Développement d'un modèle d'IA pour la prédiction de l'identité de métabolites inconnus à partir de l'analyse de données HPLC-MS
| dc.contributor.author | Zidelkheir Nor Elhouda Salamani Safia Marwa Enc/ Dr. Abdenassar Harrar | |
| dc.date.accessioned | 2025-07-09T10:22:33Z | |
| dc.date.available | 2025-07-09T10:22:33Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | L’annotation précise des spectres de spectrométrie de masse (MS) demeure un défi majeur en métabolomique. Nous proposons un cadre d’apprentissage profond multitâche capable de prédire simultanément les noms des composés et leurs formules moléculaires à partir des spectres MS. À partir de 122 512 entrées spectrales représentant 18 332 entités moléculaires uniques, un jeu de données de 15 930 spectres de haute qualité (correspondant à 255 composés uniques) a été extrait de la bibliothèque MassBank-NIST 2024.11, puis prétraité à l’aide de Python 3.12.4 avec les bibliothèques pandas, numpy et scikit-learn pour la transformation et la normalisation des données. Un réseau de neurones convolutif unidimensionnel (1D-CNN) a été implémenté sous TensorFlow/Keras, entraîné et validé dans l’environnement Visual Studio 2022. Le modèle a atteint une précision de 93.31 % pour la prédiction des noms et de 94.76 % pour celle des formules. Ces résultats démontrent le potentiel des architectures profondes multitâches à améliorer l’annotation spectrale et à accélérer l’identification des composés en métabolomique. | |
| dc.identifier.uri | https://repository.univ-msila.dz/handle/123456789/46875 | |
| dc.language.iso | fr | |
| dc.publisher | UNIVERSITE MOHAMED BOUDIAF - M’SILA | |
| dc.subject | Identification des Métabolites | |
| dc.subject | IA | |
| dc.subject | HPLC | |
| dc.subject | MS | |
| dc.subject | CNN | |
| dc.title | Développement d'un modèle d'IA pour la prédiction de l'identité de métabolites inconnus à partir de l'analyse de données HPLC-MS | |
| dc.type | Thesis |