Samaké, Awa
(2026).
« Méthodes d’apprentissage machine pour l’estimation de l’effet de la génétique sur la production laitière » Thèse.
Montréal (Québec), Université du Québec à Montréal, Doctorat en informatique.
Fichier(s) associé(s) à ce document :
Résumé
La génétique animale joue un rôle central dans l’amélioration des performances des troupeaux laitiers en permettant la sélection des reproducteurs les plus performants, ainsi que la prévision des maladies. Ces dernières années, l’accessibilité grandissante aux données génétiques, particulièrement celles génomiques, a un impact positif sur l’évaluation génétique au sein de la communauté de recherche académique et industrielle. L’évaluation génétique vise à estimer les valeurs génétiques (VEE, VGE) des animaux à partir de données de production, de généalogie ou de pédigrée, et de séquençage génomique, afin de prédire les performances futures et d’optimiser les décisions de sélection. Elle passe par l’estimation du patrimoine génétique ainsi que par son effet sur les générations futures. L’analyse de cet effet peut se traduire de différentes manières, selon le secteur; par exemple, la prédisposition à certaines maladies en santé et la production dans l’industrie animalière. Cependant, la complexité des données (grande dimension des SNP, structures de pédigrée profondes, séries temporelles de production) et la variabilité environnementale constituent des défis majeurs pour les méthodes classiques telles que le BLUP. Nous répondons aux questions suivantes : comment estimer l’effet de la génétique sur le profit dans la production laitière à partir des données de séquençages génomiques? Comment estimer les futures productions laitières en intégrant les caractères génétiques à moyen/long terme? Cette thèse propose plusieurs contributions méthodologiques reposant sur l’apprentissage automatique et l’apprentissage profond pour améliorer l’estimation et la prévision des performances laitières. Nous utilisons deux paradigmes d’apprentissage : la notion d’informations privilégiées et celle de variables exogènes. À ce jour et à notre connaissance, la notion d’informations privilégiées n’est pas encore appliquée dans le secteur animalier, plus particulièrement dans l’industrie laitière. LSTMDropout, un modèle récurrent qui intègre un mécanisme de dropout hétéroscédastique et l’information privilégiée, permet de prédire les VEE, VGE, ainsi que les composantes et la valeur économique du lait, avec une robustesse accrue face aux données bruitées. AgriGen, une architecture méthodologique intégrée qui permet la fusion des données génétiques, phénotypiques et environnementales en vue de l’évaluation génétique multi-traits et de la prise de décision. DairyLuPTS est une architecture optimisée pour la modélisation de séries temporelles de production laitière. DairyBLUP est un modèle linéaire mixte basé sur le pédigrée. Enfin, Information dropout adaptée (IDA), une généralisation de l’information dropout, intègre des informations privilégiées pour régulariser les représentations latentes et améliorer les performances de prévision. Les résultats expérimentaux montrent que l’intégration d’informations privilégiées et de données multi-sources permet d’améliorer significativement la précision des prévisions, tout en réduisant le coût computationnel par rapport aux méthodes classiques. LSTMDropout et DairyLuPTS se distinguent en particulier par leurs performances en prévision multi-sorties et leur capacité à capturer les relations complexes entre les traits génétiques et les rendements laitiers. Les perspectives de recherche incluent l’extension de LSTMDropout à d’autres types de séries temporelles, l’étude des interactions génotype-environnement, ainsi que l’analyse de l’effet des variants et des loci (positions d’un gène) sur la santé et la productivité. L’exploration de nouvelles stratégies d’augmentation de données génomiques et de modélisation mathématique des informations privilégiées constitue également un axe prometteur pour renforcer la robustesse des modèles et optimiser la sélection génétique.
| Type: |
Thèse ou essai doctoral accepté
|
| Informations complémentaires: |
Fichier numérique reçu en format PDF. |
|
Directeur de thèse: |
Diallo, Abdoulaye Baniré |
| Mots-clés ou Sujets: |
Production laitière / Prévision / Bovins laitiers / Génétique / Marqueurs génétiques / Apprentissage automatique / Apprentissage profond |
| Unité d'appartenance: |
Faculté des sciences > Département d'informatique |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
06 août 2026 13:51 |
| Dernière modification: |
06 août 2026 13:51 |
| Adresse URL : |
https://archipel.uqam.ca/secure/id/eprint/20218 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
