc ed L IGase based ¡Histochemic al ¡Tec hniques ¡EU ¡FP-­‑6

wt m utant

2009 ¡Associate ¡Professor ¡(docent) ¡in ¡ Digital ¡Imag e ¡Processing ¡2009 Cell ¡detection ¡and ¡quantification ¡of ¡ruffling ¡at ¡Rac1

• ­‑activa

tion : ¡ a ¡consultancy ¡study ¡sponso red ¡by ¡Amersha m Biosc ienc es ¡(n

• w

¡ GE) ¡for ¡the ¡first ¡version ¡of ¡INCell Analy ser. 2003 ¡PhD ¡in ¡digital ¡image ¡analysis ¡at ¡the ¡Centre ¡for ¡Image ¡Anal ysis ¡(2003), ¡ UU: ¡Collaboration ¡with ¡CCK, ¡KI ¡on ¡quantific ation ¡of ¡cy clin ¡ expression ¡in ¡ normal ¡vs ¡cancer ¡tissue. ¡ 2009-­‑2015 ¡Principal ¡Investigator, ¡Imagin g ¡Platform, ¡ Broad ¡Institute ¡of ¡Harvard ¡and ¡MIT, ¡Boston 2011 ¡NIH, ¡NIGMS, ¡grant ¡1R01 ¡‘model ¡grant’ 2018 ¡Program ¡responsible ¡professor ¡(=chai r) ¡in ¡ Computerized ¡Image ¡Processing ¡a nd ¡Human ¡ Computer ¡Interaction, ¡Dept. ¡IT, ¡UU 2016 Member ¡of ¡the ¡Royal ¡Academy ¡of ¡Scienc es ¡at ¡Upp sa la ERC ¡consolidator ¡grant ¡‘TissueMaps’ ¡ Board ¡member ¡of ¡the ¡National ¡Microscopy ¡Infrastructure ¡ Board ¡member ¡of ¡Upptech Swedish ¡representative ¡of ¡the ¡Management ¡Committe e ¡fo r ¡ COST ¡Action ¡NEUBIAS 2013 ¡Swedish ¡Research ¡ Council ¡Y

• ung ¡In

vestigator ¡grant ¡ AstraZeneca/SciLifeL ab-­‑Research ¡Coll

• ab. ¡Grant, ¡co-­‑PI, ¡w

ith ¡S. ¡Nelander Grant ¡from ¡eSSENCE for ¡Large-­‑sc ale ¡ana lysis ¡of ¡l ive ¡c ells ¡ 2011 ¡‘Strategic ¡recruitment’ ¡SciLifeLab ¡, ¡50% ¡ Associate ¡Professor ¡(lektor) ¡in ¡Quantitative ¡ Microscopy, ¡SciLifeLa b 2014 ¡Professor ¡in ¡Quantitative ¡Microsc

• py, ¡Dept. ¡IT, ¡UU ¡(+20% ¡P

I ¡at ¡the ¡Broad ¡Inst.) President’s ¡Innovation ¡award ¡2014, ¡ Socie ty ¡of ¡Biomolec ular ¡Imagi ng ¡and ¡In formatics ISAC ¡(International ¡Society ¡for ¡the ¡Advancement ¡of ¡Cytometry) ¡Sc holar ¡ 2015 ¡Prof. ¡responsible ¡for ¡research ¡education ¡ Computerized ¡Imag e ¡Processing , ¡Dept. ¡IT, ¡UU Thuréus Prize Board ¡member ¡of ¡SciLifeLab ¡Uppsala ¡stearing c

• mmittee.

