Markovian graphical models for individual and interaction data integration: application to gene clustering
Modèles markoviens graphiques pour la fusion de données individuelles et d'interactions : application à la classification de gènes
Abstract
The research work presented in this dissertation is on keeping with the statistical integration of post-genomics data of heterogeneous kinds. Gene clustering aims at gathering genes of a living organism -modeled as a complex system- in meaningful groups according to experimental data to decipher the roles of the genes acting within biological mechanisms under study.
We based our approach on probabilistic graphical models. More specifically, we used Hidden Markov Random Fields (HMRF) that allow us to simultaneously account for gene-individual features thanks to probability distributions and network data that translate our knowledge on existing interactions between these genes through a non oriented graph.
Once the biological issues tackled are set, we describe the model we used as well as algorithmic strategies to deal with parameter estimation (namely mean field-like approximations). We then examine two specificities of the data we were faced to : the missing observation problem and the high dimensionality of this data. They lead to refinements of the model under consideration. Lastly, we present our experiments both on simulated and real Yeast data to assess the gain in using our method. In particular, our goal was to stress biologically plausible interpretations of our results.
We based our approach on probabilistic graphical models. More specifically, we used Hidden Markov Random Fields (HMRF) that allow us to simultaneously account for gene-individual features thanks to probability distributions and network data that translate our knowledge on existing interactions between these genes through a non oriented graph.
Once the biological issues tackled are set, we describe the model we used as well as algorithmic strategies to deal with parameter estimation (namely mean field-like approximations). We then examine two specificities of the data we were faced to : the missing observation problem and the high dimensionality of this data. They lead to refinements of the model under consideration. Lastly, we present our experiments both on simulated and real Yeast data to assess the gain in using our method. In particular, our goal was to stress biologically plausible interpretations of our results.
Les recherches que nous présentons dans ce mémoire s'inscrivent dans le cadre de l'intégration statistique de données post-génomiques hétérogènes. La classification non supervisée de gènes vise à regrouper en ensembles significatifs les gènes d'un organisme, vu comme un système complexe, conformément aux données expérimentales afin de dégager des actions concertées de ces gènes dans les mécanismes biologiques mis en jeu.
Nous basons notre approche sur des modèles probabilistes graphiques. Plus spécifiquement, nous utilisons l'outil de champs de Markov cachés qui permet la prise en compte simultanée de données propres à chacun des gènes grâce a des distributions de probabilités et de données traduisant un réseau d'interaction au sein de l'organisme à l'aide d'un graphe non-orienté entre les gènes.
Apres avoir présenté la problématique et le contexte biologique, nous décrivons le modèle utilisé ainsi que les stratégies algorithmiques d'estimation des paramètres (i.e. approximations de type champ moyen). Puis nous nous intéresserons à deux particularités des données auxquelles nous avons été confrontés et qui amènent des développements du modèle utilisé, notamment la prise en compte de l'absence de certaines observations et la haute dimensionnalité de celles-ci. Enfin nous présenterons des expériences sur données simulées ainsi que sur données réelles sur la levure qui évaluent le gain apporté par notre travail. Notamment, nous avons voulu mettre l'accent sur des interprétations biologiques plausibles des résultats obtenus.
Nous basons notre approche sur des modèles probabilistes graphiques. Plus spécifiquement, nous utilisons l'outil de champs de Markov cachés qui permet la prise en compte simultanée de données propres à chacun des gènes grâce a des distributions de probabilités et de données traduisant un réseau d'interaction au sein de l'organisme à l'aide d'un graphe non-orienté entre les gènes.
Apres avoir présenté la problématique et le contexte biologique, nous décrivons le modèle utilisé ainsi que les stratégies algorithmiques d'estimation des paramètres (i.e. approximations de type champ moyen). Puis nous nous intéresserons à deux particularités des données auxquelles nous avons été confrontés et qui amènent des développements du modèle utilisé, notamment la prise en compte de l'absence de certaines observations et la haute dimensionnalité de celles-ci. Enfin nous présenterons des expériences sur données simulées ainsi que sur données réelles sur la levure qui évaluent le gain apporté par notre travail. Notamment, nous avons voulu mettre l'accent sur des interprétations biologiques plausibles des résultats obtenus.
Fichier principal
manuscrit_biblio_soutenance.pdf (5.17 Mo)
Télécharger le fichier
slides_defense.pdf (6.96 Mo)
Télécharger le fichier
Format | Other |
---|
Loading...