Biclustering multiobjectif : des données d'expression génétiques aux données d'association génomique
Auteur / Autrice : | Khedidja Seridi |
Direction : | El-Ghazali Talbi, Laetitia Jourdan |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 05/07/2013 |
Etablissement(s) : | Lille 1 |
Ecole(s) doctorale(s) : | École doctorale Sciences pour l'ingénieur (Lille) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'informatique fondamentale de Lille (2002-2014) |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
Les puces à ADN sont des matrices qui indiquent les niveaux d’expression de milliers de gènes sous plusieurs conditions. L’analyse de ces données consiste à extraire des gènes qui ont un comportement similaire sous certaines conditions. En fait, les informations extraites sont des sous-matrices (biclusters) qui réspectent certaines contraints de cohérence. Le processus d'extraction est appelé biclustering. Dans cette thèse, nous traitons ce problème dans le contexte multiobjectif appliqué à l’analyse des données biologiques. Par conséquent, plusieurs questions liées à la modélisation des problèmes et la conception d’algorithmes ont été abordées. Tout d’abord, une description du problème est revue. En outre, une nouvelle mesure de la cohérence est proposée. En outre, deux modèles multiobjectif sont proposées afin d’extraire des biclusters de différents types. Par ailleurs, ce travail explore différentes métaheuristiques pour résoudre ces modèles . De plus, différentes hybridations entre les différentes métaheuristiques sont pris en compte. De plus, nous avons proposé une nouvelle application de biclustering, à savoir, l’analyse des données GWA. En fait, les données GWA consiste au génotype et le phénotype d’un ensemble d’individus. L’analyse de ces données consiste à trouver des associations entre des variants génétiques et les traits considérés. De ce fait, un modèle multiobjectifs pour le biclustering est proposé. En outre, un métaheuristique hybride est appliqué pour résoudre le modèle proposé. Les résultats expérimentaux, pour les deux applications, démontrent que les méthodes sont efficaces sur et permettent d'extraire des informations importantes.