Développements d’algorithmes d'apprentissage machine pour l'analyse automatique de données biophysiques de haute résolution
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Duciel, Laura
Date de soutenance : 23-09-2022

Directeur(s) de thèse : Delsuc, Marc-André

Président : Malliavin, Thérèse
Rapporteur(s) : Malliavin, Thérèse - Van der Rest, Guillaume
Membre(s) du jury : Carapito, Christine

Établissement de soutenance : Strasbourg
Laboratoire : Institut de génétique et de biologie moléculaire et cellulaire (Strasbourg)
École doctorale : École doctorale des Sciences de la vie et de la santé (Strasbourg ; 2000-....)
 
Discipline : Biotechnologies
Classification : Sciences de la vie, biologie, biochimie, Informatique

Mots-clés libres : Spectrométrie de masse, Résonance magnétique nucléaire, Apprentissage automatique, Big Data, Automatisation
Mots-clés :
  • Biophysique - Informatique
  • Apprentissage automatique
  • Spectrométrie de masse
Résumé : La spectrométrie de masse (MS) et la résonance magnétique nucléaire (RMN) sont deux techniques courantes en biologie avec de nombreuses applications pharmaceutiques, environnementales ou moléculaires. La taille des données ne cesse d'augmenter et il devient difficile de les analyser manuellement. De nouveaux outils pour automatiser le traitement et l'analyse sont nécessaires. Le Machine et le Deep Learning (ML/DL) sont les principaux outils disponibles pour l'automatisation dans ce domaine. Le ML comprend différents algorithmes de régression, clustering, classification ou réduction de la dimensionnalité. Ces algorithmes construisant un modèle afin de prédire à partir de données sont principalement utilisés pour l'analyse de big data. Les algorithmes DL sont un type spécifique d'algorithmes ML dans lesquels l'extraction des caractéristiques à analyser est automatisée. Ces outils sont ici appliqués aux domaines de la RMN et de la MS à travers différents projets de la thèse de doctorat.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2022STRAJ065
Type de ressource : Thèse