Approches hybrides en intelligence artificielle pour l’exploration des systèmes biologiques complexes

Hybrid approaches in artificial intelligence for exploring complex biological systems

• Auteur / Autrice : Jean Freddy Oulia
• Direction : Frédéric Cadet, Cédric Damour
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique
• Date : Soutenance le 02/09/2025
• Etablissement(s) : La Réunion
• Ecole(s) doctorale(s) : École doctorale Sciences, Technologies et Santé (Saint-Denis, La Réunion ; 2010-...)
• Partenaire(s) de recherche : Laboratoire : Dynamique des structures et interactions des macromolécules biologiques (Saint-Denis, Réunion) - Laboratoire d’énergétique, d’électronique et procédés (Saint-Denis, Réunion) - Energy Lab / ENERGY Lab
• Jury : Président / Présidente : Catherine Etchebest
• Jury : Examinateurs / Examinatrices : Catherine Etchebest, Christine Sinoquet
• Jury : Rapporteurs / Rapporteuses : Catherine Etchebest, Christine Sinoquet

Mots clés

Mots clés contrôlés

Apprentissage profond

Intelligence artificielle

Vie artificielle

Modèles mathématiques

Systèmes complexes

Mots clés libres

Apprentissage profond

Modélisation

Bio-Informatique

Données biologiques

Deep Learning

Modeling

Bioinformatics

Biological data

Résumé

Cette thèse explore la complémentarité entre modélisation mécaniste et intelligence artificielle pour décrypter, prédire et contrôler des systèmes biologiques complexes.Nous démontrons, sur la glycolyse d’Entamoeba histolytica, qu’un réseau profond entraîné sur 68 950 conditions synthétiques dépasse les meilleurs algorithmes ML (RMSE ≤ 0,08), établissant la première prédiction intégrale de flux à partir de variations enzymatiques.Nous développons un modèle différentiel du réseau Insulin–TOR–MAPK et, via plus de 10 000 simulations analytiques, montrons qu’une inhibition combinée de cibles clés réduit de façon optimale la synthèse protéique tumorale.Nous évaluons 1 900 configurations CNN 2D pour la prédiction non invasive du statut de méthylation de MGMT à partir d’IRM ; la modalité T2w–coronal offre la meilleure performance (AUC ≈ 0,64), tandis que la multimodalité n’apporte pas de gain significatif. Ces études sont intégrées dans un pipeline hybride associant génération de données in silico, apprentissage profond et modélisation analytique. Nous fournissons des scripts, jeux de données augmentés et un arbre décisionnel guidant le choix méthodologique selon la question et les contraintes de données.Les résultats ouvrent des perspectives pour l’optimisation bio-industrielle (prédiction de rendements métaboliques) et pour la médecine de précision (stratégies thérapeutiques multi-cibles, radiogénomique).Ainsi, la thèse établit qu’un couplage raisonné entre connaissances mécanistiques et IA constitue un levier puissant pour l’investigation et la maîtrise des processus biologiques complexes.

This thesis explores the complementarity between mechanistic modeling and artificial intelligence to decipher, predict and control complex biological systems.We demonstrate, on the Entamoeba histolytica glycolysis, that a deep network trained on 68,950 synthetic conditions outperforms the best ML algorithms (RMSE ≤ 0.08), establishing the first integral flux prediction from enzymatic variations.We develop a differential model of the Insulin-TOR-MAPK network and, via over 10,000 analytical simulations, show that combined inhibition of key targets optimally reduces tumor protein synthesis.We evaluate 1,900 2D CNN configurations for non-invasive prediction of MGMT methylation status from MRI; the T2w-coronal modality offers the best performance (AUC ≈ 0.64), while multimodality brings no significant gain. These studies are integrated into a hybrid pipeline combining in silico data generation, deep learning and analytical modeling. We provide scripts, augmented datasets and a decision tree to guide the methodological choice according to the question and data constraints.