Approche de réseau sémantique probabiliste pour l’étude des relations génotype-phénotype dans le cadre des maladies génétiques humaines

Probabilistic semantic network approach for the study of genotype-phenotype relations in the context of human genetic diseases

• Auteur / Autrice : Carlos Bermejo Das Neves
• Direction : Olivier Poch, Julie D. Thompson
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique et biologie des systèmes
• Date : Soutenance le 15/09/2020
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Sciences de la vie et de la santé (Strasbourg ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
• Jury : Président / Présidente : Nicolas Lachiche
• Jury : Examinateurs / Examinatrices : Malika Smaïl-Tabbone
• Jury : Rapporteurs / Rapporteuses : Cecilia Zanni-Merk, Thierry Léveillard

Mots clés

Mots clés contrôlés

Apprentissage automatique

Bioinformatique

Aspect moléculaire

Maladies rares

Mots clés libres

Raisonnement automatisé

Apprentissage automatique

Graphe de connaissances

Maladies rares

Machine reasoning

Machine learning

Knowledge graph

Rare diseases

Résumé

Cette thèse porte sur le développement d'une méthode pour modéliser des systèmes complexes en utilisant des graphes de connaissances et des algorithmes de raisonnement automatisés. La méthode de modélisation a été appliquée aux maladies rares pour prédire leurs causes, depuis les niveaux génétique, cellulaire et physiologique jusqu'au niveau de l'organisme entier. Pour la création du graphe de connaissances, deux ontologies, GO et HPO, ont été utilisées. Étant donné qu'il n'existait pas de bases de données avec des relations entre ces ontologies, une méthode d'apprentissage automatique a été développée pour inférer des relations et appliquée aux ontologies GO et HPO. La thèse est complétée par une méthode d'apprentissage automatique pour inférer des effets délétères après une variation génétique appelée INDEL. Dans l'ensemble, le travail d'intelligence artificielle présenté dans cette thèse de doctorat aide les chercheurs à comprendre ce qui se passe dans le corps humain à différents niveaux d'abstraction, depuis l'apparition d'une variation génétique jusqu'au développement d'une maladie rare.

This thesis is about the development of a method for modeling complex systems using knowledge graphs and automated reasoning algorithms. The modeling method was applied to rare diseases to predict their causes from the genetic to the cellular, physiological, and whole organism levels. For the creation of the knowledge graph, two ontologies, GO and HPO, were used. Since there were no databases with relationships between these ontologies, a machine learning method was developed to infer relationships and applied to both GO and HPO ontologies. The thesis is completed by a machine learning method to infer deleterious effects after a genetic variation called INDEL. Altogether, the artificial intelligence work presented in this doctoral thesis assists rare disease researchers in understanding what happens in the human body at various levels of abstraction, from the occurrence of a genetic variation to the development of a rare disease.