Apprentissage automatique par les algorithmes bio-inspirés / Rached Yagoubi

Public ISBD Titre : Apprentissage automatique par les algorithmes bio-inspirés : application à l'alignement multiple de séquences biologiques Type de document : texte manuscrit Auteurs : Rached Yagoubi, Auteur ; Aabdelouahab Moussaoui, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2012 Importance : 102 p. Format : 27 cm Accompagnement : 1 disque optique numérique (CD-ROM) Note générale : Option : Ingénierie de systèmes informatiques Langues : Français Catégories : THESES :10 informatique Résumé : L’alignement multiple de s´equences est une des plus importantes taches de la bioinformatique, car il permet de d´ecouvrir et de d´eterminer les similitudes entre les mol´ecules biologiques tel que l’ADN, l’ARN et les prot´eines par la simple comparaison de leurs s´equences. Il est ´egalement utilis´e comme point de d´epart pour d’autres probl`emes de bioinformatique tel que la Phylog´enie, la recherche de motif et la pr´ediction des structures. Bien qu’un nombre important d’algorithmes traitant le probl`eme d’alignement multiple de s´equences ont ´et´e d´evelopp´es, le calcul efficace des alignements multiples de grande pr´ecision reste jusqu’`a pr´esent un d´efi. Dans ce travail nous pr´esentons MMGA (Muscle Mafft Genetic Algorithm) une approche hybride bioinspir´ee pour l’alignement multiple de s´equences. MMGA combine trois algorithmes qui sont MUSCLE, MAFFT et un algorithme g´en´etique. La population initiale de ce dernier est g´en´er´ee par MUSCLE et MAFFT, apr`es cela nous appliquons diff´erents op´erateurs g´en´etiques afin d’accroˆıtre la pr´ecision des alignements. L’´evaluation effectu´ee en utilisant le benchmark populaire BAliBASE (version 3.0) prouve que MMGA r´ealise une am´elioration importante de la pr´ecision par rapport `a d’autres algorithmes performants d’alignement multiple y compris MUSCLE, MAFFT, ClustalW et ProbCons tout en maintenant un temps de calcul r´eduit. note de thèses : Thèse de magister en informatique Apprentissage automatique par les algorithmes bio-inspirés : application à l'alignement multiple de séquences biologiques [texte manuscrit] / Rached Yagoubi, Auteur ; Aabdelouahab Moussaoui, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2012 . - 102 p. ; 27 cm + 1 disque optique numérique (CD-ROM). Option : Ingénierie de systèmes informatiques Langues : Français Catégories : THESES :10 informatique Résumé : L’alignement multiple de s´equences est une des plus importantes taches de la bioinformatique, car il permet de d´ecouvrir et de d´eterminer les similitudes entre les mol´ecules biologiques tel que l’ADN, l’ARN et les prot´eines par la simple comparaison de leurs s´equences. Il est ´egalement utilis´e comme point de d´epart pour d’autres probl`emes de bioinformatique tel que la Phylog´enie, la recherche de motif et la pr´ediction des structures. Bien qu’un nombre important d’algorithmes traitant le probl`eme d’alignement multiple de s´equences ont ´et´e d´evelopp´es, le calcul efficace des alignements multiples de grande pr´ecision reste jusqu’`a pr´esent un d´efi. Dans ce travail nous pr´esentons MMGA (Muscle Mafft Genetic Algorithm) une approche hybride bioinspir´ee pour l’alignement multiple de s´equences. MMGA combine trois algorithmes qui sont MUSCLE, MAFFT et un algorithme g´en´etique. La population initiale de ce dernier est g´en´er´ee par MUSCLE et MAFFT, apr`es cela nous appliquons diff´erents op´erateurs g´en´etiques afin d’accroˆıtre la pr´ecision des alignements. L’´evaluation effectu´ee en utilisant le benchmark populaire BAliBASE (version 3.0) prouve que MMGA r´ealise une am´elioration importante de la pr´ecision par rapport `a d’autres algorithmes performants d’alignement multiple y compris MUSCLE, MAFFT, ClustalW et ProbCons tout en maintenant un temps de calcul r´eduit. note de thèses : Thèse de magister en informatique

