- M. Fabien COMPEAU soutiendra publiquement sa thèse : Lundi 29 juin 2026 à 14h30, Université Sorbonne Paris Nord, UFR SMBH, Faculté de médecine de Bobigny – 9 rue de Chablis, 93000 Bobigny – Salle M47
Spécialité : Sciences de la vie et de la santé
Sujet : Mise au point de milieux de cultures synthétiques à base de peptones de nouvelle génération.
Résumé
Bien que les milieux de cultures chimiquement définis et/ou sans sérum représentent une alternative intéressante pour réduire et limiter la consommation de sérum de veau fœtale (SVF), leurs coûts sont encore 1.5 à 3 fois plus élevée que les milieux basaux supplémenté en sérum. C’est pourquoi nous avons décidé de mettre en place un milieu de culture à base d’hydrolysats de protéines végétales. La supplémentation d’hydrolysats de protéines végétales dans un milieu de culture Ham’s F-12 appauvri en SVF (1% SVF) a montré des effets bénéfiques sur la prolifération cellulaire des cellules d’ovaires d’hamster chinois (CHO). L’analyse des essais de prolifération cellulaire ont mis en évidence que la supplémentation en peptones à des concentrations faibles (1 ? 2 mg/mL) ont permis d’obtenir des niveaux de prolifération cellulaires relatives similaires à celles obtenues avec des cultures entretenues dans un milieu de culture supplémenté à 10% SVF. L’étude du protéome par Label-Free a démontré que les peptones végétales modulent le comportement des cellules CHO grâce à un rééquilibrage cordonnées de différents modules fonctionnels au sein d’un environnement protéomique conservé. Bien que ce rééquilibrage obéisse à un principe organisationnel commun, chaque peptone induit ses propres modulations. Une autre étude de protéomique par gel d’électrophorèse bidimensionnelle a permis une vingtaine de protéines régulées lorsque les cellules sont entretenues dans un milieu faible en SVF mais supplémentées par des peptones de blé.
- M. Hugo ATTALI soutiendra publiquement sa thèse : Mercredi 1er juillet 2026 à 14h, Université Sorbonne Paris Nord, 99 avenue Jean Baptiste Clément-93430 Villetaneuse-Institut Galilée- – Salle B 107
Spécialité : Informatique
Sujet : Diagnostics et interventions structurelles pour les réseaux de neurones opérant sur les graphes
Résumé
Les réseaux de neurones sur graphes (GNNs) reposent sur un mécanisme de passage de messages local : à chaque couche, chaque nœud agrège uniquement l’information de ses voisins immédiats. Empiler davantage de couches élargit théoriquement le champ récepteur, mais ne résout pas le problème en pratique : la profondeur aggrave deux phénomènes bien documentés, l’over-smoothing, qui homogénéise progressivement les représentations, et l’over-squashing, qui compresse les signaux lointains à travers des goulots d’étranglement topologiques. Cette thèse soutient que ces phénomènes ne sont pas de simples effets architecturaux et que leur sévérité est gouvernée par la topologie du graphe, et varie selon les données, les tâches et les régimes d’apprentissage. Les méthodes de réécriture ou de modification du graphe existantes tentent d’y remédier en modifiant la connectivité avant l’entraînement, mais partagent trois limites récurrentes : elles ignorent les attributs des nœuds, requièrent des hyperparamètres sensibles, et s’appuient sur des descripteurs structurels dont le coût de calcul croît quadratiquement ou cubiquement avec la taille du graphe. Cette thèse développe des méthodes sensibles à la structure qui adressent ces limites selon trois axes complémentaires. Un premier axe propose deux stratégies de réécriture statique. Delaunay Rewiring (DR) reconstruit un nouveau graphe à partir des attributs des nœuds par triangulation de Delaunay, sans hyperparamètre et avec un coût de prétraitement d’ordres de grandeur inférieur aux autres méthodes. RNRP établit un lien entre graphes expanseurs de Ramanujan et courbure de résistance non négative. Un deuxième axe dépasse la rigidité des méthodes de rewiring static. TRIGON apprend quels triangles retenir parmi plusieurs sources structurelles, via un module de sélection différentiable, produisant des graphes avec des structures plus favorables pour le message passing. ADARew va plus loin en traitant la combinaison de stratégies de réécriture elle-même comme un composant appris, via un mécanisme de fusion Gumbel-Softmax. Un troisième axe aborde une question diagnostique plus fondamentale : pour un nœud donné et un GNN donné, à quelle distance se trouve réellement le signal pertinent pour la tâche ? Nous introduisons un diagnostic jacobien aligné sur la marge de classification qui quantifie, au niveau du nœud, la fraction du signal prédictif provenant du voisinage immédiat par rapport aux sauts plus lointains. Nous montrons que cette quantité est prédictible à partir de la topologie seule. Ce diagnostic motive FLAN, une couche légère sans réécriture qui adapte la représentation de chaque nœud selon son besoin estimé en information locale ou longue portée. Dans l’ensemble, cette thèse établit que la topologie n’est pas seulement le support du passage de messages, mais un objet central d’analyse, de diagnostic et d’intervention pour l’apprentissage de représentations sur graphes.
