Outils statistiques d’analyse de données de croissance microbienne et d’expression génique

Aline Marguet, Eugenio Cinquemani

Non permanents : Emrys Reginato (doctorant), Claudia Fonte Sanchez (postdoctorante)

Les expériences de croissance dynamique sur des cultures microbiennes génèrent une multitude de séries temporelles, telles que des profils d'évolution d'absorbance et de rapporteurs fluorescents (expériences sur microplaques et bioréacteurs), des mesures de taille et de durée du cycle cellulaire (vidéomicroscopie) et des statistiques d'échantillons à partir de mesures de cellules individuelles (cytométrie de flux).

Ces données sont riches mais aussi généralement bruitées et incomplètes. Le plus souvent, elles ne permettent qu’un suivi indirect des processus cellulaires d’intérêt (taux de croissance, activation des gènes et dynamique de régulation, etc.). La variété des technologies d'acquisition de données existantes et leur évolution constante nous incitent à développer des méthodes dédiées au traitement des données et à l’extraction d’informations.

En utilisant la théorie de l'estimation, des approches d'apprentissage automatique et la modélisation mathématique, nous développons des méthodes statistiques de traitement de données (suppression du bruit, lissage, ajustement de paramètres, ...) et de reconstruction de dynamiques cellulaires cachées à partir de données temporelles. Les exemples typiques incluent des algorithmes pour l'estimation de l'expression des gènes et la dynamique d'allocation des ressources à partir des données temporelles de rapporteurs fluorescents, l'identification des interactions régulatrices dynamiques entre les gènes, la reconstruction des sources de bruit intrinsèques et extrinsèques.