Board ¡member ¡of ¡Swedish ¡Bioimaging Evaluator ¡of ¡grant ¡applications ¡for ¡the ¡Swedish ¡Research ¡Counc il ¡ 2017 ¡Facility ¡director, ¡SciLifeL ab ¡BioIma ge ¡Informatics ¡fac

• ility. ¡

Chairman ¡of ¡the ¡Board ¡of ¡the ¡Centre ¡for ¡Image ¡Analysis, ¡UU. Member ¡of ¡the ¡Swedish ¡Royal ¡Academy ¡

• f ¡engineering ¡

sc iences ¡(IVA) Vinnova grant ¡Analytic ¡Imaging ¡Diagnostic ¡Arena ¡(AIDA, ¡Co-­‑invest. ¡with ¡C. ¡L undström) SSF ¡Big ¡Data ¡grant ¡on ¡Hierarchical ¡analy sis ¡methods ¡(PI) SSF ¡Systems ¡Biology ¡grant ¡on ¡Sy stems ¡Microsc

• py ¡(Co-­‑PI, ¡w

ith ¡S. ¡Strömholm, ¡KI) Member ¡of ¡the ¡Docent ¡committee ¡of ¡the ¡Faculty ¡of ¡Science ¡and ¡Tec hnology , ¡UU ¡

Jonatan, ¡born ¡2001 Matilda, ¡ born ¡2007 ¡ Agnes, ¡ born ¡2005 Anders

ht t p: //si t n. hm s. har var

• d. edu

TissueMaps

cell ¡ identity/function ¡ =gene ¡ expression vs cell ¡ location/tissue ¡organization ¡ =morphology

Problem: ¡ connecting ¡ identity with ¡ location

Carolina ¡Wählby, ¡Upp sala ¡Unive rsity, ¡Swe de n, ¡an d ¡ B ro ad ¡ Institute ¡of ¡Harvard ¡and ¡MIT , ¡USA

SLIDE 2

5/27/18 2

Gene ¡expression Knowledge ¡ of ¡ where particular ¡ genes ¡ are ¡ expressed ¡ enable ¡ a ¡ ‘guilt-­‑by-­‑association’ ¡ approach ¡ to ¡ identifying ¡ function. ¡ Seeing ¡ is ¡believing; ¡ rarely ¡ expressed ¡ genes ¡ can ¡ be ¡linked ¡ to ¡ rare ¡ morphology. My ¡ solution: ¡ advanced ¡ digital ¡ image ¡ processing ¡ and ¡ informatics

• R. ¡Ke, ¡M. ¡Mignardi,…, ¡ C. ¡Wählby and ¡M. ¡

Nilsson, ¡Nature ¡Methods, ¡2013 ¡

TissueMaps

TissueMaps

Novel ¡computer ¡science ¡and ¡informatics ¡will ¡be ¡key ¡ components ¡in ¡all ¡aims: Aim ¡1: ¡algorithms ¡for ¡analysis ¡of ¡gene ¡expression ¡ Aim ¡2: ¡methods ¡coupling ¡sequencing ¡to ¡tissue ¡location Aim ¡3: ¡metrics ¡for ¡analysis ¡at ¡multiple ¡resolutions Aim ¡4: ¡tools ¡for ¡visualization Aim ¡1: ¡Novel ¡algorithms ¡for ¡analysis ¡of ¡gene ¡expression ¡ directly ¡in ¡tissue ¡sections ¡(in ¡situ ¡sequencing).

base ¡A

10 ¡ µm

base ¡C base ¡G base ¡T

1 . ¡De te ction ¡and ¡ amplification ¡ Se que n cin g ¡cycle : ¡ ¡ ¡ ¡ ¡ ¡1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ 2 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡3 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡4 Assigne d ¡base : ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ A ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ A C ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡C Base ¡quality: ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡0 . 6 7 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡0 .8 9 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡0 .8 5 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡0 .8 4 Se que nce ¡ quality: ¡ ¡ ¡ ¡ ¡0 . 6 7 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡A ACC ¡ó ó E PCA M 2 . ¡Se que nce ¡de coding

Aim ¡2: ¡Novel ¡methods ¡coupling ¡single-­‑ cell ¡sequencing ¡to ¡tissue ¡location.

