University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
2 résultat(s) recherche sur le mot-clé 'Règles d’Association'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Titre : Modeling of gene regulatory network using Convolutional Neural Network Type de document : texte imprimé Auteurs : Chaima Boukherouata ; Balsem Chahinez Messouaf ; Fatiha Brahim salem, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1vol (74 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatic Gene Regulatory Networks Deep Learning Autoencoder Réeseaux de Réegulation Génétique apprentissage
profond Autoencodeur Régles d’associationIndex. décimale : 004 - Informatique Résumé : Abstract
understanding the intricate relationships between genes and their regulatory
networks is very important for unraveling the complex mechanisms
that govern cellular processes. In this study, we propose a novel approach
that employs autoencoders, a type of deep learning algorithm, to model gene
regulatory networks and reveal the hidden interactions among genes. This
approach has the potential to advance our understanding of gene regulation
and facilitate the discovery of novel therapeutic targets and biomarkers in
various biological systems. Autoencoders are neural networks that learn to
compress and reconstruct high-dimensional data, thereby capturing essential
features and patterns within the gene expression profiles. Add to that, we
look for association rules between the genes that are expressed. A representation
and validation of the results, as well as a biological interpretation of
the extracted knowledge, will then be provided, which will help biologists to
understand the stages of development of living organisms = Comprendre les relations complexes entre les gènes et leurs réseaux de régulation
est tr`es important pour démêler les mécanismes complexes qui régissent les
processus cellulaires. Dans cette étude, nous proposons une nouvelle approche
qui utilise des autoencodeurs, un type d’algorithme d’apprentissage
profond, pour modéliser les réseaux de régulation des gènes et révéler les
interactions cachées entre les gènes. Cette approche a le potentiel de faire
progresser notre compréhension de la régulation génétique et de faciliter la
découverte de nouvelles cibles thérapeutiques et biomarqueurs dans divers
systèmes biologiques. Les auto-encodeurs sont des réseaux neuronaux qui
apprennent `a compresser et reconstruire des données de grande dimension,
capturant ainsi des caractéristiques et des modèles essentiels dans les profils
d’expression des gènes. En plus de cela, nous cherchons des règles d’association
entre les gènes qui sont exprimés. Une représentation et une validation des
résultats, ainsi qu’une interprétation biologique des connaissances extraites,
seront ensuite fournies, ce qui aidera les biologistes `a comprendre les stades
de développement des organismes vivants.
Côte titre : MAI/0760 En ligne : https://drive.google.com/file/d/1uU8VK6PgQQwuIReRp2YB7VhJZu0Yw_4Y/view?usp=drive [...] Format de la ressource électronique : Modeling of gene regulatory network using Convolutional Neural Network [texte imprimé] / Chaima Boukherouata ; Balsem Chahinez Messouaf ; Fatiha Brahim salem, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1vol (74 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatic Gene Regulatory Networks Deep Learning Autoencoder Réeseaux de Réegulation Génétique apprentissage
profond Autoencodeur Régles d’associationIndex. décimale : 004 - Informatique Résumé : Abstract
understanding the intricate relationships between genes and their regulatory
networks is very important for unraveling the complex mechanisms
that govern cellular processes. In this study, we propose a novel approach
that employs autoencoders, a type of deep learning algorithm, to model gene
regulatory networks and reveal the hidden interactions among genes. This
approach has the potential to advance our understanding of gene regulation
and facilitate the discovery of novel therapeutic targets and biomarkers in
various biological systems. Autoencoders are neural networks that learn to
compress and reconstruct high-dimensional data, thereby capturing essential
features and patterns within the gene expression profiles. Add to that, we
look for association rules between the genes that are expressed. A representation
and validation of the results, as well as a biological interpretation of
the extracted knowledge, will then be provided, which will help biologists to
understand the stages of development of living organisms = Comprendre les relations complexes entre les gènes et leurs réseaux de régulation
est tr`es important pour démêler les mécanismes complexes qui régissent les
processus cellulaires. Dans cette étude, nous proposons une nouvelle approche
qui utilise des autoencodeurs, un type d’algorithme d’apprentissage
profond, pour modéliser les réseaux de régulation des gènes et révéler les
interactions cachées entre les gènes. Cette approche a le potentiel de faire
progresser notre compréhension de la régulation génétique et de faciliter la
découverte de nouvelles cibles thérapeutiques et biomarqueurs dans divers
systèmes biologiques. Les auto-encodeurs sont des réseaux neuronaux qui
apprennent `a compresser et reconstruire des données de grande dimension,
capturant ainsi des caractéristiques et des modèles essentiels dans les profils
d’expression des gènes. En plus de cela, nous cherchons des règles d’association
entre les gènes qui sont exprimés. Une représentation et une validation des
résultats, ainsi qu’une interprétation biologique des connaissances extraites,
seront ensuite fournies, ce qui aidera les biologistes `a comprendre les stades
de développement des organismes vivants.
