Applications en bioinformatique avec des modèles de Markov / Sean Robinson ; sous la direction de Laurent Guyon et de Jaakko Nevalainen

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : anglais / English

Catalogue Worldcat

Markov, Processus de

Cytologie

Statistique -- Informatique

Bioinformatique

Classification Dewey : 004

Guyon, Laurent (1979-....) (Directeur de thèse / thesis advisor)

Nevalainen, Jaakko (Directeur de thèse / thesis advisor)

Eerola, Mervi (Président du jury de soutenance / praeses)

Nykter, Matti (Rapporteur de la thèse / thesis reporter)

Vehtari, Aki (Rapporteur de la thèse / thesis reporter)

Schwikowski, Benno (19..-....) (Membre du jury / opponent)

Communauté d'universités et d'établissements Université Grenoble Alpes (2015-2019) (Organisme de soutenance / degree-grantor)

Turun yliopisto (Organisme de cotutelle / degree co-grantor)

École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble) (Ecole doctorale associée à la thèse / doctoral school)

Biologie du cancer et de l'infection (Grenoble ; 2010-2020) (Laboratoire associé à la thèse / thesis associated laboratory)

Résumé / Abstract : Dans cette thèse nous présentons quatre applications en bioinformatique avec des modèles de Markov. Ces modèles sont particulièrement répandus car la structure Markov permet de modéliser des indépendances conditionnelles complexes tout en permettant une inférence efficace. Nous atteignons une variété d’objectifs tels que l'alignement, la classification, la segmentation et la quantification, par inférence dans différents types de modèles de Markov. De cette manière nous montrons que les modèles de Markov peuvent être utilisés pour générer de nouvelles connaissances dans diverses applications liées à une variété de champs de recherche en biologie.

Résumé / Abstract : In this thesis we present four applications in bioinformatics with Markov models. Such models are especially popular since the Markov structure allows for complex conditional independences to be modelled while still allowing for efficient inference. We achieve a variety of aims, ranging from alignment, classification, segmentation and quantification, through inference in different types of Markov models. In this way we show that Markov models can be used to generate new knowledge in diverse applications relating to multiple domains of biological research.