Analyse de processus stochastiques pour la génomique : étude du modèle MTD et inférence de réseaux bayésiens dynamiques

Informations générales
Nom
Lèbre
Prénom
Sophie
Diplôme
Thèse
Année
2007
Détails de la thèse/HDR
Université
Jury
Sylvie Huet
Korbinian Strimmer
Hidde Jong
Jacques Istas
Catherine Matias
Directeur (pour les thèses)
Bernard Prum
Résumé en français
Cette thèse est consacrée au développement de méthodes statistiques et algorithmiques pour l’analyse de séquences d’ADN et de données temporelles d’expression de gènes.
 
Nous étudions tout d’abord un modèle parcimonieux de mélange de transition markoviennes (MTD) et introduisons un algorithme EM pour son estimation. Nous présentons ensuite deux approches pour la reconstruction de réseaux génétiques utilisant des réseaux bayésiens dynamiques (DBN). Les dépendances sont décrites par un graphe orienté dont on cherche à estimer la topologie malgré le très faible nombre de mesures par rapport au nombre de gènes observés. Nous supposons d’abord une topologie fixe au cours du temps, approchons ce graphe en considérant des dépendances d’ordre partiel et développons une procédure déterministe d’inférence de DBN. Nous considérons ensuite un modèle de régression à ruptures multiples définissant une suite de phases homogènes. La position des points de rupture et la structure de chaque phase sont estimées simultanément grâce à une procédure MCMC à sauts réversibles.