Causal network inference from intervention data

Inférence de réseaux causaux à partir de données interventionnelles

Gilles Monneret (1)

1 LPSM (UMR_8001) - Laboratoire de Probabilités, Statistique et Modélisation

The purpose of this thesis is the use of current transcriptomic data in order to infer a gene regulatory network. These data are often complex, and in particular intervention data may be present. The use of causality theory makes it possible to use these interventions to obtain acyclic causal networks. I question the notion of acyclicity, then based on this theory, I propose several algorithms and / or improvements to current techniques to use this type of data.

L'objet de cette thèse est l'utilisation de données transcriptomiques actuelles dans le but d'en inférer un réseau de régulation génique. Ces données sont souvent complexes, et en particulier des données d'interventions peuvent être présente. L'utilisation de la théorie de la causalité permet d'utiliser ces interventions afin d'obtenir des réseaux causaux acycliques. Je questionne la notion d'acyclicité, puis en m'appuyant sur cette théorie, je propose plusieurs algorithmes et/ou améliorations à des techniques actuelles permettant d'utiliser ce type de données particulières.

Mots clés: Causality; Bayesian network; Gene regulatory network

Mots clés: Causalité; Réseaux bayésiens; Interventions; Modèles graphiques gaussiens; Réseaux de régulations de gènes; Modèles d'équations structurelles

Domaines: Statistiques [math.ST]

Gilles Monneret. Inférence de réseaux causaux à partir de données interventionnelles. Statistiques [math.ST]. Sorbonne Université, 2018. Français. ⟨NNT : 2018SORUS290⟩. ⟨tel-02379278⟩