1. ‘Barcode’ ¡ cell ¡location ¡ by ¡ plastic ¡beads ¡ randomly ¡ spread ¡

• ver ¡ tissue. ¡

2. Dissociate ¡ tissue ¡ into ¡ single ¡ cells ¡(with ¡ beads ¡attached). 3. Run ¡ single ¡ cell ¡sequencing ¡ (commercial ¡ single-­‑cell ¡ sequencing ¡ system) 4. Relate ¡ sequencing ¡ output ¡ back ¡to ¡ tissue ¡ position ¡ based ¡ on ¡ beads ¡ in ¡sample. 106x Impact: ¡

• enable ¡ detection ¡ of ¡ rare (unexpected) ¡

events ¡ and ¡ their ¡ location

• identification ¡ of ¡ the ¡ most ¡ relevant ¡ targets

for ¡ in ¡ situ ¡sequencing ¡ (aim ¡ 1) ¡

2 mm

automated ¡ cell ¡detection color-­‑coded ¡ display ¡of ¡ cell ¡size local ¡cell ¡ density ¡

• Wä

hlby ¡et ¡a l ¡Nature ¡Me thods ¡2 0 1 2

• Calusson, ¡… ¡, ¡Wä

hlb y, ¡et ¡a l ¡ Nature ¡Me thod s ¡2 0 1 1

• Gavrilovic, ¡…, ¡Wä

hlby, ¡et ¡a l ¡IE E E ¡T MI ¡2 0 1 3

• B. ¡Koos, ¡…, ¡W

ä hlby, ¡et ¡a l J ¡ Mol e cular ¡Bio logy, ¡2 0 1 5 ¡

• Pardo-­‑Martin,…, Wä

hlby et ¡a l, ¡ Nature ¡Comm., ¡2 0 1 3

• Niwas,…, ¡Wä

hlby, ¡et ¡a l ¡J. ¡of ¡Patho lo gy ¡Inf. ¡ 2 0 1 3

• Zie

ba, ¡Wä hlby et ¡a l, ¡Clin ical ¡Ch e mistry ¡2 0 1 0

• Göransson, ¡Wä

hlby ¡et ¡a l,Nucle ic ¡Acid s ¡Re

• s. ¡2

0 0 9 ¡

• C.-­‑M. ¡Clausson, ¡

…, W ä hlby ¡et ¡a l , Nature ¡Scie ntific ¡ Re ports, ¡ 2 0 1 5

• Wä

hlby ¡et ¡a l ¡J. ¡of ¡M icroscop y ¡2 0 0 4

• E

rlandsson, ¡Wä hlby, ¡et ¡a l, ¡ Int. ¡J. ¡

• f ¡C

ance r, ¡2 0 0 3

• Wä

hlby ¡et ¡a l ¡Analytical ¡Ce llul ar ¡Pathol

• gy, ¡2

0 0 2

• Wä

hlby ¡et ¡a l ¡Cytome try, ¡2 0 0 2

• …. ¡and ¡many ¡algorithms ¡and ¡me

thods ¡de ve lope d ¡by ¡o the rs…

Aim ¡3: ¡Novel ¡tools ¡and ¡metrics ¡for ¡analysis ¡of ¡ tissue ¡morphology ¡at ¡multiple ¡resolutions.

cell ¡identity ¡ (Aims ¡ 1&2) Impact: ¡ A ¡ flexible ¡ general ¡ open ¡ source ¡ solution for ¡ quantitative ¡ evaluation ¡ of ¡ large ¡ slide ¡scanner ¡ images.

0 .2 mm 1 0 0 ¡μm

!

Aim ¡4: ¡Novel ¡tools ¡for ¡visualizing ¡cell ¡identity ¡and ¡ quantitative ¡descriptions ¡of ¡tissue ¡organization. TissueMaps

SLIDE 3

5/27/18 3

Vision ¡of ¡the ¡TissueMaps project

To ¡revolutionize ¡ digital ¡ pathology ¡ by, ¡for ¡ the ¡ first ¡ time, ¡ integrating quantitative ¡ measurements ¡ of ¡ tissue ¡ organization ¡ with ¡ spatially ¡ resolved ¡ analysis ¡of ¡ cell ¡identity. This ¡will ¡ provide ¡ a ¡novel ¡ source ¡ for ¡ discovery ¡ of ¡biomarkers and ¡ drug ¡ targets, ¡ and ¡ expand ¡ our ¡ understanding ¡ of ¡ cancer ¡ heterogeneity. ¡

