Résumé
Stochastic Translation Efficiency (STE) est un indicateur important pour l’étude des mécanismes d’adaptation cellulaire, mais sa mesure expérimentale demeure complexe. L’objectif de ce travail est de construire un modèle prédictif de STE à l’aide de méthodes de machine learning intégrant des données multi-omiques chez la levure Saccharomyces cerevisiae. Les données analysées portent sur environ 5 000 gènes et combinent plusieurs types de variables explicatives: caractéristiques structurelles, modifications de l’ARN messager et mesures de dégradation. Les observations sont disponibles sous deux conditions expérimentales : une condition contrôle et une condition soumise à un stress glycémique de 10 minutes.Le modèle est entraîné à partir des données issues de la condition contrôle. Il repose sur une architecture en trois étapes : (i) une réduction de dimension destinée à traiter la forte corrélation et la redondance des variables explicatives, (ii) une méthode de clustering visant à identifier des groupes de gènes, et (iii) un modèle de régression permettant de prédire la STE.Cette approche intégrée permet de traiter la complexité et la grande dimensionnalité des données multi-omiques, tout en améliorant la stabilité et la robustesse des prédictions de l’efficacité de traduction.