Intelligence artificielle explicable pour la fiabilité des algorithmes d'apprentissage automatique, l'analyse et la découverte dans les données omiques.
eXplainable Artificial Intelligence for the reliability of machine learning algorithms, analysis and discovery in omics data.
Jury
Directeur de these_BROSEUS_Julien_Université de Lorraine
CoDirecteur de these_HERGALANT_Sébastien_Université de Lorraine
Rapporteur_BARDET_Anaïs_Université de Strasbourg
Rapporteur_ELATI_Mohamed_Université de Lille
Examinateur_GAUTHERET_Daniel_Université Paris Saclay
Examinateur_MéZIèRES_Sophie_Université de Lorraine
école doctorale
BioSE - Biologie Santé Environnement
Laboratoire
NGERE - Nutrition-Génétique et Exposition aux Risques Environnementaux
Mention de diplôme
Sciences de la Vie et de la Santé - BioSE
100% Visio
100% Visio
Mots clés
IA explicable,bioinformatique,intelligence artificielle,,
Résumé de la thèse
Cette thèse explore l'apport de l'intelligence artificielle explicable (XAI, eXplainable Artificial Intelligence) dans l'analyse et la découverte à partir des données omiques, domaine clé de la bioinformatique moderne. Les données omiques regroupent la génomique, la transcriptomique (y compris le single-cell RNA-seq), la protéomique, l'épigénomique et la métabolomique.
Keywords
XAI,bioinformatics,artificial intelligence,,
Abstract
This dissertation investigates the contribution of explainable artificial intelligence (XAI) to the reliability, analysis, and discovery processes in omics data, a central field in modern bioinformatics. Omics encompass genomics, transcriptomics (including single-cell RNA-seq), proteomics, epigenomics, and metabolomics. The integration of these layers remains a methodological challenge due to their increasing complexity and volume.
The first research axis focuses on the robustness of cell type classifiers derived from single-cell RNA sequencing (scRNA-seq) data against adversarial attacks.
