2017/07/03 : Reconstruction and Clustering with Graph optimization and Priors on Gene networks and Images

18 Juin 2017

---

Catégorie : Soutenance de thèse

---

Résumé :

Dans de nombreuses applications telles que la médecine, l'environnement ou les biotechnologies, la découverte de nouveaux processus de régulation des gènes améliore la compréhension des réponses phénotypes à des stimuli extérieurs. Pour cela, il est d'usage de générer et d'analyser des données transcriptomiques obtenues via des puces à ADN ou plus récemment des expériences RNAseq. Ces données correspondent, pour tous les gènes d'un organisme placé dans différentes conditions expérimentales, à leurs niveaux d'expressions. À partir de ces données, les mécanismes de régulation des gènes peuvent être retrouvês via des liens topologiques dans des graphes. Dans de tels réseaux, les noeuds correspondent aux gènes. Un lien entre deux noeuds est identifié si une relation de régulation existe entre les deux gènes correspondant. Ces réseaux sont communément appelés Réseaux de Régulation de Gènes (RRGs). Malgré une profusion de méthodes d'inférence de RRGs, leur construction et analyse restent encore à ce jour un défi.

Dans ce travail de thèse, nous proposons de traiter le problème d'inférence de RRGs par des méthodes d'optimisation dans des graphes. Disposant d'un score d'interaction pour tous les couples de gènes, nous déterminons la présence d'arêtes dans le RRG final via la formulation d'une fonction objectif, intégrant des contraintes, à optimiser. Notamment, des a priori biologiques et/ou structuraux ont été considérés pour restreindre l'espace des solutions possibles. Les différents a priori émulent des propriétés différentes de la fonction objectif, pour laquelle diverses stratégies d'optimisation, discrète et/ou continue, peuvent être utilisées. Les stratégies de post-traitement que nous avons proposé pour l'amélioration d'inférence de réseaux a mené à un ensemble d'approches nommé BRANE pour "Biologically-Related A priori for Network Enhancement". Pour chacune des méthodes proposées — BRANE Cut, BRANE Relax et BRANE Clust — nos contributions sont triples : formulation basée sur des a priori , adaptation de la stratégie d'optimisation et validation (numérique et biologique) montrant des améliorations atteignant 20% sur des données de parangonnages issues des challenges DREAM4 et DREAM5.

Dans une vision complémentaire, nous avons également considéré des problèmes de traitements de données plus génériques, tel que les problèmes inverses. Nous avons notamment étudié HOGMep, une méthode Bayesienne résolu par des méthodes variationnelles. Cette approche permet de faire conjointement de la restauration et de la classification/segmentation sur des données multi-composantes (signaux ou images, par exemple). Les performances d'HOGMep, dans un contexte de déconvolution d'images couleurs, ont aussi bien montré des qualités de reconstruction que de segmentation. Une étude préliminaire pour de la classification de données médicales (dans un contexte liant phénotype et génotype) a donné des résultats prometteurs, intuitant des adaptations à venir en bioinformatique.

Rapporteurs :

• Pascal Frossard (EPFL)
• Jean-Philippe Vert (Mines Paris-Tech, ENS)

Examinateurs :

• Stéphane Robin (INRA AgroParisTech)
• Hugues Talbot (ESIEE Paris)

Encadrement :

• Frédérique Bidard-Michelot (IFPEN)
• Camille Couprie (Facebook AI Research)
• Laurent Duval (IFPEN)
• Jean Christophe Pesquet (CentraleSupélec, univ. Paris-Saclay)

http://www-syscom.univ-mlv.fr/~pirayre/PhD.html