Doctorants

A first simplification of the gene expression mechanism considers that a gene is transcribed into messenger RNA, which in turn is translated into protein. Single-cell data have revealed the presence of biological variability between cells of identical genome and environment, highlighting not only epigenetic aspects but also the stochastic nature of gene expression.

In the context of regulatory networks underlying cell states and types, we need to build a model that takes into account both stochasticity and the interaction of genes with each other. Here we focus on a dynamical model of gene expression, formulated as a piecewise-deterministic Markov process (PDMP) and describing an arbitrary number of interacting genes. This stochastic model is able to reproduce the biological variability measured experimentally, but remains mathematically complex and difficult to study. This is why, in the litterature, a simplified model with only proteins is considered. 

During this talk, we provide insights on construction and use of semigroups and infinitesimal generators for PDMPs. Afterwards we present both models and use coupling methods to explicitly upper bound the error made when substituting the full model with its simplified version.

TBA

TBA

TBA

TBA

TBA

Dans cet exposé je parlerai de percolation, qui est un domaine relativement récent des probabilités discrètes (1957). Étant donné un graphe $G=(V,E)$, une configuration de percolation $\omega$ sur $G$ est un élément de $\{0,1{\}}^E$, où la valeur $1$ pour une arête $e\in E$ code le fait qu’on considère que cette arête est « ouverte », et la valeur $0$ qu’elle est « fermée ». On peut voir cette configuration comme un sous-graphe de $G$, en conservant les sommets de $G$ et où l’ensemble des arêtes est $\{e\in E:\omega (e)=1\}$. Le choix d’une mesure de probabilité sur l’ensemble des configurations de percolation de $G$ définit un modèle de percolation sur $G$.

La percolation de Bernoulli, modèle qu’on appellera « sans contraintes », sera le premier modèle étudié. Je parlerai de grands résultats qui ont été obtenus, mais également de certaines conjectures qui demeurent sur des graphes relativement simples.

Enfin j’aborderai le cas des modèles dits « avec contraintes », qui constituent le sujet de ma thèse. Mon but sera de faire ressortir les difficultés que peuvent apporter ces contraintes, et de montrer des exemples de façons de les contourner.

La méthode de la signature a été largement utilisée pour l’analyse des séries temporelles multivariées. Cette approche a prouvé son efficacité pour de nombreuses applications  en apprentissage statistique. La définition d’une notion de barycentre dans l’espace des signatures est un premier pas prometteur permettant de développer de nouvelles extensions de l’analyse en composantes principales (ACP) ou de l’algorithme des k-moyennes aux séries temporelles.

Le but de cet exposé est de présenter les différents concepts de base de la géométrie, en particulier de la géométrie complexe. L’objet de base de toute géométrie est la variété (différentielle, algébrique, complexe) qui généralise la notion d’ouvert d’un espace vectoriel. Par exemple, la surface terrestre ressemble localement au plan réel, mais pas dans sa globalité, et la théorie des variétés différentielles va permettre de comprendre cet objet. La géométrie complexe est plus restrictive par ses fonctions sont beaucoup moins nombreuses, mais un exemple qui apparait naturellement l’espace projectif, car il est possible de mettre une structure géométrique sur un ensemble de droites vectorielles. Enfin, les géométries algébrique et analytique complexes entretiennent des liens proches, tout polynôme étant une fonction holomorphe, toute variété algébrique peut-être vue comme une variété complexe. Cependant, les fonctions holomorphes se comportent presque comme des polynômes, il est donc naturel de s’interroger sur une éventuelle réciproque : Dans le cas projectif, la réponse a été donnée par W.L. Chow en 1949.

Résumé à venir

L’homologie persistante est un outil de la théorie simpliciale construit à la fin du XXième siècle et qui s’utilise principalement en Analyse Topologique des Données (TDA) et reconnaissance de forme. L’idée principale est d’extraire un nuage de points d’un objet que l’on souhaite étudier et de transformer ce nuage en un complexe simplicial filtré, en utilisant par exemple la méthode de Vietoris-Rips. Le but de l’homologie persistante est de calculer l’homologie simpliciale du complexe à chaque temps de filtration et d’observer les caractéristiques topologiques qui persistent au cours de la filtration. Cette approche permet d’encoder l’évolution topologique d’un objet à travers une seule structure algébrique. L’homologie persistante a des applications dans de nombreux domaines (en biologie, médecine, astrophysique,…) et dans cet exposé, après avoir défini l’homologie persistante en reprenant les bases de la théorie simpliciale, nous montrerons comment celle-ci peut s’appliquer dans le contexte de l’analyse musicale.