Whole genome sequencing and Deep learning

• Auteur / Autrice : Alba Nieto heredia
• Direction : Stefano Mona
• Type : Projet de thèse
• Discipline(s) : Biodiversité, génétique et évolution
• Date : Inscription en doctorat le 31/08/2022
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale de l'École pratique des hautes études
• Partenaire(s) de recherche : Laboratoire : Institut de Systématique, Évolution, Biodiversité
• Partenaire(s) de recherche : établissement opérateur d'inscription : École pratique des hautes études (Paris ; 1868-....)

Mots clés

Mots clés libres

Deep learning

Théorie coalescente

Whole genome sequencing

Deep learning

Coalescent theory

Whole genome sequencing

Résumé

L'objectif du projet de doctorat est d'identifier des stratégies d'apprentissage en profondeur appropriées pour déduire des scénarios démographiques complexes à partir de données de séquence du génome entier (WGS). Aujourd'hui, la richesse des informations fournies par peut être difficilement exploitée par les méthodes inférentielles disponibles. L'objectif de cette thèse sera de résoudre ce problème en développant des approches d'apprentissage profond couplées à des calculs bayésiens approchés à des scénarios démographiques complexes de méta-population.

The aim of the PhD project is to identify appropriate deep learning strategies to infer complex demographic scenarios from whole genome sequence (WGS) data. Today, the wealth of information provided by can be difficulty exploited by available inferential methods. The aim of this thesis will be to solve this problem by developing deep learning approaches coupled with approximate Bayesian computation to complex meta-population demographic scenarios.