Localisation d'ARN non-codants par réseaux de contraintes pondérées

par Matthias Zytnicki

Thèse de doctorat en Informatique

Sous la direction de Thomas Schiex et de Christine Gaspin.

Soutenue en 2007

à Toulouse 3 .

mots clés

• Intelligence artificielle
• Réseaux de contraintes pondérées
• Propriétés de cohérence locale
• Bio-informatique
• Analyse de séquence
• ARN non-codants
• ARN messagers
• Contraintes (intelligence artificielle)
• Cohérence (informatique)
• Bioinformatique

Résumé

La recherche d'ARN non-codants (ARNnc) a reçu un regain d'intérêt suite à la découverte de nouveaux types d'ARNnc aux fonctions multiples. De nombreuses techniques ont été développées pour localiser ces ARN dans des séquences génomiques. Nous utilisons ici une approche supposant la connaissance d'un ensemble d'éléments de structure discriminant une famille d'ARNnc appelé signature. Dans cette approche, nous combinons plusieurs techniques de pattern-matching avec le formalisme des réseaux de contraintes pondérées afin de modéliser simplement le problème, de décrire finement les signatures et d'attribuer un coût à chaque solution. Nos travaux nous ont conduit à élaborer plusieurs techniques de filtrage ainsi que des algorithmes de pattern-matching originaux que nous présentons ici. Nous avons de plus conçu un logiciel, appelé DARN!, qui implante notre approche, ainsi qu'un module de génération de signatures. Ceux-ci permettent de rechercher efficacement de nouveaux ARNnc.

Titre traduit

Sequence kernels for speaker verification using support vector machines (SVM)

Résumé

Following recent discoveries about the several roles of non-coding RNAs (ncRNAs), there is now great interest in identifying these molecules. Numerous techniques have been developed to localize these RNAs in genomic sequences. We use here an approach which supposes the knowledge of a set of structural elements called signature that discriminate an ncRNA family. In this work, we combine several pattern-matching techniques with the weighted constraint satisfaction problem framework. Together, they make it possible to model our biological problem, to describe accurately the signatures and to give the solutions a cost. We conceived filtering techniques as well as novel pattern-matching algorithms. Furthermore, we designed a software called DARN! that implements our approach and another tool that automatically creates signatures. These tools make it possible to localize efficiently new ncRNAs.