Detection of evolving communities in node-attributed graphs for active modules identifications

La compréhension des systèmes biologiques complexes repose sur l'analyse conjointe de la dynamique fonctionnelle de leurs composants et des interactions qui les relient. Les réseaux biologiques attribués constituent un cadre privilégié pour représenter ces relations, où les nœuds décrivent des entités moléculaires et les arêtes leurs interactions physiques ou fonctionnelles. L'identification de sous-ensembles de nœuds à la fois topologiquement cohésifs et fonctionnellement homogènes, appelés modules actifs, permet d'extraire des unités biologiques pertinentes, mais les approches existantes demeurent souvent limitées à la priorisation d'un seul de ces critères. Cette thèse propose un cadre méthodologique unifié pour concilier la structure du réseau et les valeurs d'attributs issues de données omiques. La définition formelle du module actif repose sur une fonction de similarité adaptée aux valeurs d'expression différentielle et sur un score combinant cohésion topologique et homogénéité fonctionnelle. À partir de cette formalisation, l'algorithme SIMBA étend le principe de Louvain en intégrant un filtrage statistique et une optimisation conjointe des composantes structurelles et attributaires. Il permet une détection robuste et hiérarchique des modules sans paramétrage empirique. Pour appréhender la dimension temporelle, eSIMBA introduit un modèle d'évolution des modules fondé sur la correspondance entre communautés détectées à différents temps et la caractérisation d'événements élémentaires (apparition, fusion, division, disparition). Ce mécanisme autorise le suivi automatique des transitions fonctionnelles d'un réseau au cours du temps. L'évaluation repose sur des analyses menées à la fois sur des données biologiques réelles et sur des données synthétiques générées avec ActiNetGen, un simulateur de réseaux artificiels simulant des modules actifs réalistes. Les résultats montrent une amélioration significative de la cohérence fonctionnelle et de l'interprétabilité biologique par rapport aux approches de référence. L'outil associé, SIMBAnalysis, fournit une interface facilitant l'exploration et la visualisation des modules détectés. L'ensemble de ces développements ouvre la voie à une modélisation plus fine et dynamique des systèmes biologiques, en établissant un cadre général pour l'identification et l'interprétation de modules actifs dans des réseaux complexes.