Modèles d'apprentissage automatique et traduction sous forme de réseaux métaboliques

Data-driven models and their translation in Artificial Metabolic Networks

• Auteur / Autrice : Bastien Mollet
• Direction : Alberto Tonda
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : MIA-Paris-Saclay - Mathématiques et Informatique Appliquées
• Partenaire(s) de recherche : Equipe de recherche : EKINOCS
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Explication pour l'IA

Réseaux métaboliques

Réseaux de neurones

Explainable AI

Metabolic Networks

Neural Networks

Résumé

Notre principal objectif est de démontrer que le métabolisme des micro-organismes peut servir de dispositif pour résoudre des problèmes de calcul. Nous faisons ici l'hypothèse que cette capacité - le traitement et la transduction des signaux dans le métabolisme - peut être détournée pour s'attaquer à des problèmes qui sont typiquement résolus par l'intelligence artificielle et en particulier par les réseaux de neurones artificiels (ANN). Étant donné que les réseaux métaboliques relient les entrées (concentrations de métabolites externes) aux sorties (flux, concentrations, croissance cellulaire), ils peuvent être considérés comme des 'programmes', comparables aux ANN. En ajoutant des entrées ou en modifiant leur dynamique (par exemple par des suppressions de gènes), ces programmes pourraient être façonnés pour effectuer des tâches de classification ou de régression. Notre objectif est de développer des réseaux de type 'boîte blanche', appelés réseaux métaboliques artificiels (AMNs), qui reflètent la structure et la dynamique des modèles métaboliques. Nous voulons formaliser ce nouveau paradigme et établir une relation entre les modèles métaboliques et les ANNs. Une connexion formelle nous aidera en particulier (i) à comprendre les capacités de traitement de l'information du métabolisme (par exemple, la transduction de l'information sur les conditions externes ou l'agrégation de l'information sur les demandes métaboliques) et comment l'évolution peut créer des métabolites 'informatifs', tels que les capteurs de flux [4], et (ii) à étudier les réseaux artificiels inspirés du métabolisme et leur potentiel pour l'apprentissage automatique.

Our main objective is to demonstrate that the metabolism of microorganisms can serve as a device for solving computational problems. Here we hypothesize that this ability - the processing and transduction of signals in metabolism - can be diverted to tackle problems that are typically solved by artificial intelligence and in particular by artificial neural networks (ANNs). Since metabolic networks link inputs (concentrations of external metabolites) to outputs (fluxes, concentrations, cell growth), they can be considered as 'programs', comparable to ANNs. By adding entries or changing their dynamics (for example by gene deletions), these programs could be shaped to perform classification or regression tasks. Our aim is to develop “white box” networks, called Artificial Metabolic Networks (AMNs), that reflect the structure and dynamic of metabolic models. Our objective is to formalize this new paradigm and to establish a relationship between metabolic models and ANNs. A formal connection will especially help us (i) to understand the information processing capacities of metabolism (e.g. transducing information about external conditions or aggregating information about metabolic demands) and how evolution may create 'informative” metabolites, such as flux sensors [4], and (ii) to investigate metabolism-inspired artificial networks and their potential for machine learning.