Côte titre : MAI/0760 En ligne : https://drive.google.com/file/d/1uU8VK6PgQQwuIReRp2YB7VhJZu0Yw_4Y/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0760 MAI/0760 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleDeep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique / Rim Chemsse Rezig
Titre : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique Type de document : texte imprimé Auteurs : Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse Année de publication : 2023 Importance : 1 vol (95 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Deep learning et modélisation de l’incertain pour la compression des données imprécises d’expression génétique [texte imprimé] / Rim Chemsse Rezig, Auteur ; Aicha Haddad, Auteur ; Noureddine Mekroud, Directeur de thèse . - 2023 . - 1 vol (95 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep Learning Bio-informatique Images d’Expression Génétique Modèles génératifs Théorie de l’incertain Règles d’Association Bioinformatics Gene Expression Images Generative Models Uncertain Theory Association Rules. Index. décimale : 004 Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus étudiées, vu l’importance vitale des connaissances que cachent ces données très volumineuses et hétérogènes et à caractère parfois incertain et imprécis. Une réduction fiable des dimensions des données étudiées réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la qualité de ses résultats. Aussi, introduire les théories de modélisation sous l’incertain (comme la logique floue, possibiliste et évidentielle) est très bénéfique pour assurer une représentation formelle des données biologiques fidèle à la leur réalité.
Dans cette perspective, l’approche proposée est basée sur la modélisation (via les théories de l’incertain) des séquences d’images représentant les zones expressions génétiques lors des phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ». Pour augmenter le nombre de ces images, nous proposons une méthode adéquate à leur contenu basée sur les modèles génératifs. Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences d’image est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via l’algorithme Apriori adapté à la logique évidentielle) les items-sets les plus fréquents qui représentent les gènes qui co-expriment durant les phases de développement de l’embryon de cette espèce. Une interprétation biologique des résultats des deux modélisations proposées (floue et possibiliste) sera ensuite fournie. Les connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants qui cache toujours des secrets=Derived from real-world observations, biological data is one of the most extensively studied types of data, given the vital importance of the knowledge hidden within these voluminous, heterogeneous, uncertain, and sometimes imprecise data. Reliable dimension reduction of the studied data will decrease the complexity of any utilized learning algorithm and help improve the quality of its results. Additionally, introducing modeling theories under uncertainty, such as fuzzy, possibilistic, and evidential logic, is highly beneficial for ensuring a formal representation of biological data that remains faithful to its reality.
In this regard, the proposed approach is based on modeling (using uncertain theories) sequences of images representing genetic expression zones during the growth phases of the "Edinburgh Mouse" model species embryo. To increase the number of these images, we propose a content-based method based on generative models. Subsequently, the extraction of the most relevant features from these image sequences is ensured through a Convolutional Autoencoder. Finally, using the Apriori algorithm adapted to evidential logic, the most frequent itemsets representing co-expressed genes during the developmental phases of this embryo species are extracted. A biological interpretation of the results from the two proposed models (fuzzy and possibilistic) will be provided. The extracted knowledge will assist biologists in better understanding the genome of living organisms, which always harbors secrets
Côte titre : MAI/0770 En ligne : https://drive.google.com/file/d/1cjWyNeTJcpzi6zk-ebSAjmjGvod3Nqyr/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0770 MAI/0770 Mémoire Bibliothéque des sciences Français Disponible
Disponible