Post Doc

TissueMaps Team

Pr of . ¡ Ar ne ¡ Ö st m an Pr of . ¡ Mat s ¡ Li nd Dr . ¡

• P. ¡

Ranef al

• Prof. ¡Carolina ¡Wähl

by

• Assoc. ¡

Pr of . ¡ I -­‑ M ¡ Si nt or n Saj i t h K. Sadanandan O m er ¡ I shaq Dam i an ¡ Mat uszew ski Pr of . ¡ Mat s ¡ Ni l sson Dr . ¡ Mar co ¡ Mi gnar di PhD ¡ st udent Am i t Suveer Xi aoyan Q ui an Dr . ¡ Anne ¡ Car pent er ¡ and ¡ Lee ¡ Kam ent sky Post Doc PhD ¡ st udent

TissueMaps

(ne w ¡funding) Ca rolina ¡Wä hlby, ¡CV ¡in ¡b rie f

• PhD ¡in ¡Digital ¡Image

¡Proce ssing ¡2 0 0 3 , ¡ and

• PostDoc in ¡Ge

ne tics ¡and ¡Patho lo gy ¡2 0 0 6 , ¡ Uppsala ¡ Unive rsity, ¡Swe de n

• Principal ¡Inve

stigator, ¡Broad ¡I nstitu te ¡of ¡H arvard ¡ and ¡MIT , ¡USA ¡2 0 0 9 -­‑2 0 1 4

• Profe

ssor ¡in ¡Quantitative ¡Microscopy, ¡Upp sala ¡ Unive rsity, ¡Swe de n, ¡2 0 1 4 -­‑pre se nt Main ¡collaborators: (curre nt ¡funding)

What ¡ makes ¡a ¡grant ¡ application ¡ successful?

• Carefully ¡ read ¡and ¡ follow ¡ the ¡ instructions
• Be ¡structured
• Help ¡ the ¡reviewer ¡ by ¡providing ¡ the ¡information ¡ asked ¡for ¡in ¡the ¡

evaluation ¡ criteria

• Propose ¡ a ¡project ¡ that ¡you ¡believe ¡ in ¡yourself
• Make ¡an ¡illustration ¡
• Grant ¡writing ¡ is ¡ like ¡paper ¡ writing, ¡ but ¡ using ¡ your ¡imagination!

Start ¡with ¡the ¡structure

• Write ¡ a ¡ short ¡introduction ¡describing ¡
• The ¡background ¡of ¡the ¡field ¡and ¡the ¡gaps ¡you ¡want ¡to ¡fill ¡with ¡your ¡research ¡activities
• The ¡over-­‑all ¡goals ¡of ¡the ¡project ¡and ¡their ¡significance
• Divide ¡ the ¡ project ¡ into ¡specific ¡ aims ¡ (~3)
• For ¡each ¡aim
• Why ¡is ¡it ¡challenging ¡(why ¡has ¡it ¡not ¡been ¡done ¡before)? ¡=GAP
• How ¡will ¡you ¡approach ¡it ¡(very ¡briefly!)? ¡ =Fundamentally ¡new ¡idea ¡or ¡new ¡perspective
• What ¡is ¡the ¡impact ¡(why ¡is ¡it ¡important ¡in ¡the ¡long ¡run)? ¡ =GAIN
• Describe ¡the ¡team ¡and ¡organization ¡(including ¡collaborators) ¡and ¡briefly ¡explain ¡why ¡

you ¡are ¡the ¡most ¡suited ¡to ¡drive ¡this ¡project.

• Use ¡ a ¡ language ¡ that ¡can ¡ also ¡ be ¡understood ¡by ¡ somebody ¡ with ¡a ¡ different ¡scientific ¡

background

• Make ¡ all ¡ this ¡fit ¡in ¡ no ¡more ¡ than ¡one ¡ page, ¡ and ¡ask ¡ for ¡input ¡from ¡many ¡ different ¡ persons

structure

Aim ¡1: ¡We ¡will…. Challenge: ¡It ¡is ¡challenging ¡because…. ¡ Approach: ¡We ¡will ¡solve… Impact: ¡We ¡will ¡forwarding ¡the ¡… ¡field ¡…

