Advanced search options

Advanced Search Options 🞨

Browse by author name (“Author name starts with…”).

Find ETDs with:

in
/  
in
/  
in
/  
in

Written in Published in Earliest date Latest date

Sorted by

Results per page:

You searched for +publisher:"Paris Sciences et Lettres" +contributor:("Weigt, Martin"). One record found.

Search Limiters

Last 2 Years | English Only

No search limiters apply to these results.

▼ Search Limiters

1. Coucke, Alice. Statistical modeling of protein sequences beyond structural prediction : high dimensional inference with correlated data : Modélisation statistique des séquences de protéines au-delà de la prédiction structurelle : inférence en haute dimension avec des données corrélées.

Degree: Docteur es, Physique statistique, 2016, Paris Sciences et Lettres

Grâce aux progrès des techniques de séquençage, les bases de données génomiques ont connu une croissance exponentielle depuis la fin des années 1990. Un grand nombre d'outils statistiques ont été développés à l'interface entre bioinformatique, apprentissage automatique et physique statistique, dans le but d'extraire de l'information de ce déluge de données. Plusieurs approches de physique statistique ont été récemment introduites dans le contexte précis de la modélisation de séquences de protéines, dont l'analyse en couplages directs. Cette méthode d'inférence statistique globale fondée sur le principe d'entropie maximale, s'est récemment montrée d'une efficacité redoutable pour prédire la structure tridimensionnelle de protéines, à partir de considérations purement statistiques.Dans cette thèse, nous présentons les méthodes d'inférence en question, et encouragés par leur succès, explorons d'autres domaines complexes dans lesquels elles pourraient être appliquées, comme la détection d'homologies. Contrairement à la prédiction des contacts entre résidus qui se limite à une information topologique sur le réseau d'interactions, ces nouveaux champs d'application exigent des considérations énergétiques globales et donc un modèle plus quantitatif et détaillé. À travers une étude approfondie sur des donnéesartificielles et biologiques, nous proposons une meilleure interpretation des paramètres centraux de ces méthodes d'inférence, jusqu'ici mal compris, notamment dans le cas d'un échantillonnage limité. Enfin, nous présentons une nouvelle procédure plus précise d'inférence de modèles génératifs, qui mène à des avancées importantes pour des données réelles en quantité limitée.

Over the last decades, genomic databases have grown exponentially in size thanks to the constant progress of modern DNA sequencing. A large variety of statistical tools have been developed, at the interface between bioinformatics, machine learning, and statistical physics, to extract information from these ever increasing datasets. In the specific context of protein sequence data, several approaches have been recently introduced by statistical physicists, such as direct-coupling analysis, a global statistical inference method based on the maximum-entropy principle, that has proven to be extremely effective in predicting the three-dimensional structure of proteins from purely statistical considerations.In this dissertation, we review the relevant inference methods and, encouraged by their success, discuss their extension to other challenging fields, such as sequence folding prediction and homology detection. Contrary to residue-residue contact prediction, which relies on an intrinsically topological information about the network of interactions, these fields require global energetic considerations and therefore a more quantitative and detailed model. Through an extensive study on both artificial and biological data, we provide a better interpretation of the central inferred parameters, up to now poorly understood, especially in the limited sampling…

Advisors/Committee Members: Monasson, Rémi (thesis director), Weigt, Martin (thesis director).

Subjects/Keywords: Inférence; Apprentissage statistique; Régularisation; Entropie maximale; Ccoévolution des protéines; Modélisation statistique des séquences de protéines; Vraisemblance maximale; Champ moyen; Pseudo vraisemblance; Développement en grappe; Inference; Statistical learning; Regularization; Maximum entropy; Protein coevolution; Statistical modeling of protein sequences; Maximum likelihood; Mean field; Pseudolikelihood; Cluster expansion; 530.13

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Coucke, A. (2016). Statistical modeling of protein sequences beyond structural prediction : high dimensional inference with correlated data : Modélisation statistique des séquences de protéines au-delà de la prédiction structurelle : inférence en haute dimension avec des données corrélées. (Doctoral Dissertation). Paris Sciences et Lettres. Retrieved from http://www.theses.fr/2016PSLEE034

Chicago Manual of Style (16th Edition):

Coucke, Alice. “Statistical modeling of protein sequences beyond structural prediction : high dimensional inference with correlated data : Modélisation statistique des séquences de protéines au-delà de la prédiction structurelle : inférence en haute dimension avec des données corrélées.” 2016. Doctoral Dissertation, Paris Sciences et Lettres. Accessed May 20, 2019. http://www.theses.fr/2016PSLEE034.

MLA Handbook (7th Edition):

Coucke, Alice. “Statistical modeling of protein sequences beyond structural prediction : high dimensional inference with correlated data : Modélisation statistique des séquences de protéines au-delà de la prédiction structurelle : inférence en haute dimension avec des données corrélées.” 2016. Web. 20 May 2019.

Vancouver:

Coucke A. Statistical modeling of protein sequences beyond structural prediction : high dimensional inference with correlated data : Modélisation statistique des séquences de protéines au-delà de la prédiction structurelle : inférence en haute dimension avec des données corrélées. [Internet] [Doctoral dissertation]. Paris Sciences et Lettres; 2016. [cited 2019 May 20]. Available from: http://www.theses.fr/2016PSLEE034.

Council of Science Editors:

Coucke A. Statistical modeling of protein sequences beyond structural prediction : high dimensional inference with correlated data : Modélisation statistique des séquences de protéines au-delà de la prédiction structurelle : inférence en haute dimension avec des données corrélées. [Doctoral Dissertation]. Paris Sciences et Lettres; 2016. Available from: http://www.theses.fr/2016PSLEE034

.