HAL Evry
Not a member yet
19237 research outputs found
Sort by
Exploiter la diversité des enzymes natives pour la biocatalyse
No full textInternational audienceThe use of enzymes for synthetic purposes typically relies on well-known or commercially available proteins, valued for their established properties. However, these enzymes may not always be ideal for specific reactions, prompting researchers to explore the vast diversity of enzymes within biodiversity. Genome and metagenome mining offers a rich reservoir of sequences, revealing novel enzymes with enhanced properties such as thermostability and substrate specificity, which are crucial for industrial applications. Advances in large-scale sequencing have exponentially increased available protein sequences, with over 2.4 billion reported in 2023 compared to 123 million in 2018. Despite its potential, enzyme discovery from metagenomic data remains challenging due to the immense volume of sequences. This necessitates innovative computational tools and bioinformatics workflows to streamline the identification of biocatalysts. Bioinformatics plays a pivotal role in predicting enzyme functions, analyzing protein superfamilies, and selecting key enzymes via biosynthetic gene clusters. Integration of artificial intelligence (AI) further enhances enzyme discovery and retrosynthetic pathway design, enabling the customization of enzymes for specific applications. Case studies from our laboratory illustrate the efficiency of genome mining and bioinformatics in discovering enzymes complementary to known ones, modifying metabolic reactions, and identifying novel scaffolds. These methods have expanded the diversity of enzymes available for synthesis, underscoring the importance of synergizing bioinformatics with biocatalysis to harness biodiversity and develop a versatile enzymatic toolbox.L’utilisation des enzymes en synthèse repose généralement sur des protéines connues ou commerciales, employées pour leurs propriétés bien établies. Cependant, ces enzymes ne sont pas toujours adaptées à des réactions spécifiques, incitant les chercheurs à rechercher des enzymes dans la biodiversité. Les (meta)génomes offrent un riche réservoir et leur exploration permet de révéler des enzymes avec de nouvelles propriétés, telles que la thermostabilité et la spécificité des substrats, essentielles pour les applications industrielles. Les progrès en séquençage à grande échelle ont multiplié de manière exponentielle les séquences disponibles, avec plus de 2,4 milliards répertoriées en 2023 contre 123 millions en 2018.Malgré son potentiel, la découverte d’enzymes à partir de données métagénomiques reste complexe en raison de l’immense volume de séquences. Cela nécessite des outils de calcul innovants et des séquences d’opérations bioinformatiques pour rationaliser l’identification des biocatalyseurs. La bioinformatique joue un rôle clé dans la prédiction des fonctions enzymatiques, l’analyse des superfamilles de protéines et la sélection d’enzymes via les clusters de gènes biosynthétiques. L’intégration de l’Intelligence Artificielle (IA) améliore encore la découverte d’enzymes et la conception de voies rétrosynthétiques, permettant d’adapter des enzymes pour des applications spécifiques.Des études de cas de notre laboratoire illustrent l’efficacité de l’exploration des génomes et de la bioinformatique pour découvrir de nouvelles enzymes, modifier des réactions métaboliques et identifier de nouvelles structures. Ces méthodes ont élargi la diversité des enzymes disponibles pour la synthèse, soulignant l’importance de la synergie entre bioinformatique et biocatalyse pour exploiter la biodiversité et développer une boîte à outils enzymatique polyvalente
Pandémie de Covid, télétravail et santé globale au travail
No full textInternational audienceCommunication lors de la session "Bien-être au travail" de l'après-midi du 22 ma
Qui connaît Boimondau ? Une enquête historiographique et épistémologique
No full textFNEGE 2International audienceL'article s'intéresse à une organisation et à l'histoire de sa réception : la Communauté Boimondau , organisation française de production de boîtiers de montre de 1941 à 1971. Des matériaux historiques divers ont été analysés pour retracer les traits saillants de cette organisation puis de sa réception par la société civile et la sphère académique. Ce faisant, des sources sociologiques, philosophiques et psychologiques de la pensée managériale sont mises en avant. Les auteurs soulignent des phénomènes d'oublis dans la construction du savoir. Le rôle curatif de l'histoire est alors mis en exergue
Méthodes de deep learning pour la prédiction de structure secondaire des ARNs longs
No full textThe essential role of RNAs in various biological processes and diseases has been demonstrated. However, the function of many RNAs is still unknown. A better understanding of the role of RNAs could lead to the discovery of new biomarkers or therapeutic targets to improve the efficacy of medical treatments.However, the experimental validation of the function of RNAs is very costly, which hinders the study of their roles. This problem can be overcome with the help of computational tools. In particular, deep learning is now widely used to study RNAs, enabling accurate and efficient methods for many tasks by discovering recurrent patterns in large datasets.A distinction is traditionally made between short and long RNAs based on a threshold length of 200 nucleotides. However, different thresholds have been proposed. We define here this threshold at 1,000 nucleotides. Indeed, while RNAs shorter than this threshold have been extensively studied, longer RNAs have a wide range of functions and are not yet well characterized.Most existing methods