Applications en bioinformatique avec des modèles de Markov

par Sean Robinson

Thèse de doctorat en Modèles, méthodes et algorithmes en biologie, santé et environnement

Sous la direction de Laurent Guyon et de Jaakko Nevalainen.

Soutenue le 01-06-2018

à l'Université Grenoble Alpes (ComUE) en cotutelle avec Turun yliopisto , dans le cadre de École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble) , en partenariat avec Biologie du cancer et de l'infection (Grenoble ; 2010-2020) (laboratoire) .

Le président du jury était Mervi Eerola.

Le jury était composé de Laurent Guyon, Aki Vehtari, Benno Schwikowski.

Les rapporteurs étaient Matti Nykter, Aki Vehtari.

mots clés

• Modèles de Markov
• Biologie cellulaire
• Analyse statistique
• Markov, Processus de
• Cytologie
• Statistique -- Informatique
• Bioinformatique

Résumé

Dans cette thèse nous présentons quatre applications en bioinformatique avec des modèles de Markov. Ces modèles sont particulièrement répandus car la structure Markov permet de modéliser des indépendances conditionnelles complexes tout en permettant une inférence efficace. Nous atteignons une variété d’objectifs tels que l'alignement, la classification, la segmentation et la quantification, par inférence dans différents types de modèles de Markov. De cette manière nous montrons que les modèles de Markov peuvent être utilisés pour générer de nouvelles connaissances dans diverses applications liées à une variété de champs de recherche en biologie.

mots clés

• Markov models
• Cellular biology
• Statistical analysis

Titre traduit

Applications in Bioinformatics with Markov Models

Résumé

In this thesis we present four applications in bioinformatics with Markov models. Such models are especially popular since the Markov structure allows for complex conditional independences to be modelled while still allowing for efficient inference. We achieve a variety of aims, ranging from alignment, classification, segmentation and quantification, through inference in different types of Markov models. In this way we show that Markov models can be used to generate new knowledge in diverse applications relating to multiple domains of biological research.