Cette thèse explore l'apport des méthodes d'apprentissage automatique dans le contexte de la bi-modalité EEG-IRMf, avec pour objectif de localiser automatiquement et précisément les électrodes EEG dans un volume IRM et de prédire des scores neurofeedback IRMf à partir de signaux EEG. La première partie présente le contexte et les outils utilisés, en abordant les modalités EEG et IRMf ainsi que leur combinaison, le neurofeedback, les réseaux de neurones artificiels, la segmentation d'images et la régression de séries temporelles. La deuxième partie comprend trois contributions principales. La première décrit le développement d'une méthode permettant détecter automatiquement la position et l'étiquetage des électrodes EEG dans un volume IRM à l'aide d'une séquence IRM spécifique. La deuxième contribution propose une méthode de recherche d'hyperparamètres d'architecture de modèles basée sur un algorithme génétique. Ces modèles sont ensuite entraînés sur plusieurs sujets afin de prédire des scores neurofeedback IRMf à partir de signaux EEG. Cette étude compare différentes architectures issues de deux catégories de réseaux neuronaux : les LSTMs et les CNNs. Enfin, la troisième contribution consiste à étudier une piste d'amélioration de ces modèles. Ce travail évalue l'impact de la réduction de la variabilité inter-sujet sur les performances, en appliquant un alignement dans l'espace euclidien aux données EEG.

La composition du microbiote intestinal influence diverses maladies et peut être utilisée pour la classification automatique de l'état de santé. Cette thèse propose une méthode intégrant l'annotation fonctionnelle du microbiote intestinal dans un processus de classification automatique pour améliorer l'interprétation des résultats. En utilisant les données taxonomiques et les annotations fonctionnelles via le pipeline EsMeCaTa, un profil fonctionnel du microbiote est établi. Ces profils, microbien et fonctionnel, servent à entraîner des Forêts Aléatoires pour différencier les échantillons malades des témoins. Une sélection automatique des variables basée sur leur importance est itérée jusqu'à la diminution des performances de classification. Les résultats montrent que les profils fonctionnels offrent des performances comparables aux profils microbiens et permettent d'identifier un sous-ensemble robuste de variables discriminantes. Ces variables se sont révélées plus fiables que celles obtenues par des méthodes de référence et ont été validées par une recherche bibliographique. L'analyse des interconnexions entre taxons et annotations fonctionnelles a révélé que certaines annotations importantes sont issues de l'influence cumulative de taxons non sélectionnés.

Cette thèse propose des solutions pour améliorer l'assemblage des génomes à partir de lectures de séquençage de troisième génération (lectures longues). Plus précisément, elle se concentre sur l'amélioration de l'assemblage des (méta)génomes contenant plusieurs haplotypes, comme des génomes polyploïdes ou des souches bactériennes proches. Les assembleurs actuels ont du mal à séparer les haplotypes très similaires, et fusionnent généralement des (parties d')haplotypes, ce qui entraîne la perte de polymorphismes et d'hétérozygotie dans l'assemblage final. Ce travail présente une série de méthodes et de logiciels pour obtenir des assemblages contenant des haplotypes bien séparés. Plus précisément, GenomeTailor et HairSplitter transforment un assemblage obtenu avec des lectures longues erronées en un assemblage phasé, améliorant considérablement l'état de l'art lorsque de nombreuses souches sont présentes. Le logiciel Alice propose une nouvelle méthode, basée sur des nouveaux sketchs ``MSR'', pour assembler efficacement plusieurs haplotypes séquencés avec des lectures de haute fidélité. Enfin, cette thèse propose une nouvelle stratégie de scaffolding Hi-C basée sur le démêlage des graphes d'assemblage qui améliore considérablement les assemblages finaux, en particulier lorsque plusieurs haplotypes sont présents.

Dans cette thèse, nous étudions trois aspects du problème de réduction de la dimension. Le premier concerne la compression de base de données. Nous proposons plusieurs algorithmes d’échantillonnage préservant l’information contenue dans les données, ainsi que deux applications au conditionnement de matrices et à l’acquisition comprimée. Ces algorithmes sont déterministes et leur faible complexité en font une alternative intéressante aux meilleurs algorithmes connus. Le second aspect abordé concerne la sparsification de graphe. Nous proposons de réduire le nombre d’arêtes d’un graphe tout en préservant sa connectivité. Nous élaborons deux algorithmes itératifs, déterministes et de faible complexité, permettant d’approcher la solution de ce problème NP-difficile. Nous présentons également une application possible à la simplification du graphe sous-jacent à un réseau neuronal sur graphe. La troisième partie de la thèse traite d’acquisition comprimée et propose une analyse statistique d’un algorithme de reconstruction de signaux parcimonieux. Dans le cadre d’un modèle asymptotique où la matrice de mesure et le signal sont aléatoires et pour lequel les paramètres de taille tendent vers l’infini à la même vitesse, nous montrons que la probabilité de succès à une itération donnée tend vers 1.

