Comparaison de réseaux biologiques

Comparison of biological networks

• Auteur / Autrice : Hafedh Mohamed Babou
• Direction : Irena Rusu, Guillaume Fertin
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2012
• Etablissement(s) : Nantes
• Partenaire(s) de recherche : autre partenaire : Université de Nantes. Faculté des sciences et des techniques

Mots clés

Mots clés contrôlés

Bioinformatique

Programmation heuristique

Mots clés libres

Complexité paramétrée

Méthode de Branch-and-Bound

Réseaux hétérogènes

Biologie computationnelle

NP-difficulté

APX-difficulté

Résumé

La comparaison de réseaux biologiques est actuellement l’une des approches les plus prometteuses pour aider à la compréhension du fonctionnement des organismes vivants. Elle apparaît comme la suite attendue de la comparaison de séquences biologiques dont l’étude ne représente en réalité que l’aspect génomique des informations manipulées par les biologistes. Dans cette thèse, nous proposons une approche innovante permettant de comparer deux réseaux biologiques modélisés respectivement par un graphe orienté D et un graphe non-orienté G, et dotés d’une fonction f établissant la correspondance entre les sommets des deux graphes. L’approche consiste à extraire automatiquement une structure dans D, biologiquement significative, dont les sommets induisent dans G, par f , une structure qui soit aussi biologiquement significative. Nous réalisons une étude algorithmique du problème issu de notre approche en commençant par sa version dans laquelle D est acyclique (DAG). Nous proposons des algorithmes polynomiaux pour certains cas, et nous montrons que d’autres cas sont algorithmiquement difficiles (NP-complets). Pour résoudre les instances difficiles, nous proposons une bonne heuristique et un algorithme exact basé sur la méthode branch-and-bound. Pour traiter le cas où D est cyclique, nous introduisons une méthode motivée par des hypothèses biologiques et consistant à décomposer D en DAGs tels que les sommets de chaque DAG induisent dans G un sous-graphe connexe. Nous étudions également dans cette thèse, l’inférence des voies de signalisation en combinant les informations sur les causes et sur les effets des événements extra-cellulaires. Nous modélisons ce problème par un problème d’orientation de graphes mixtes et nous effectuons une étude de complexité permettant d’identifier les instances faciles et celles difficiles.

The comparison of biological networks is now one of the most promising approaches that help in understanding the functioning of living organisms. It appears as the expected continuation of the comparison of biological sequences, whose study represents in reality only the genomic aspect of the information manipulated by biologists. In this thesis, we propose an innovative approach allowing to compare two biological networks modeled respectively by a directed graph D and an undirected graph G, and provided with a correspondence function f between the vertices of both graphs. The approach consists in extracting automatically a biologically significant structure in D whose vertices induce in G a biologically significant structure as well. We realize an algorithmic study of the problem arising in our approach by starting with its variant in which D is acyclic (DAG). We provide polynomial algorithms for several cases and we show that other cases are algorithmically difficult (NP-completes). In order to solve the difficult instances, we propose a reliable heuristic and an exact algorithm based on the branch-and-bound method. To deal with the case where D is cyclic, we introduce a method motivated by biological hypotheses and consisting in decomposing D into DAGs such that the vertices of each DAG induce in G a connected subgraph. We also study in this thesis, the problem of signaling pathways inference by combining the information on causes and effects of extra-cellular events. We model this problem by a problem of mixed graphs orientation and we perform a complexity study allowing to identify the easy and the difficult instances.