Recherche arborescente Monte Carlo et évolution artificielle pour l'identification de paramètres dynamiques dans les réseaux de régulation génétiques hybrides

Monte Carlo tree search and artificial evolution for identifying dynamic parameters in hybrid gene regulatory networks

• Auteur / Autrice : Romain Michelucci
• Direction : Jean-Paul Comet
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 16/12/2024
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire Informatique, signaux et systèmes (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Pierrick Legrand
• Jury : Examinateurs / Examinatrices : Jean-Paul Comet, Pierrick Legrand, Évelyne Lutton, Nicolas Jouandeau, Denis Pallez, Olivier Goudet, Tristan Cazenave
• Jury : Rapporteurs / Rapporteuses : Évelyne Lutton, Nicolas Jouandeau

Mots clés

Mots clés contrôlés

Modèles mathématiques

Systèmes biologiques

Réseaux de régulation génétique

Heuristique

Optimisation mathématique

Apprentissage par renforcement (intelligence artificielle)

Monte-Carlo, Méthode de

Mots clés libres

Recherche arborescente Monte Carlo

Évolution artificielle

Apprentissage par renforcement

Optimisation stochastique

Heuristiques

Réseaux de régulation génétiques

Monte Carlo tree search

Artificial evolution

Reinforcement learning

Stochastic optimisation

Heuristics

Gene regulatory networks

Résumé

La modélisation des systèmes biologiques a pour but d'aider à la compréhension des systèmes biologiques via une représentation de la dynamique de ces systèmes qui peut, elle-même, être étudiée de manière informatique. Le goulot d'étranglement de la démarche de modélisation est la recherche de paramétrisations de modèles qui sont en accord avec les connaissances biologiques disponibles. Ici, nous adressons ce problème dans le cadre de la modélisation hybride des réseaux de régulation génétiques. Dans cette thèse, nous commençons par formuler le problème en un problème d'optimisation afin d'exhiber une paramétrisation adéquate à l'aide de l'évolution artificielle. Dans un second temps, nous le modélisons comme un problème de décision séquentiel, représenté par un processus de décision markovien avec des états et des actions continus. Pour résoudre ce dernier, nous employons des algorithmes de recherche arborescente Monte Carlo (MCTS) et proposons des améliorations génériques. Dans la modélisation de systèmes biologiques complexes, il est souvent insuffisant de se limiter à une seule paramétrisation, car l'évolution des connaissances biologiques peut rapidement rendre le modèle obsolète. Une approche exploratoire de modélisation exige donc de produire un ensemble de solutions diverses permettant au modélisateur d'appréhender la diversité des comportements potentiels issus des données biologiques disponibles. Cependant, les heuristiques stochastiques ne garantissent pas l'obtention de solutions distinctes lors d'exécutions multiples du même algorithme. C'est pourquoi nous avons mis au point des mécanismes spécifiques visant à extraire, en une seule exécution, un échantillon de solutions différentes. Pour cela, nous avons d'abord exploré l'optimisation multimodale, notamment à l'aide d'algorithmes génétiques cellulaires, puis nous avons suggéré des stratégies de planification diversifiée avec MCTS, en proposant de nouvelles heuristiques de recherche.

The aim of biological systems modelling is to help us understand biological systems through a representation of the dynamics of these systems, which can, in turn, be studied from a computer science point of view. The bottleneck in the modelling approach is the search for model parametrisations that are consistent with the available biological knowledge. Here, we address this problem in the context of hybrid modelling of gene regulatory networks.In this thesis, we first formulate the problem as an optimisation problem in order to exhibit an adequate parametrisation using metaheuristics of artificial evolution. In a second step, we model it as a sequential decision problem, represented by a Markov decision process with continuous state and action spaces. To solve the latter, we employ Monte Carlo Tree Search (MCTS) algorithms and propose generic improvements.When modelling complex biological systems, it is often insufficient to limit oneself to a single parametrisation, as the evolution of biological knowledge can quickly render the model obsolete. An exploratory modelling approach therefore requires producing a set of diverse solutions, allowing the modeller to grasp the diversity of potential behaviours derived from the available biological data. However, stochastic heuristics do not guarantee that distinct solutions will be obtained from multiple runs of the same algorithm. We have therefore developed specific mechanisms to extract a sample of different solutions in a single run. To this end, we first explored multimodal optimisation, in particular using cellular genetic algorithms, and then suggested diverse planning strategies with MCTS by proposing new search heuristics.