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
Thd 10-06	Thd 10-06	Thése	BIBLIOTHEQUE DE FACULTE DES SCIENCES	théses (sci)	Disponible
th 10-125	th 10-125	Thése	SALLE DES THESES bibliothèque centrale	théses en informatique	Disponible

Machine learning for the prediction of biological sequence structures / Rached Yagoubi

Public ISBD Titre : Machine learning for the prediction of biological sequence structures Type de document : document multimédia Auteurs : Rached Yagoubi, Auteur ; Aabdelouahab Moussaoui, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département de mathématiques Année de publication : 2025 Importance : 86 p. Accompagnement : 1 disque optique numérique (CD-ROM) Langues : Anglais Catégories : THESES :10 informatique Mots-clés : Bioinformatics  Protein structural classes prediction  Machine learning  Deep learning  Deep neural network (DNN)  Convolutional neural network (CNN) Résumé : Accurately predicting protein structural classes plays a crucial role in bioinformatics, facilitating insights into protein function and interactions. However, predicting these classes remains a challenge, particularly when working with proteins that exhibit low sequence similarity. This thesis aims to address these challenges by exploring and comparing machine learning and deep learning approaches for protein structural class prediction. The first contribution involves the use of Recursive Feature Elimination (RFE) to select key features from protein sequences, followed by the application of a Support Vector Machine (SVM) classifier, resulting in improved accuracy by focusing on the most relevant features. The second contribution introduces a Feedforward Deep Neural Network (DNN), which further enhances prediction accuracy by learning complex representations from the selected features. The third and most successful approach employs a Convolutional Neural Network (CNN), which automatically extracts and classifies protein structural classes from the predicted secondary structure sequences. The results demonstrate that the CNN-based approach achieves the highest overall accuracy across four low similarity benchmark datasets, including 25PDB, 640, 1189, and FC699, making it a highly effective method for protein structural class prediction. This work highlights the potential of deep learning models in advancing the field and provides a foundation for future research in protein structural classes prediction. note de thèses : Thèse de doctorat en informatique Machine learning for the prediction of biological sequence structures [document multimédia] / Rached Yagoubi, Auteur ; Aabdelouahab Moussaoui, Directeur de thèse . - Laghouat : Université Amar Telidji - Département de mathématiques, 2025 . - 86 p. + 1 disque optique numérique (CD-ROM). Langues : Anglais Catégories : THESES :10 informatique Mots-clés : Bioinformatics  Protein structural classes prediction  Machine learning  Deep learning  Deep neural network (DNN)  Convolutional neural network (CNN) Résumé : Accurately predicting protein structural classes plays a crucial role in bioinformatics, facilitating insights into protein function and interactions. However, predicting these classes remains a challenge, particularly when working with proteins that exhibit low sequence similarity. This thesis aims to address these challenges by exploring and comparing machine learning and deep learning approaches for protein structural class prediction. The first contribution involves the use of Recursive Feature Elimination (RFE) to select key features from protein sequences, followed by the application of a Support Vector Machine (SVM) classifier, resulting in improved accuracy by focusing on the most relevant features. The second contribution introduces a Feedforward Deep Neural Network (DNN), which further enhances prediction accuracy by learning complex representations from the selected features. The third and most successful approach employs a Convolutional Neural Network (CNN), which automatically extracts and classifies protein structural classes from the predicted secondary structure sequences. The results demonstrate that the CNN-based approach achieves the highest overall accuracy across four low similarity benchmark datasets, including 25PDB, 640, 1189, and FC699, making it a highly effective method for protein structural class prediction. This work highlights the potential of deep learning models in advancing the field and provides a foundation for future research in protein structural classes prediction. note de thèses : Thèse de doctorat en informatique

---

page 1/1