Soutenance de thèse Samuel BUCHET (équipe MéForBio)

Samuel BUCHET, doctorant au sein de l’équipe MéForBio, soutiendra sa thèse intitulée « 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« 

Le 14 mars 2022, à 10h, dans l’amphithéâtre du bâtiment S sur le campus de Centrale Nantes.

Elle sera également retransmis via Zoom.

Jury :

Directeur de thèse : Morgan Magnin

Co-directeur : Olivier Roux

Rapporteurs : Madalena Chaves (directrice de recherche, INRIA Sophia Antipolis-Mediterranée) ; Jean-Paul Comet (professeur, I3S, Université Côte d’Azur)

Autres membres : Philippe Dague (professeur émérite, LRI, Université Paris Saclay) ; Sabine Peres (professeur, LBBE, Université de Lyon 1)

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 mesure est 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.

Mots-clés : biologie des systèmes, réseaux de régulation génétique, séquençage single-cell, modèles qualitatifs, méthodes formelles, apprentissage automatique

Abstract:

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.

Keywords: systems biology, genetic regulatory networks, single-cell sequencing, qualitative models, formal methods, machine learning