Home » Évènement
équipe MéForBio

Soutenance de thèse de Honglu SUN

Honglu SUN, doctorant au sein de l’équipe MeForBio, soutiendra sa thèse intitulée :

« Identifier et analyser les comportements dynamiques à long terme des réseaux de régulation génétique à l’aide de modélisation hybride »  /  « Identifying and Analyzing Long-term Dynamical Behaviors of Gene Regulatory Networks with Hybrid Modeling »

Le lundi 18 décembre à 10h, dans l’amphi S (bâtiment S), Centrale Nantes

Résumé : Utiliser des modèles dynamiques pour révéler les propriétés dynamiques des réseaux de régulation des gènes peut nous aider à mieux comprendre la nature de ces systèmes biologiques et à développer nouveaux traitements médicaux. Dans cette thèse, nous nous concentrons sur une classe de systèmes dynamiques hybrides appelés réseaux de régulation des gènes hybrides (HGRN) et visons à analyser les propriétés dynamiques à long terme. Nous proposons des méthodes pour trouver des cycles limites et analyser leur stabilité, et pour analyser l’accessibilité dans HGRNs. Ceci est suivi d’une étude plus approfondie de certains réseaux d’intérêt pour la biologie des systèmes: Les répressilateurs, et nous trouvons des conditions pour l’existence d’oscillations soutenues dans le répressilateur canonique en dimension 3, et des conditions, décrites par les caractéristiques topologiques des réseaux, pour l’existence d’un attracteur périodique dans les répressilateurs discrets en dimension 4. En résumé, cette thèse propose de nouvelles méthodes pour analyser certaines propriétés des HGRNs qui n’ont pas été étudiées auparavant, par exemple la stabilité des cycles limites à N dimensions, l’accessibilité, etc. Les résultats pourront être développés à l’avenir pour étudier d’autres grands réseaux complexes.

Mots-clés : Modélisation hybride, Cycle limite, Accessibilité, Répressilateur, Attracteur, Réseaux de régulation des gènes

——

Abstract: Using dynamical models to reveal dynamical properties of gene regulatory networks can help us better understand the nature of these biological systems and develop new medical treatments. In this thesis, we focus on a class of hybrid dynamical systems called Hybrid Gene Regulatory Network (HGRN) and aim to analyze long-term dynamical properties. We propose methods to find limit cycles and analyze their stability, and to analyze the reachability in HGRNs. This is followed by a deeper study of some networks of interest for Systems Biology: The repressilators, and we find conditions for the existence of sustained oscillations in the 3-dimensional canonical repressilator, and conditions, which are described by topological features of the networks, for the existence of a periodic attractor in discrete 4-dimensional repressilators. In summary, this thesis proposes new methods to analyze some properties of HGRNs that were not investigated before, for instance, the stability of N-dimensional limit cycles, the reachability, etc. The results can be further developed in the future to study other large complex networks.

Keywords: Hybrid modeling, Limit cycle, Reachability, Repressilator, Attractor, Gene regulatory networks

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

Tony Ribeiro remporte le best paper award à la conférence internationale ILP

Posted on by Laurence DRANT

Tony Ribeiro, post-doc au sein de l’équipe MeForBio dans le cadre d’un projet collaboratif franco-japonais co-financé par le National Institute of Informatics (NII, à Tôkyô) et le RFI Atlanstic 2020, a obtenu le « best paper award » à la conférence internationale ILP (International Conference on Inductive Logic Programming). Il s’agit d’une conférence de référence dans le domaine de la programmation logique inductive, sous-domaine de l’intelligence artificielle. Elle a cette année été intégrée à la conférence IJCLR (International Joint Conference on Learning & Reasoning). 