structure

• Aim ¡1: ¡Improve ¡algorithms ¡for ¡image-­‑based ¡in ¡situ ¡sequencing. ¡
• Challenge: ¡Our ¡recently ¡published ¡collaborative ¡project ¡with ¡the ¡Nilsson ¡group ¡[19], ¡shows ¡that ¡

highly ¡multiplexed ¡spatially ¡ resolved ¡ mutation ¡and ¡transcription ¡profiling ¡is ¡possible. ¡The ¡ challenge ¡ lies ¡in ¡extracting ¡ information ¡from ¡heterogeneous ¡tissue ¡samples ¡with ¡noisy ¡ background, ¡and ¡improvements ¡on ¡our ¡current ¡base-­‑calling ¡algorithms ¡and ¡quality ¡control ¡metric s ¡ will ¡be ¡required ¡to ¡increase ¡signal ¡ recovery, ¡ especially ¡ for ¡rare ¡transcripts. ¡

• Approach: ¡We ¡will ¡ combine ¡state ¡of ¡the ¡art ¡correlative ¡statistics ¡used ¡in ¡today’s ¡next-­‑generation ¡

sequencing ¡software ¡with ¡machine-­‑learning ¡approaches ¡for ¡signal ¡detection, ¡increasing ¡signal ¡ detection ¡efficiency, ¡maximizing ¡ information ¡extraction ¡from ¡in ¡situ ¡sequencing ¡data.

• Impact: ¡ We ¡ will ¡improve ¡multiplexed ¡analysis ¡ and ¡statistical ¡robustness ¡of ¡subsequent ¡data ¡

analysis ¡ forwarding ¡this ¡novel ¡field ¡of ¡targeted ¡in ¡situ ¡expression ¡profiling. ¡Together ¡with ¡our ¡ collaborators ¡on ¡tumor ¡biology, ¡we ¡will ¡apply ¡the ¡methods ¡to ¡resolve ¡tumor ¡heterogeneity ¡at ¡the ¡ transcriptome ¡level. ¡ Of ¡particular ¡interest ¡and ¡impact ¡will ¡be ¡molecular ¡characterization ¡of ¡the ¡ cells ¡ surrounding ¡the ¡tumor ¡and ¡understanding ¡their ¡role ¡in ¡tumor ¡growth.

Ti TissueMaps: In Integrating ¡ ¡sp spatial ¡ ¡and ¡ ¡genetic ¡ ¡information ¡ ¡via ¡ ¡automated ¡ ¡image ¡ ¡ an anal alysis ¡ ¡an and ¡ ¡interac active ¡ ¡visual alizat ation ¡ ¡of ¡ ¡tissue ¡ ¡dat ata ¡ a ¡

Aim ¡ 1: ¡ Improve ¡ algorithms ¡ for ¡ image-­‑based ¡ in ¡ situ ¡sequencing. ¡ Aim ¡ 2: ¡ Develop ¡ methods ¡ and ¡ algorithms ¡ for ¡ spatially ¡ resolved ¡ cellular ¡ barcoding ¡ coupling ¡ single ¡ cell ¡sequencing ¡ to ¡ tissue ¡location. ¡ Aim ¡ 3: ¡ Develop ¡ tools ¡ and ¡ metrics ¡ for ¡ analysis ¡of ¡ tissue ¡morphology ¡ at ¡multiple ¡ resolutions. ¡ Aim ¡ 4: ¡ Develop ¡ easy-­‑to-­‑use ¡ tools ¡ for ¡ visualizing ¡ spatially ¡ resolved ¡ expression ¡ profiling ¡ data ¡ together ¡ with ¡ quantitative ¡ descriptions ¡ of ¡ tumor ¡ morphology ¡ and ¡ protein ¡ expression ¡ patterns. ¡ ERC ¡ Consolidator grant ¡ 2016

