Note publique d'information : [Résumé en français] Dans cette thèse, nous abordons le défi de l'inférence de la
structure de réseaux de régulation génétique. Sur la base de jeux de données de transcriptome,
il s'agit d'inférer les mécanismes de régulation sous-jacents : connaître, pour chaque
gène, les facteurs de transcription régulant son expression, et surtout quels sont
les modes de coopération/concurrence qui opèrent lorsque plusieurs régulateurs agissent
sur un même gène cible. Pour répondre à ce problème, nous avons proposé une méthode
originale LICORN, capable d'apprendre des réseaux locaux de régulation coopérative.
Une suite d'analyses biologiques et statistiques systématique ainsi qu'un système
d'extraction de modules de gènes ont été développés pour évaluer la pertinence et
exploiter les résultats appris par notre système. LICORN a été évalué et validé en
premier lieu sur la levure, l'organisme eucaryote le plus simple et donc le mieux
connu, et puis sur des données de transcriptome d'organismes plus complexes, l'homme
Note publique d'information : [Résumé en anglais] In this dissertation, we address the challenge of reconstructing
gene regulation from gene expression data. Our goal is to identify, for each gene
expressed in a particular context, the regulators affecting its transcription, and
the co-ordination of several regulators in specific types of regulation. To answer
this challenge, we propose a data mining system for inferring transcriptional regulation
relationships from RNA expression values. This system is particularly suitable for
the detection of co-operative transcriptional regulation. We also evaluate the statistical
significance of such inferred networks and validate our methods on public yeast expression
data sets. Then, we extend our approche to scaling to the much more complex case of
human epithelial tissue. Finally, we introduce a method to cluster genes into functional
modules given their transcriptional structure, inferred as a first step from gene
expression data.