Aller au contenu. | Aller à la navigation

Outils personnels

Navigation
Vous êtes ici : Accueil / Actualités / Soutenances / Elias VENTRE - Equipe Gandrillon

Elias VENTRE - Equipe Gandrillon

Analyse, calibration et évaluation de modèles stochastiques d'expression des gènes
Quand ? Le 28/09/2022,
de 14:30 à 18:00
S'adresser à Equipe Gandrillon - salle D8001 ENS Lyon, bâtiment Buisson
Ajouter un événement au calendrier vCal
iCal

La différenciation est le processus par lequel une cellule acquiert un certain phénotype, par l'expression des gènes au cours du temps. On pense aujourd'hui que cette dynamique résulte principalement de l'action d'un réseau de régulation génique (GRN). Étudier l'action de ce GRN dans les cellules est l'un des buts principaux de la biologie des systèmes. C'est une tâche d'autant plus complexe que, comme l'ont montré les données issues des nouvelles technologies de mesure qui permettent d'obtenir les niveaux d'expression des gènes au sein d'une seule cellule, on observe une grande variabilité entre des cellules dans un environnement donné, même lorsqu' elles ont le même génotype. Cette thèse a pour objet le développement de méthodes mathématiques pour mieux comprendre la dynamique et la structure d'un GRN à partir de données de séquençage sur cellule unique (scRNA-seq). Nous étudions pour cela un processus stochastique modélisant la dynamique d'une cellule par un système de processus de Markov déterministes par morceaux (PDMPs) couplés par un GRN, ainsi que certaines simplifications de ce modèle. Nous montrons dans une première partie comment une analyse utilisant les grandes déviations permet de réduire ce modèle moléculaire en une chaîne de Markov discrète sur un nombre limité de types cellulaires, connectant ainsi la structure du GRN à la dynamique de ces états fonctionnels. Nous utilisons ensuite cette analyse pour développer une méthode de calibration du modèle à partir de séries temporelles de données scRNA-seq. Nous montrons l'efficacité de cette méthode à partir de données simulées, ainsi que l'interprétabilité biologique des résultats obtenus à partir de données expérimentales. Nous développons enfin une méthode d'évaluation du modèle (une fois calibré) par rapport aux données en étudiant le problème de Schrödinger lorsque le processus de référence est un système de PDMPs.