De nouvelles technologies, notamment les puces à adn, multiplient la quantité de données disponibles pour la biologie moléculaire. dans ce contexte, des méthodes informatiques et mathématiques sont activement développées pour extraire le plus d'information d'un grand nombre de données. en particulier, le problème d'inférence de réseaux de régulation génique a été abordé au moyen de multiples modèles mathématiques et statistiques, des plus basiques (corrélation, modèle booléen ou linéaire) aux plus sophistiqués (arbre de régression, modèles bayésiens avec variables cachées). malgré leurs qualités pour des problèmes similaires, les modèles à noyaux ont été peu utilisés pour l'inférence de réseaux de régulation génique. en effet, ces méthodes fournissent en général des modèles difficiles a interpréter. dans cette thèse, nous avons développé deux façons d'obtenir des méthodes à noyaux interprétables. dans un premier temps, d'un point de vue théorique, nous montrons que les méthodes à noyaux permettent d'estimer, a partir d'un ensemble d'apprentissage, une fonction de transition et ses dérivées partielles de façon consistante. ces estimations de dérivées partielles permettent, sur des exemples réalistes, de mieux identifier le réseau de régulation génique que des méthodes standards. dans un deuxième temps, nous développons une méthode à noyau interprétable grâce à l'apprentissage à noyaux multiples. ce modèle fournit des résultats du niveau de l'état de l'art sur des réseaux réels et des réseaux simulés réalistes. / New technologies in molecular biology, in particular dna microarrays, have greatly increased the quantity of available data. in this context, methods from mathematics and computer science have been actively developed to extract information from large datasets. in particular, the problem of gene regulatory network inference has been tackled using many different mathematical and statistical models, from the most basic ones (correlation, boolean or linear models) to the most elaborate (regression trees, bayesian models with latent variables). despite their qualities when applied to similar problems, kernel methods have scarcely been used for gene network inference, because of their lack of interpretability. in this thesis, two approaches are developed to obtain interpretable kernel methods. firstly, from a theoretical point of view, some kernel methods are shown to consistently estimate a transition function and its partial derivatives from a learning dataset. these estimations of partial derivatives allow to better infer the gene regulatory network than previous methods on realistic gene regulatory networks. secondly, an interpretable kernel methods through multiple kernel learning is presented. this method, called lockni, provides state-of-the-art results on real and realistically simulated datasets.

Thèse de doctorat : Mathématiques : Paris 12 : 2006. / Titre provenant de l'écran-titre. Bibliogr. : 35 réf.

Reproduction de : Thèse de doctorat : Sciences Mathématiques : Faculté des sciences de Paris : 1896. / Titre provenant de la page de titre du document numérisé.

Reproduction de : Thèse de doctorat : Sciences Mathématiques : Faculté des sciences de Paris : 1893. / Titre provenant de la page de titre du document numérisé.

Reproduction de : Thèse de doctorat : Sciences Mathématiques : Faculté des sciences de Paris : 1891. / Titre provenant de la page de titre du document numérisé.

In a large class of modern applications, we have to estimate the initial (or final) state of an infinite-dimensional system (typically a system governed by a Partial Differential Equation) from its partial measurement over some finite time interval. This kind of identification problems arises in medical imaging. For instance, the detection of sick cells (tumor) by thermo-acoustic tomography can be viewed as an initial data reconstruction problem. Some other methods need the identification of a source term, which can be rewritten, under some assumptions, under the form of an initial data reconstruction problem. In this thesis, we are dealing with the reconstruction of the initial state of a system of evolution, working as much as possible on the infinite-dimensional system, using the new algorithm developed by Ramdani, Tucsnak and Weiss (Automatica 2010). We perform in particular the numerical analysis of the algorithm in the case of Schrödinger and wave equations, with internal observation. We study the suitable functional spaces for its use in Maxwell’s equations, with internal and boundary observation. In the last chapter, we try to extend the framework of this algorithm when the initial system is perturbed or when the inverse problem is ill-posed, with application to thermoacoustic tomography.

Thèse de doctorat : Mathématiques : Mathématiques pures : Metz : 2006. / Thèse soutenue sur ensemble de travaux. Bibliogr. p. 101-102.

info:eu-repo/semantics/nonPublished

Ma recherche est consacrée à l'étude des équations et des systèmes d'équations aux dérivées partielles non-linéaires elliptiques et paraboliques et à leurs applications. Mes travaux s'articulent autour des thèmes suivants :<br /><br />-Théorie générale des EDP complètement non-linéaires et solutions de viscosité d'EDP ;<br />-Estimations elliptiques et théorie de la régularité pour systèmes d'EDP elliptiques sous forme non divergence ; <br />-Méthodes variationnelles pour la résolution d'EDP de la physique quantique - équation de Schrodinger et systèmes d'équations de Schrodinger ;<br />-Estimations à priori et méthodes topologiques pour la résolution d'EDP et de systèmes d'EDP elliptiques ; <br />-Symétrie et monotonie des solutions positives d'EDP et de systèmes d'EDP dans des domaines non bornés ;<br />-Problèmes aux limites surdéterminés et problèmes à frontière libre.

Diss.--Math.--Universität Mannheim, 2001. / Résumé en allemand. Bibliogr. p. 113-115.