L’identification de dispositifs dits sensibles est soumise à différentes contraintes de sécurité ou de consommation d’énergie, ce qui rend les méthodes d’identification classiques peu adaptées. Pour répondre à ces contraintes, il est possible d’utiliser les défauts intrinsèques de la chaîne de transmission des dispositifs pour les identifier. Ces défauts altèrent le signal transmis et créent alors une signature par nature unique et non reproductible appelée empreinte Radio Fréquence (RF). Pour identifier un dispositif grâce à son empreinte RF, il est possible d’utiliser des méthodes d’estimation d’imperfections pour extraire une signature qui peut être utilisée par un classifieur, ou bien d’utiliser des méthodes d’apprentissage telles que les réseaux de neurones. Toutefois, la capacité d’un réseau de neurones à reconnaître les dispositifs dans un contexte particulier dépend fortement de la base de données d’entraînement. Dans cette thèse, nous proposons un générateur de bases de données virtuelles basé sur des modèles de transmission et d’imperfections RF. Ces bases de données virtuelles permettent de mieux comprendre les tenants et aboutissants de l’identification RF et de proposer des solutions pour rendre l’identification plus robuste. Dans un second temps, nous nous intéressons aux problématiques de complexité de la solution d’identification via deux axes. Le premier consiste à utiliser des graphes programmables intriqués, qui sont des modèles d’apprentissage par renforcement, basés sur des techniques d’évolution génétique moins complexes que les réseaux de neurones. Le second axe propose l’utilisation de l’élagage sur des réseaux de neurones de la littérature pour réduire la complexité de ces derniers.

Dans cette thèse, le cycle de vie de la marée interne et sa perte de cohérence par ses interactions avec les courants sont étudiés dans l’Atlantique Nord à l’aide d’une simulation d’un océan réaliste à haute résolution. Une décomposition en mode verticaux est utilisée pour obtenir le budget d’énergie des différentes échelles de la marée interne. La dispersion topographique est dominante à l’échelle du bassin et aux niveaux des reliefs, tandis que les interactions entre la marée interne et la circulation basse fréquence signent au niveau du Gulf Stream, de son prolongement Nord Atlantique et dans le Nord du Bassin. Enfin, une décomposition en partie cohérente/incohérente est utilisée. Les causes de la perte de cohérence de la marée sur des échelles de un à trois mois sont l’advection de la marée interne par l’écoulement lentement variable et le cisaillement horizontal de ce dernier. Cette perte de cohérence se fait majoritairement sans changement d’échelle pour la marée.

Dans cette thèse, les propriétés de transport des porteurs de charge, le processus de croissance des grains, le mécanisme de perte de VOC et les possibilités d'amélioration du rendement des cellules solaires de CZTSSe ont été étudiés. L'importante perte de VOC et le faible facteur de remplissage des cellules solaires CZTSSe sont les principaux défis pour l'amélioration du rendement. Cela est principalement dû à la mauvaise qualité de l'interface arrière, à l'alignement non optimisé des bandes et à la présence des phases secondaires dans l'absorbeur. Trois approaches ont été utilisées dans ce travail pour améliorer le rendement de ce cellules PV. Premièrement, une couche intermédiaire de WO3 a été introduite dans l'interface arrière pour inhiber la réaction indésirable entre la couche d'tungsten et l'absorbeur. Deuxièmement, l'alignement des bandes et la présence de phases secondaires à l'interface avant ont été améliorés en même temps par un traitement de sulfuration à basse température. Enfin, la conception et la réalisation d'une couche absorbeure à double gradient de band-gap en CZTSSe ont facilité la séparation et l'extraction des porteurs de charge. Des cellules solaires en CZTSSe avec un rendement de conversion photovoltaïque de 13,7% ont été obtenues. Ces très bons résultats, obtenus grâce à une meilleure comprehnsion du mécanisme de pertes, pourraient être une excellente base pour des améliorations futures.

