Le tissu adipeux (gras) joue un rôle central dans la pathophysiologie des maladies liées à l’obésité : les cellules adipeuses peuvent croître, et leur nombre peut aussi augmenter pour gérer le stockage des lipides. Il est important de comprendre l'évolution des tailles des cellules adipeuses pour entre autre comprendre les mécanismes impliqués dans les maladies liées à l’obésité.
Nous possédons des données de tailles cellulaires à très haut débit avec environ 20 000 cellules par échantillons, ce qui nous donne des distributions de taille très précises.
Nous proposons un modèle basé sur une équation aux dérivées partielles structurée en taille pour décrire la dynamique du tissu adipeux. Après une discussion de l’identifiabilité des paramètres, nous présenterons une estimation des paramètres du modèle s'appuyant sur une méthode CMAES. Nous validerons notre méthode avec des données synthétiques générées par le modèle, puis nous discuterons les valeurs de paramètres obtenues à partir des distributions mesurées chez plusieurs rats.

Deep generative models parametrize very flexible families of distributions able to fit complicated datasets of images or text. These models provide independent samples from complex high-distributions at negligible costs. On the other hand, sampling exactly a target distribution, such a Bayesian posterior, is typically challenging: either because of dimensionality, multi-modality, ill-conditioning or a combination of the previous. In this talk, I will review recent works trying to enhance traditional inference and sampling algorithms with learning. I will present in particular flowMC, an adaptive MCMC with Normalizing Flows along with first applications and remaining challenges.