Thèse soutenue

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

FR  |  
EN
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
Examinateurs / Examinatrices : Jean-Paul Comet, Pierrick Legrand, Évelyne Lutton, Nicolas Jouandeau, Denis Pallez, Olivier Goudet, Tristan Cazenave
Rapporteurs / Rapporteuses : Évelyne Lutton, Nicolas Jouandeau

Résumé

FR  |  
EN

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.