focus on the study of short RNAs and do not extend to long RNAs, either for reasons of performance or algorithmic complexity.RNAs can be characterized by their secondary structure, thus allowing us to understand their function.Pseudoknots are a special type of biological motif within the secondary structure of RNAs in that they are not nested within the main structure. As a result, pseudoknots provide valuable insight into the structure of RNAs in three-dimensional space, allowing them to be more finely characterized.However, the determination of pseudoknots is a complex problem for which the performance of current methods still leaves to be desired.We use deep learning to determine the secondary structure of long RNAs from their biological sequence alone.In this thesis, we first present DivideFold, which aims to predict the secondary structure of long RNAs based on their biological sequence.We rely on a "divide and conquer" approach based on deep learning to process longer RNAs in linear time.Our algorithm uses an insertion of various known motifs to represent the information in the sequence, then recursively divides the sequence into multiple fragments using a one-dimensional convolutional neural network until they are short enough to be passed to an existing secondary structure prediction method.Secondly, we propose to extend DivideFold to secondary structure prediction with pseudoknots for long RNAs.By using sufficiently large fragments, merging them, and using an existing method that is able to predict pseudoknots in fragments, we extend DivideFold to the detection of pseudoknots in long RNAs, even over long distances.Finally, we propose new data augmentation functions for RNA sequences and secondary structures, which help improve the performance and generalization capabilities of learning methods by providing a more diverse data set. This is particularly important for long RNAs, for which the amount of available secondary structure data is very limited. Such methods already exist for RNA sequences, but do not yet extend to secondary structure data.Our tool DivideFold is made available to the scientific community on the EvryRNA platform.Le rôle essentiel des ARNs a été démontré dans divers processus biologiques et maladies. Toutefois, on ignore encore la fonction de nombreux ARNs. Une meilleure connaissance de leur rôle pourrait permettre de découvrir de nouveaux biomarqueurs ou cibles thérapeutiques et ainsi d'améliorer l'efficacité des traitements médicaux.Cependant, la validation expérimentale de leur fonction est très coûteuse, ce qui pose un frein à l'étude de leurs rôles. Il est possible de pallier ce problème grâce à des outils informatiques.En particulier, l'apprentissage profond est aujourd'hui fréquemment utilisé pour l'étude des ARNs.Il permet de découvrir efficacement des motifs récurrents dans de larges jeux de données.On distingue traditionnellement les ARNs courts et les ARNs longs en fonction d'un seuil de 200 nucléotides. Toutefois, différents seuils ont déjà été proposés. Nous définissons ici ce seuil à 1000 nucléotides. En effet, si les ARNs plus courts que ce seuil ont été étudiés en profondeur aujourd'hui, les ARNs plus longs possèdent des fonctions très variées et sont encore mal caractérisés.La majorité des méthodes existantes se focalisent sur l'étude des ARNs courts et ne permettent pas d'être étendues aux ARNs longs, que ce soit pour des raisons de performance ou de complexité algorithmique.Les ARNs peuvent être caractérisés notamment par leur structure secondaire, permettant de comprendre leur fonction.Les pseudo-noeuds sont un type de motif biologique particulier au sein de la structure secondaire des ARNs car ils ne sont pas imbriqués dans la structure principale. De ce fait, les pseudo-noeuds permettent un aperçu précieux de la structure des ARNs dans l'espace en trois dimensions et donc de les caractériser plus finement.Toutefois, la détermination des pseudo-noeuds est un problème complexe pour lequel les performances des méthodes actuelles sont encore insatisfaisantes.Nous utilisons l'apprentissage profond pour déterminer la structure secondaire des ARNs longs, à partir de leur séquence biologique uniquement.Dans cette thèse, nous présentons tout d'abord DivideFold, qui a pour but de prédire la structure secondaire des ARNs longs selon leur séquence biologique.Nous nous basons sur une approche "diviser pour régner" afin de nous adapter à des ARNs plus longs en temps linéaire.Notre algorithme utilise des motifs connus pour représenter l'information dans la séquence, puis divise la séquence récursivement en plusieurs fragments grâce à un réseau de neurones convolutifs à une dimension jusqu'à ce qu'ils soient suffisamment courts pour pouvoir être donnés à une méthode existante de prédiction de structure secondaire.En deuxième lieu, nous proposons une extension de DivideFold permettant la prédiction de structure secondaire avec pseudo-noeuds pour les ARNs longs.En utilisant des fragments suffisamment larges, en les fusionnant, et en utilisant une méthode existante capable de prédire les pseudo-noeuds dans les fragments, il est possible pour DivideFold de reconnaître les pseudo-noeuds dans les ARNs longs, même à longue distance.Enfin, nous proposons de nouvelles fonctions d'augmentation de données pour les séquences et les structures secondaires des ARNs, permettant d'améliorer les performances et les capacités de généralisation des méthodes d'apprentissage en mettant à disposition un jeu de données plus varié. Cela est particulièrement important pour les ARNs longs, pour lesquels la quantité de données de structure secondaire disponibles est très restreinte. De telles méthodes existent déjà pour les séquences d'ARN, mais pas encore pour les données de structure secondaire.Notre outil DivideFold est mis à disposition de la communauté scientifique sur la plateforme EvryRNA
