Vérification formelle et apprentissage logique pour la modélisation qualitative à partir de données single-cell

Formal verification and automatic learning of logic programs for qualitative modeling with single-cell data

• Auteur / Autrice : Samuel Buchet
• Direction : Morgan Magnin, Olivier Roux
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 14/03/2022
• Etablissement(s) : Ecole centrale de Nantes
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Numérique de Nantes (2017-....)
• Jury : Président / Présidente : Philippe Dague
• Jury : Examinateurs / Examinatrices : Morgan Magnin, Olivier Roux, Philippe Dague, Madalena Chaves, Jean-Paul Comet, Sabine Pérès
• Jury : Rapporteurs / Rapporteuses : Madalena Chaves, Jean-Paul Comet

Mots clés

Mots clés contrôlés

Biologie systémique

Apprentissage automatique

Modélisation des données (informatique)

Information génétique

Cellules

Mots clés libres

Biologie des systèmes

Réseaux de régulation génétique

Séquençage single-cell

Modèles qualitatifs

Méthodes formelles

Apprentissage automatique

Systems biology

Genetic regulatory networks

Single-cell sequencing

Qualitative models

Formal methods

Machine learning

Résumé

La compréhension des mécanismes cellulaires à l’œuvre au sein des organismes vivants repose généralement sur l’étude de leur expression génétique. Cependant, les gènes sont impliqués dans des processus de régulation complexes et leur mesureest difficile à réaliser. Dans ce contexte, la modélisation qualitative des réseaux de régulation génétique vise à établir la fonction de chaque gène à partir de la modélisation discrète d’un réseau d’interaction dynamique. Dans cette thèse, nous avons pour objectif de mettre en place cette approche de modélisation à partir des données de séquençage single-cell. Ces données se révèlent en effet intéressantes pour la modélisation qualitative, car elles apportent une grande précision et peuvent être interprétées de manière dynamique. Nous développons ainsi une méthode d’inférence de modèles qualitatifs basée sur l’apprentissage automatique de programmes logiques. Cette méthode est mise en œuvre sur des données single-cell et nous proposons plusieurs approches pour interpréter les modèles résultants en les confrontant avec des connaissances préétablies

The understanding of cellular mechanisms occurring inside human beings usually depends on the study of its gene expression.However, genes are implied in complex regulatory processes and their measurement is difficult to perform. In this context, the qualitative modeling of gene regulatory networks intends to establish the function of each gene from the discrete modeling of a dynamical interaction network. In this thesis, our goal is to implement this modeling approach from single-cell sequencing data. These data prove to be interesting for qualitative modeling since they bring high precision, and they can be interpreted in a dynamical way. Thus, we develop a method for the inference of qualitative models based on the automatic learning of logic programs. This method is applied on a single-cell dataset, and we propose several approaches to interpret the resulting models by comparing them with existing knowledge.