Dias, M Nicolas (2024) Prédiction de la résistance aux antibiotiques par des approches Machine Learning PFE - Project Graduation, ENSTA.

[img]
Preview
PDF
3991Kb

Abstract

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.

Item Type:Thesis (PFE - Project Graduation)
Uncontrolled Keywords:Antibiorésistance, Intelligence Artificielle, Bactéries, Concentration Minimale Inhibitrice (CMI), Pipeline, Snakemake, Explicabilité, Mutations, Service Web
Subjects:Information and Communication Sciences and Technologies
ID Code:10393
Deposited By:Nicolas DIAS
Deposited On:04 oct. 2024 17:28
Dernière modification:04 oct. 2024 17:28

Repository Staff Only: item control page