Learning an Inverse Thermodynamic Model for Pneumatic Artificial Muscles Control
No full textInternational audiencePneumatic Artificial Muscles (PAMs) are highly nonlinear actuators widely used in robotics, rehabilitation, and other dynamic applications. Their complex behavior poses significant challenges for traditional system identification methods. Although machine learning techniques have shown remarkable success in modeling nonlinear systems, their black-box nature often leads to interpretability issues and susceptibility to overfitting. This study proposes a novel hybrid modeling approach that combines the strengths of analytical models with neural networks to capture the inverse thermodynamic behavior of PAMs. The results demonstrate that the hybrid model outperformed both analytical and purely neural network models. The obtained models were further used for model-based control design and the results show that the application of hybrid model improved the tracking performance
Choices of regulatory logic class modulate the dynamical regime in random Boolean networks
No full textInternational audienceRandom Boolean networks (RBNs) have been widely explored as model complex systems and as simplified gene regulatory networks. Stability (order) and instability (chaos), essential characteristics of any dynamical system, have naturally been a central focus in RBN research. Stability has been assessed using measures like damage spreading and attractor properties (e.g. number, length and basin size). Although network topology is known to influence network dynamics, Boolean functions (BFs) assigned to each node play an equally crucial role. In this work, we systematically examine the influence of five different classes of BFs on the dynamics of RBNs. By employing various dynamical stability measures, we show that compared to random BFs, biologically meaningful BFs consistently drive the dynamics towards the ordered regime, regardless of network size, connectivity, and degree distributions. Moreover, the values of the stability measures change differently across BF classes as network connectivity or size increases: random BFs typically push the dynamics towards a more chaotic regime whereas biologically meaningful BFs show very minimal fluctuations for most stability measures. These findings emphasize the advantage of restricting to biologically meaningful classes in the reconstruction and modeling of biological systems within Boolean framework
Union membership: a career self-management strategy to cope with the career difficulties associated with working in the gig economy
No full textInternational audienceThe gig economy, initially perceived as beneficial for workers, is found to enhance resilience and job-crafting skills, with gig workers displaying proactive behaviours and finding meaning in their work. However, studies suggest potential drawbacks, such as limited development opportunities and hindered career progression. Gig economy platforms may restrict workers' mobility and competency development. Crowd workers share values like autonomy, dignity, and impact. While autonomy aligns with protean career guidance, gig workers experience mixed feelings, balancing empowerment with economic and institutional marginalisation due to technology constraints. Frustrations and social costs arise from highly prescribed work. This chapter aims to explore the gig economy's impact on workers and their collective organisation for career pursuits. A triangulation approach involving 35 interviews with Uber and Deliveroo rideshare workers (25 union members) and ten union leaders is used to understand the context of these companies and their influence on workers. The analysis reveals workers' decisions to join collectives, showcasing evolving commitments with positive and negative outcomes. Two contributions to the literature emerge: individual and collective career strategies of platform workers tied to encountered constraints and the underexplored link between collective involvement and career strategies
Produire une réforme contestée. Clivages et interdépendances des espaces impliqués dans la Loi de Programmation de la Recherche (2018-2020)
No full textThis dissertation analyzes the process of crafting a contested reform, the Research Programming Law (LPR), enacted in December 2020. It seeks to understand the conditions that made it possible to adopt this reform despite the opposition it faced within the academic community.By combining public policy sociology and field theory, we examine the dynamics shaping the different stages of the process, the arenas in which the reform was developed, the relationships between mobilized collectives and political decision-makers, as well as the ways in which research-related issues were reframed across different fields.This research employs both quantitative and qualitative analyses, using a mixed-methods approach (lexical analysis, multiple correspondence analysis, interviews, and observations). It sheds light on the institutional, political, and professional dynamics that structured the making of this law.The study first highlights the structure of the higher education and research (HER) field and the transformations that have affected it over several decades. It shows that the LPR is part of a broader continuum of reforms characterized by the dissemination of a “reformist common sense”, which legitimizes certain political orientations, such as increased institutional autonomy, competition for funding, and differentiated employment statuses.By analyzing the actors and arenas where the reform was debated, this research