Les troubles de spectre de l'autisme (TSA) touchent entre 1 et 2 % de la population mondiale, causant notamment des difficultés de communication et d'interaction chez les personnes concernées. La plupart des personnes touchées par un TSA développe au cours de sa vie une passion profonde pour un objet ou un sujet (il peut s'agir aussi bien de la physique des particules que de cagettes en carton) qui prend une place très importante, venant jouer un rôle rassurant dans les situations génératrices d'angoisse. Cette passion est communément appelée intérêt électif, ou encore affinité. Si son rôle positif et son importance dans la vie des personnes autistes ont été largement décrits dans des témoignages de patients et de spécialistes, d'autres psychologues et psychiatres considèrent l'affinité comme une obsession qui empêche les personnes ayant un TSA de s'ouvrir au monde. Pour le moment, il n'existe aucune preuve objective en faveur de l'une ou l'autre de ces théories. Le but de cette thèse est d'utiliser l'oculométrie pour mesurer l'attention visuelle des personnes atteintes de TSA en présence de leur affinité, mais aussi face à des stimuli neutres, afin de détecter d'éventuelles différences. Des analyses croisées avec celles de psychologues ont permis de mettre en lien les caractéristiques autistiques des personnes ayant un TSA et leurs comportements visuels face à l’affinité.

La pandémie de COVID-19 a souligné la nécessité urgente de développer des techniques de détection rapides et sensibles pour le virus SARS-CoV-2. La Spectroscopie Raman à Effet de Surface Exalté (SERS) émerge comme une solution prometteuse. Cette thèse se concentre sur le développement d'un substrat SERS spécifique pour la détection de la protéine N du SARS-CoV-2, ainsi que des pesticides dans les fruits et légumes. Les chapitres explorent les fondements théoriques de la SERS, offrant un aperçu approfondi de son potentiel dans la détection de biomarqueurs viraux, notamment la protéine N du virus. L'élaboration du substrat SERS à base de nanofils de silicium (SiNWs) décorés de nanoparticules d'argent (AgNPs) est détaillée, mettant en avant l'amplification spectaculaire du signal Raman pour une détection sensible. La détection sélective de la protéine N du virus est réalisée avec succès, démontrant une limite de détection de 1 ng/mL en seulement 20 à 30 minutes. De plus, la polyvalence du substrat SERS est mise en évidence pour la détection de pesticides dans les aliments, offrant ainsi des perspectives importantes pour la sécurité alimentaire. Les résultats obtenus ouvrent des portes pour des applications pratiques dans le diagnostic viral et la surveillance environnementale. Les perspectives de recherche soulignent des axes de développement futurs pour les biocapteurs SERS, notamment l'optimisation des méthodes de fabrication et l'exploration de nouvelles applications dans des domaines variés.

Les bactéries au métabolisme ralenti (tolérantes et persistantes) sont capables de survivre aux antibiotiques ce qui contribue à l’échec des traitements et à la rechute des infections. Les systèmes toxine-antitoxine (TA) font partie des mécanismes participant à la formation des bactéries tolérantes/persistantes. Chez Staphylococcus aureus, un pathogène humain majeur, l’antitoxine ARN SprF1 appartenant au système TA de type I SprG1/SprF1, peut se fixer sur les ribosomes ce qui entraine une atténuation de la traduction et favorise la formation des bactéries persistantes. Afin de mieux comprendre le rôle de SprF1 dans l’adaptation de S. aureus aux antibiotiques, nous nous sommes intéressés à l’étude de la régulation du système SprG1/SprF1 et à l’identification du targetome de SprF1. Par des approches in silico et par la technique MAPS (MS2 Affinity Purification coupled with RNA Sequencing), nous avons mis en évidence 12 cibles ARNm de SprF1, dont l’ARNm sprG1. Nous avons ensuite démontré que SprF1 interagi, in vitro, avec les ARNm yidC et rpmE2, le premier codant une protéine insertase et le second la protéine ribosomale L31, et que cette interaction entraîne une modulation de l’expression des protéines YidC et RpmE2. Par la suite, nous avons observé que la surexpression de rpmE2 favorise la tolérance aux antibiotiques ce qui pourrait contribuer au phénotype de persistance induit par SprF1. Les résultats présentés dans ce travail de thèse montrent donc que certaines antitoxines de type I agissent comme des ARN régulateurs typiques qui, en interagissant avec plusieurs cibles, ont un rôle dans l’adaptation des bactéries à leur environnement.