Dias, M Nicolas (2024) Prédiction de la résistance aux antibiotiques par des approches Machine Learning PFE - Projet de fin d'études, ENSTA.
Fichier(s) associé(s) à ce document :
| PDF 3991Kb |
Résumé
L’antibiorésistance cause 5 millions de morts par an et représente un enjeu de santé majeur. Pour choisir le bon antibiotique à une souche bactérienne spécifique, les laboratoires réalisent expérimentalement des tests de caractérisation. Cependant, cette méthode est trop lente dans un cadre clinique : nous proposons de prédire ces valeurs via des modèles d’Intelligence Artificielle utilisant les données génomiques des bactéries. Entraînés via un pipeline Snakemake avec une approche de sous-séquences (nucléotidiques ou protéiques), ces modèles prédisent en quelques secondes la concentration minimale inhibitrice ou la résistance/sensibilité d’un échantillon. Des méthodes d’explicabilité ont permis d’analyser ces modèles, révélant des mutations et gènes encore inconnues, potentiellement liés à l’antibiorésistance. Pour faciliter leur utilisation par les chercheurs et cliniciens, nous avons développé un service Web et un dépôt GitHub pour effectuer ces prédictions.
Type de document: | Rapport ou mémoire (PFE - Projet de fin d'études) |
---|---|
Mots-clés libres: | Antibiorésistance, Intelligence Artificielle, Bactéries, Concentration Minimale Inhibitrice (CMI), Pipeline, Snakemake, Explicabilité, Mutations, Service Web |
Sujets: | Sciences et technologies de l'information et de la communication |
Code ID : | 10393 |
Déposé par : | Nicolas DIAS |
Déposé le : | 04 oct. 2024 17:28 |
Dernière modification: | 04 oct. 2024 17:28 |