reveals the divisions structuring the space of reform-making. The dissertation thus highlights the mechanisms that synchronized interests across the different fields involved in the legislative process, explaining why certain proposals were incorporated into the final text while others were dismissed. We conclude that the interplay between the social structure of sectoral policymaking and conjunctural factors creates the conditions for reform feasibility.Finally, this research proposes a sociological framework for analyzing public policy, applicable to other sectors. It underscores the relationship between the social structures of the fields engaged in lawmaking and the conjunctural dynamics shaping reform trajectories. Through the case of the LPR, it contributes to a better understanding of the transformations of a professional group and the processes of legitimation and adoption of sectoral public policies.Cette thèse analyse le processus d'élaboration d'une réforme contestée, la Loi de Programmation de la Recherche (LPR), promulguée en décembre 2020. Elle cherche à comprendre les conditions qui ont rendu possible l'adoption de cette réforme malgré l'opposition qu'elle a suscitée dans la communauté académique.En articulant sociologie de l'action publique et théorie des champs, nous analysons les dynamiques qui structurent les différentes étapes du processus, les arènes de l'élaboration de la réforme, les relations entre les collectifs mobilisés et les décideurs politiques, ainsi que les formes d'actualisation des enjeux liés à la recherche dans différents espaces.Cette recherche combine analyse quantitative et analyse qualitative, en mobilisant des méthodes mixtes (analyse lexicale, analyse des correspondances multiples, entretiens, observations). Ce travail éclaire les dynamiques institutionnelles, politiques et professionnelles qui ont structuré la fabrication de cette loi. L'étude met d'abord en évidence la structuration du champ de l'enseignement supérieur et de la recherche (ESR) et les transformations qui l'affectent depuis plusieurs décennies. Elle montre que la LPR s'inscrit dans un continuum réformateur, marqué par la diffusion d'un « sens commun réformateur » qui légitime certaines orientations politiques, telles que l'autonomie accrue des établissements, la compétition pour les financements et la différenciation statutaire des personnels.En analysant les agents et les arènes où la réforme a été discutée, cette recherche montre les clivages qui structurent l'espace d'élaboration de la réforme. La thèse met ainsi en lumière les mécanismes de synchronisation des intérêts entre les différents espaces impliqués dans la production de la loi, expliquant pourquoi certaines propositions ont été reprises dans le texte final tandis que d'autres ont été écartées. Nous en concluons que l'articulation entre la structure sociale de production d'une politique sectorielle et des facteurs conjoncturels crée les conditions de possibilité de la réforme.Enfin, cette recherche propose un modèle d'analyse sociologique de l'action publique applicable à d'autres secteurs. Elle souligne l'articulation entre les structures sociales des champs engagés dans la production de la loi et les dynamiques conjoncturelles qui façonnent les trajectoires des réformes. À travers le cas de la LPR, elle contribue à une meilleure compréhension des évolutions d'un groupe professionnel et du processus de légitimation et d'adoption des politiques publiques sectorielles
The interplay between open innovation and business model innovation explained through a dynamic capabilities perspective
No full textInternational audienceOpen innovation practices require firms to transform certain aspects of their organisational structures and processes to accomplish success. The level of openness determines how firms should adapt their business models to align with specific open innovation practices. Although open innovation and business model innovation are closely interconnected, the extant literature provides limited evidence on how firms embark on these two processes together, particularly in the context of smaller firms. To address this gap, we adopt dynamic capabilities (sensing, seizing, and reconfiguring capabilities) as a theoretical lens to explore this phenomenon in SMEs and startups. Using a multiple case study approach, we draw insights and identify key concepts from biotech SMEs and startups. This methodology enables us to uncover emerging theories related to the interplay between open innovation and business model innovation, as well as the critical role of dynamic capabilities. Our research advances the literature on open innovation, business model innovation, and dynamic capabilities by providing empirical evidence and developing theoretical frameworks. Additionally, we offer practical insights with managerial implications to guide firms navigating these complex processes
On a class of triangular cross-diffusion systems and its fast reaction approximation
No full textThe purpose of this article is to investigate the emergence of cross- diffusion in the time evolution of two slow-fast species in competition. A class of triangular cross-diffusion system is obtained as the singular limit of a fast reaction-diffusion system. We first prove the convergence of the unique strict solution of the fast reaction-diffusion system towards a (weak, strong) solution of the cross-diffusion system, as the reaction rate ε−1 goes to +∞. Furthermore, under the assumption of small cross-diffusion, we obtain a convergence rate as well as the influence of the initial layer, due to initial data, on the convergence rate itself. Both results are obtained through energy functionals that handle the fast reaction terms uniformly in ε