Approches évolutionnaires pour l'apprentissage de réseaux de régulation transcriptionnelle.
Résumé
Nous nous intéressons à l'inférence de réseaux de régulation génétique à partir de données d'expression de gènes. Lorsque seules des données statiques sont disponibles, les intéractions entre génes peuvent être modélisées à l'aide d'un réseau bayésien. Nous proposons des algorithmes évolutionnaires pour optimiser de manière stochastique la structure de ce type de modèle en l'absence de connaissances a priori. Nous présentons plusieurs stratégies d'évolution appropriées et testons ces différentes approches avec des données simulées produites à partir d'un réseau artificiel bio-réaliste de 35 noeuds, le réseau Insuline, précédemment utilisé dans la littérature (Le et al., 2004). Nous comparons les performances d'algorithmes évolutionnaires utilisant trois types d'opérateurs de recombinaison qui s'appliquent à différents niveaux de représentation des solutions candidates. Nous introduisons également une stratégie de niching qui renforce la diversité au sein de la population des modèles candidats, empêchant ainsi que l'algorithme ne soit piégé dans un minimum local. Nous montrons l'effet limité de l'opérateur de mutation lorsque le niching est appliqué. Nous comparons notre meilleure approche évolutionnaire avec divers algorithmes d'apprentissage bien connus (MCMC, K2, recherche gloutonne).