Tony a démarré ce travail l’an dernier en partant 6 mois au NII dans l’équipe de Katsumi Inoue, et l’a concrétisé par un article tout juste accepté dans la revue « Machine Learning Journal ». Il l’a poursuivi au cours de son post-doc au sein de l’équipe MeForBio depuis janvier 2021. 
Sa contribution se situe dans le domaine de l’apprentissage de modèles dynamiques explicables de systèmes biologiques. Jusqu’alors, pour construire un modèle discret à partir de données de séries temporelles (par exemple des données d’expression génétique en fonction du temps), il fallait faire une hypothèse préalable sur le mode de mise à jour du modèle. Cette question des modes de mise à jour est au coeur de nombreuses recherches, et parmi les plus connus figurent les modes de mise à jour synchrone (plusieurs variables du modèle sont mises à jour simultanément) ou asynchrone (une unique variable peut être mise à jour). 
Dans cet article de 62 pages (“Learning any memory-less discrete semantics for dynamical systems represented by logic programs”, pre-print accessible sur https://hal.archives-ouvertes.fr/hal-02925942/), Tony a proposé avec ses co-auteurs un algorithme permettant d’apprendre un modèle logique à partir de données de séries temporelles sans faire d’hypothèse préalable sur le mode de mise à jour du modèle. Cet algorithme est accompagné d’une implémentation pratique, disponible sous la forme d’une API Python accessible à tous. L’apport de cette contribution a été reconnue tant par l’acceptation de cet article dans Machine Learning Journal (https://www.springer.com/journal/10994 – revue classée Q1 dans Scimago https://www.scimagojr.com/journalsearch.php?q=24775&tip=sid&clean=0) que par l’obtention de ce « best paper award ».  

Utopiales 2019 : CODER / DECODER !

La 20ème édition des Utopiales, qui aura lieu du 31 octobre au 3 novembre 2019 abordera le thème Coder/Décoder !

Mais qu’est-ce que le code, que sont les codes ? S’agit-il seulement de systèmes plus ou moins construits, plus ou moins délibérés, visant à transporter un contenu qu’on espère pertinent vers un interlocuteur ? Ou alors, ces codes sont-ils également, schémas invisibles et indispensables, la structure de l’ADN de nos sociétés, de nos œuvres comme celui de nos corps ?

De la partition de La Neuvième Symphonie au C++ (code de programmation), des IA au big data, des équations qui décrivent le monde aux algorithmes qui le transforment, du langage des abeilles à la langue des signes ou au braille, du chiffre de César à Enigma, des langues mortes à l’esperanto ou au klingon, des stéréotypes genrés aux archétypes du récit… Artistes, auteurs et autrices, scientifiques, pertinent.e.s et impertinent.e.s, vont déchiffrer pour nous les structures cachées de la société, du langage, de l’information et de la création. Plus d’infos.

Notons la présence exceptionnelle de Gilles Dowek au travers de plusieurs événements : la machine à différences, la vérité, la puissance de l’algorithme…

Pierre-Antoine Gourraud, partenaire régulier du labo, interviendra le 1er novembre à 10h pour parler de la « méchante IA ».

Soutenance de thèse de Xinwei CHAI (équipe MéForBio)

Xinwei CHAI, doctorant au sein de l’équipe MéForBio, soutiendra sa thèse intitulée « Reachability Analysis and Revision of Dynamics of Biological Regulatory Networks » / « Analyse d’accessibilité et révision de la dynamique dans les réseaux de régulations biologiques »

vendredi 24 mai 2019 à 10h, dans l’amphi du bâtiment S sur le site de l’École Centrale de Nantes.

Jury :
– M. BERNOT Gilles, Professeur des universités / Université Côte d’Azur, Sophia Antipolis
– Mme DUVAL Béatrice, Professeur des universités / Université d’Angers
– Mme LE GALL Pascale, Professeur des universités / CentraleSupélec, Gif sur Yvette
– M. MAGNIN Morgan, Professeur des universités / École Centrale de Nantes
– M. PAULEVÉ Loïc, Chargé de recherche / Université de Bordeaux
– M. ROUX Olivier, Professeur des universités / École Centrale de Nantes

Résumé

Samuel Buchet anime le compte Twitter « En direct du labo »

Samuel Buchet, doctorant au sein de l’équipe MéForBio, et actuellement en stage au NII à Tokyo, a pris la main sur le compte Twitter « En direct du labo » pendant la semaine du 1er au 5 avril 2019. Son fil Twitter, très riche, traite de vulgarisation scientifique, enseignement, modèles logiques, systèmes biologiques, publications, et bien entendu de la vie d’un doctorant en général.

Très instructif !