SLIDE 4

5/27/18 4

Image ¡analysis for ¡high-­‑throughputC. ¡elegans ¡infection and ¡metabolism ¡assays

http://www.niaid.nih.gov/ncn/gra nts/app/ defa ult. ht m Aim ¡ 1: ¡Develop ¡algorithms ¡for ¡ C. ¡elegans viability ¡assays ¡to ¡identify ¡modulators ¡of ¡pathogen ¡ infection ¡ Challenge: ¡To ¡identify ¡individual ¡worms ¡in ¡thousands ¡of ¡two-­‑dimensional ¡brightfield images ¡of ¡worm ¡populations ¡infected ¡by ¡Microsporidia, ¡and ¡ measure ¡viability ¡based ¡on ¡worm ¡body ¡shape ¡(live ¡worms ¡are ¡curvy ¡whereas ¡dead ¡worms ¡are ¡straight). Approach: ¡ We ¡will ¡develop ¡algorithms ¡that ¡use ¡a ¡probabilistic ¡shape ¡model ¡of ¡C. ¡elegans learned ¡from ¡examples, ¡enabling ¡segmentation ¡and ¡ body ¡shape ¡measurements ¡even ¡when ¡worms ¡touch ¡or ¡cross. Impact: ¡These ¡algorithms ¡will ¡quantify ¡a ¡wide ¡range ¡of ¡phenotypic ¡descriptors ¡detectable ¡in ¡individual ¡worms, ¡including ¡body ¡morphology ¡as ¡ well ¡as ¡subtle ¡variations ¡in ¡reporter ¡signal ¡levels. ¡ Aim ¡ 2: ¡Develop ¡algorithms ¡for ¡ …. Approach: ¡ We ¡will ¡... Impact: ¡These ¡algorithms ¡will ¡… Aim ¡ 3: ¡Develop ¡algorithms ¡for… NIH ¡ R01 ¡ grant ¡ 2010

Hi Hierarchical ¡ ¡Analysis ¡ ¡of ¡ ¡T emporal ¡ ¡and ¡ ¡Spatial ¡ ¡Image ¡ ¡Data

From ¡intelligent ¡data ¡acquisition ¡ via ¡smart ¡data-­‑management ¡to ¡confident ¡predictions

SSF ¡BigData 2016

• Fig. ¡ 1. ¡ Our ¡ core ¡ aims ¡ are ¡ motivated ¡

by ¡ and ¡ will ¡ be ¡ validated ¡ using ¡ three ¡ specific ¡ demonstrato rs ¡ that ¡ will ¡ have ¡ an ¡ immediate ¡ impact ¡ on ¡ both ¡ basic ¡ academic ¡ research ¡ and ¡ industrial ¡ R&D. ¡

A ¡flexible ¡automated ¡cell ¡tracking ¡system ¡optimized ¡on ¡an ¡application ¡basis ¡ by ¡user-­‑controlled ¡feedback

VR ¡ 2012

Or… … ¡grant ¡writing ¡is ¡like ¡a ¡camera focus ¡on ¡what ¡is ¡important capture ¡the ¡good ¡ideas develop ¡from ¡the ¡negatives and ¡if ¡things ¡don’t ¡ work ¡out take ¡another ¡shot!

A ¡few ¡words ¡on ¡the ¡way….

‘The ¡more ¡I ¡practice, ¡the ¡more ¡luck ¡I ¡have.’

• ­‑Ingemar

Stemark, ¡ Swedish ¡ slalom ¡ legend The ¡ easiest ¡ way ¡to ¡ get ¡ things ¡ done ¡ is ¡to ¡ enjoy ¡ what ¡ you’re ¡ doing.

• ­‑ Stay ¡ motivated ¡ by ¡working ¡ with ¡ people ¡ and ¡ projects ¡ that ¡ give ¡you ¡ energy ¡ (and ¡ get ¡ rid ¡
• f ¡ the ¡ ‘energy ¡ eating’ ¡ tasks ¡as ¡soon ¡ as ¡possible).
• ­‑ Good ¡ collaborations ¡ stem ¡ from ¡ good ¡ communication; ¡

be ¡ curious, ¡ open-­‑minded, ¡ and ¡

• patient. ¡ Work ¡ on ¡ your ¡ ability ¡ to ¡ listen.
• ­‑ Stay ¡ healthy. ¡ Routines, ¡ breaks ¡ and ¡ a ¡perspective ¡ on ¡ life ¡are ¡ all ¡ positive ¡ effects ¡ of ¡

spending ¡ time ¡ with ¡ family ¡ and ¡ friends.