Reachability Analysis and Revision of Dynamics of Biological Regulatory Networks

Analyse d'accessibilité et révision de la dynamique dans les réseaux de régulations biologiques

Xinwei Chai (1, 2)

1 LS2N - Laboratoire des Sciences du Numérique de Nantes
2 LS2N - équipe MéForBio - Méthodes Formelles pour la Bioinformatique

Concurrent systems have been of interest for decades. With their simple but expressive semantics, concurrent systems become a good choice to fit the data and analyze the underlying mechanics. However, learning and analyzing such concurrent systems are computationally difficult. When dealing with big data sets, the state-of-the-art techniques appear to be insufficient, either in term of efficiency or in term of precision. In this thesis, we propose a refined modeling framework ABAN (Asynchronous Binary Automata Network) and develop reachability analysis techniques based on ABAN: PermReach (Reachability via Permutation search) and ASPReach (Reachability via Answer Set Programming). Then we propose two model learning/constructing methods: CRAC (Completion via Reachability And Correlations) and M2RIT (Model Revision via Reachability and Interpretation Transitions) using respectively continuous and discrete data to fit the model and using reachability properties to constrain the output models. Chapter 1 states briefly the background and the contribution of our research. Chapter 2 introduces the state of the art on modeling frameworks, model checkers, different update schemes of modelings and model learning techniques. Some of them are referenced in the following chapters. Chapter 3 presents our modeling framework and its related reachability analyzers based on static analysis. We focus on the inconclusive cases of pure static analysis and extract the key components preventing from a direct solution. We then apply heuristics on these components, solving them with a limited search to reach a more conclusive result of the reachability problem. Chapter 4 presents the methodology of model learning. Our model learners CRAC and M2RIT perform in fact model selection. They choose a model from the candidates satisfying the provided reachability constraints. However the number of candidate models can be exponential, our model learners can shrink the search space with constraints when generating the models. Chapter 5 shows some comparative and exploratory tests and their results on the methods presented in Chapter 3 and Chapter 4. PermReach and ASPReach are more efficient than traditional model checkers on the reachability analysis and they perform a more conclusive analysis while holding the running time in the same scale as pure static analyzers have. Chapter 6 concludes the thesis and proposes some possible future work.

Les systèmes concurrents présentent un intérêt depuis des décennies. Avec leur sémantique simple mais expressive, les systèmes concurrents deviennent un bon choix pour ajuster les données et analyser les mécanismes sous-jacents. Cependant, l'apprentissage et l'analyse de tels systèmes concurrents sont difficiles pour ce qui concerne les calculs. Lorsqu'il s'agit de grands ensembles de données, les techniques les plus récentes semblent insuffisantes, que ce soit en termes d'efficacité ou de précision. Dans cette thèse, nous proposons un cadre de modélisation raffiné ABAN (Asynchronous Binary Automata Network) et développons des techniques d'analyse d'atteignabilité basées sur ABAN: PermReach (Reachability via Permutation search) et ASPReach (Reachability via Answer Set Programming). Nous proposons ensuite deux méthodes de construction et d'appren-tissage des modèles: CRAC (Completion via Reachability And Correlations) et M2RIT (Model Revision via Reachability and Interpretation Transitions) en utilisant respectivement des données continues et discrètes pour s'ajuster au modèle et des propriétés d'accessibilité afin de contraindre les modèles résultants. Le chapitre 1 décrit brièvement le contexte et la contribution de nos recherches. Le chapitre 2 présente l'état de l'art des modélisations, des model checkers, des différentes dynamiques associé aux modès et les techniques d'apprentissage des modèles. Certains d'entre eux sont référencés dans les chapitres suivants. Le chapitre 3 présente notre cadre de modélisation et ses analyseurs d'accessibilité associés, qui sont basés sur l'analyse statique. Nous nous concentrons sur les cas non concluants d'analyse statique pure et extrayons les composants clés empêchant une solution directe. Nous appliquons ensuite des heuristiques sur ces composants, en les résolvant avec une recherche limitée pour obtenir un résultat plus concluant du problème d'accessibilité. Le chapitre 4 présente la méthodologie de l'apprentissage par modèle. Nos systèmes de construction de modèles par apprentissage CRAC et M2RIT effectuent en fait une sélection des modèles. Ils choisissent un modèle parmi les candidats qui satisfont à toutes les contraintes d'accessibilité données. Cependant, le nombre de modèles candidats pouvant être de très grande taille, nos réviseurs de modèles peuvent réduire l'espace de recherche avec des contraintes lors de la génération des modèles. Le chapitre 5 présente quelques tests comparatifs et exploratoires et leurs résultats sur les méthodes présentées aux chapitres 3 et 4. PermReach et ASPReach sont plus efficaces que les vérificateurs de modèle traditionnels pour l'analyse de l'accessibilité. Ils effectuent une analyse plus concluante tout en maintenant la durée de fonctionnement à la même échelle que les analyseurs statiques purs. Le chapitre 6 conclut la thèse et propose des travaux futurs possibles.

Mots clés: Bioinformatics

Mots clés: Bioinformatique; Model checking; Heuristique

Domaines: Bio-informatique [q-bio.QM]; Modélisation et simulation; Apprentissage [cs.LG]

Xinwei Chai. Reachability Analysis and Revision of Dynamics of Biological Regulatory Networks. Bioinformatics [q-bio.QM]. Ecole centrale de Nantes, 2019. English. ⟨NNT : ⟩. ⟨tel-02145438v1⟩