 

Soutenance de thèse de Emma BEN ABDALLAH (équipe MéForBio)

Emna Ben Abdallah soutiendra sa thèse intitulée « Etude de la dynamique des réseaux biologiques : apprentissage des modèles, intégration des données temporelles et analyse formelle des propriétés dynamiques » / Study of the dynamics of biological networks: learning models, time data integration and model checking analysis.

jeudi 7 décembre à 10h dans l’amphi du bât. S, sur le site de Centrale Nantes.

Jury : Olivier Roux (directeur de thèse), Morgan Magnin (co directeur), Hanna Klaudel (rapporteur, IBISC), Sylvain Sené (rapporteur, LIF), Laurent Trilling (TIMC IMAG), Franck Delaunay (iBV)

Résumé :
Au cours des dernières décennies, l’émergence d’une large gamme de nouvelles technologies a permis de produire une quantité massive de données biologiques (génomique, protéomique…). Ainsi, une grande quantité de données de séries temporelles est maintenant élaborée tous les jours. Nouvellement produites, ces données peuvent nous fournir des nouvelles interprétations sur le comportement des Systèmes Biologiques (SB). Cela conduit alors à des développements considérables dans le domaine de la bioinformatique qui peuvent tirer profit de ces données. Ceci justifie notre motivation pour le développement de méthodes efficaces qui exploitent ces données pour l’apprentissage des Réseaux de Régulation Biologique (RRB) modélisant les SB. Nous introduisons alors, dans cette thèse, une nouvelle approche qui infère des RRB à partir des données de séries temporelles. Les RRB appris sont présentés avec un nouveau formalisme, introduit dans cette thèse, appelé  » réseau d’automates avec le temps » (T-AN). Ce dernier assure le raffinement de la dynamique des RRB, modélisés avec le formalisme des réseaux d’automates (AN), grâce à l’intégration d’un paramètre temporel (délai) dans les transitions locales des automates. Cet enrichissement permet de paramétrer les transitions entre les états locaux des automates et aussi entre les états globaux du réseau.
À posteriori de l’apprentissage des RRB, et dans le but d’avoir une meilleure compréhension de la nature du fonctionnement des SB, nous procédons à l’analyse formelle de la dynamique des RRB. Nous introduisons alors des méthodes logiques originales (développées en Answer Set Programming) pour déchiffrer l’énorme complexité de la dynamique des SB. Les propriétés dynamiques étudiées sont : l’identification des attracteurs (ensemble d’états globaux terminaux dont le réseau ne peut plus s’échapper) et la vérification de la propriété d’atteignabilité d’un objectif (un ensemble de composants) à partir d’un état global initial du réseau.

Mots clés : réseaux de régulation biologique, systèmes complexes, réseaux d’automates, réseaux d’automates avec le temps, apprentissage des modèles, analyse formelle, atteignabilité, attracteurs, Answer Set Programming

*********

Abstract: Over the last few decades, the emergence of a wide range of new technologies has produced a massive amount of biological data (genomics, proteomics…). Thus, a very large amount of time series data is now produced every day. The newly produced data can give us new ideas about the behaviour of biological systems. This leads to considerable developments in the field of bioinformatics that could benefit from these enormous data. This justifies the motivation to develop efficient methods for learning Biological Regulatory Networks (BRN) modelling a biological system from its time series data. Then, in order to understand the nature of system functions, we study, in this thesis, the dynamics of their BRN models. Indeed, we focus on developing original and scalable logical methods (implemented in Answer Set Programming) to deciphering the emerging complexity of dynamics of biological systems. The main contributions of this thesis are enumerated in the following. (i) Refining the dynamics of the BRN, modelling with the automata Network (AN) formalism, by integrating a temporal parameter (delay) in the local transitions of the automata. We call the extended formalism a Timed Automata Network (T-AN). This integration allows the parametrization of the transitions between each automata local states as well as between the network global states. (ii) Learning BRNs modelling biological systems from their time series data. (iii) Model checking of discrete dynamical properties of BRN (modelling with AN and T-AN) by dynamical formal analysis: attractors identification (minimal trap domains from which the network cannot escape) and reachability verification of an objective from a network global initial state.

Key words: Biological Regulatory Networks, Dynamical analysis, Learning models, Automata Networks, Inference and Revision of Delayed Biological Systems, Answer Set Programming.

Copyright : LS2N 2017 - Mentions Légales - 
 -