Browsing by Author "Sid, Karima"
Now showing 1 - 4 of 4
Results Per Page
Sort Options
Item Classification et prédiction en bioinformatique(Université d' Oum El Bouaghi, 2014) Sid, Karima; Batouche, MohamedLa découverte de biomarqueurs est l'un des domaines de recherche en bioinformatique. Quelque soit le type de biomarqueurs génomiques, transcriptomiques, protéomiques ou métabolomiques, le défi principal consiste à développer une méthode robuste et performante pour découvrir ces biomarqueurs à partir d'un grand ensemble de données qui peut contenir des données non pertinentes et redondantes. Pour ce faire, les deux techniques, la sélection de caractéristiques et l'apprentissage supervisé (classification) sont utilisées. Les méthodes existantes présentent des faiblesses au niveau de leur complexité très élevée, l'indépendance au classificateur ainsi que l'instabilité. Dans le but de limiter ces inconvénients, nous proposons, dans ce travail, une nouvelle approche stable pour la découverte de biomarqueurs, l'approche proposée est composée de trois étapes : l'étape de clustering basée sur l'approximation d'une couverture de Markov, l'étape de filtrage et l'étape d'optimisation utilisant trois algorithmes d'optimisation les algorithmes génétiques, l'optimisation par l'essaim particulaire et l'algorithme de la sélection clonale en coopération. Les expérimentations ont montré que notre approche est efficace et qu'elle a la capacité de sélectionner un nombre réduit de gènes tout en conservant des taux d'erreur de classification très faible est une stabilité très satisfaisante. Les performances de l'approche proposée sont mises en évidence à travers une comparaison avec d'autres méthodes de la littérature du domaineItem Clustering en utilisant Markov Blanket approximation dans un environnement IoT(Université d'Oum El Bouaghi, 2023) Rouag, Nor EL Imane; Malla, Amira; Sid, KarimaL’Internet des Objets « IoT » est largement appliqué dans le domaine d’agriculture «Agriculture intelligente » où elle a prouvé son efficacité dans l’amélioration de la qualité et la quantité des produits agricoles en optimisant le coût, le temps et la consommation de l’eau. L’apprentissage automatique peut utiliser en collaboration avec l’IoT pour avoir un système complet intelligent. Le clustering est une méthode d’apprentissage non-supervisé très utilisé lorsqu’on n’a pas les sorties désirées. Dans ce contexte, nous avons proposé une approche pour grouper les données agricoles captées dans un environnement IoT en utilisant l’Approximation d’une couverture de Markov qui se base principalement sur un coefficient nommé le coefficient de corrélation d’information afin d’extraire l’information utile « un groupe d’intérêt ».Item L'utilisation des systèmes auto organisés pour analyser les images médicales(Université Oum El Bouaghi, 2016) Boufar, Nassima; Taghribet, Assia; Sid, KarimaLe traitement d'images joue aujourd'hui un rôle important dans de nombreux domaines, Notamment dans l'imagerie médicale. Le recalage d'image est une tâche essentielle dans le traitement d'image, Il est le processus de déterminer la transformation géométrique qui aligne une image source et une image cible. Dans ce mémoire, Nous présentons une nouvelle approche de recalage d'image monomodale basé sur la maximisation de l'information mutuelle (MI) incorporant l'optimisation par essaim des particules (PSO), et l'optimisation par les colonies de fourmis (ACO). L'objectif de ce mémoire consiste donc à améliorer le recalage d'image par ces approches bio-inspirées en parallèles.Item Le Deep learning et le criblage virtuel pour découvrir de nouveaux médicaments(Université Larbi Ben M'hidi Oum El Bouaghi, 2022) Bouarroudj, Hamza; Aissou, Cherif; Sid, KarimaLe Criblage Virtuel " Virtual Screening en anglais " est une technique CADD qui consiste à appliquer des différentes méthodes de calcul et des algorithmes sur des grandes bibliothèques moléculaires " chimiothèques " afin d'extraire les composés susceptibles de se lier à une cible thérapeutique. Généralement, il existe deux catégories de criblage virtuel, basé ligands et basé structure. La première catégorie est utilisée lorsque la structure de la cible thérapeutique est manquante, tandis que, dans la deuxième catégorie, la structure 3D de la cible est nécessaire pour mesurer le score de l'interaction cible- ligands. Entre ces deux catégories, une hybridation " criblage virtuel hybride " pour exploiter les avantages de chacune est possible. Une des méthodes, la plus utilisée dans le criblage virtuel basé structure c'est l'amarrage moléculaire " docking " qui se base sur la théorie de la serrure-clé, où il compare la cible à une serrure et le ligand à une clé. Le ligand doit avoir une taille et une forme précises pour pouvoir s'adapter la cible " récepteur ". L'apprentissage automatique " Machine Learning en anglais" est une branche de l'intelligence artificielle qui vise à générer un modèle de prédiction. Usuellement, les algorithmes d'apprentissage automatique sont divisés en deux types principaux : l'apprentissage supervisé et l'apprentissage non-supervisé. Dans le premier, la base d'apprentissage contient les vecteurs de données avec les sorties désirées. Alors que, dans le deuxième, les réponses désirées ne sont pas présentes. L'apprentissage automatique représente un des sujets principaux dans la CADD. Son application dans le criblage virtuel a été connu un succès important et notamment dans le criblage virtuel basé sur les ligands, où l'objectif principal consiste à générer des modèles prédictifs pouvant être utilisés pour classer des molécules inconnues en tant qu'actifs " médicament " ou inactifs " non-médicament " dans une chimiothèque donnée. Il a été pendant une longue durée l'outil leader dans le criblage virtuel, mais avec l'augmentation très rapide dans la taille des chimiothèques, une tendance vers la notion "deep" et l'apprentissage profond " Deep Learning " a été engendrée, où se trouve de nouvelles architectures plus puissantes et plus efficaces qui se base notamment sur les réseaux de neurones classiques, mais avec de nombreuses améliorations pour certaines faiblesses qui le rendent inadapté aux problèmes avec des ensembles de données à grande échelle. L'objectif de ce travail consiste à proposer un workflow hybride, dans la première phase de ce workflow, nous allons implémenter un criblage virtuel basé ligand en utilisant le deep learning.