Thèse soutenue

Vérification formelle et apprentissage logique pour la modélisation qualitative à partir de données single-cell

FR  |  
EN
Auteur / Autrice : Samuel Buchet
Direction : Morgan MagninOlivier Roux
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 14/03/2022
Etablissement(s) : Ecole centrale de Nantes
Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Numérique de Nantes
Jury : Président / Présidente : Philippe Dague
Examinateurs / Examinatrices : Morgan Magnin, Olivier Roux, Philippe Dague, Madalena Chaves, Jean-Paul Comet, Sabine Pérès
Rapporteurs / Rapporteuses : Madalena Chaves, Jean-Paul Comet

Résumé

FR  |  
EN

La compréhension des mécanismes cellulaires à l’œuvre au sein des organismes vivants repose généralement sur l’étude de leur expression génétique. Cependant, les gènes sont impliqués dans des processus de régulation complexes et leur mesureest difficile à réaliser. Dans ce contexte, la modélisation qualitative des réseaux de régulation génétique vise à établir la fonction de chaque gène à partir de la modélisation discrète d’un réseau d’interaction dynamique. Dans cette thèse, nous avons pour objectif de mettre en place cette approche de modélisation à partir des données de séquençage single-cell. Ces données se révèlent en effet intéressantes pour la modélisation qualitative, car elles apportent une grande précision et peuvent être interprétées de manière dynamique. Nous développons ainsi une méthode d’inférence de modèles qualitatifs basée sur l’apprentissage automatique de programmes logiques. Cette méthode est mise en œuvre sur des données single-cell et nous proposons plusieurs approches pour interpréter les modèles résultants en les confrontant avec des connaissances préétablies