Application de méthodes de classification supervisée et intégration de données hétérogènes pour des données transcriptomiques à haut-débit - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2010

Application de méthodes de classification supervisée et intégration de données hétérogènes pour des données transcriptomiques à haut-débit

(1, 2)
1
2

Résumé

Machine learning methods have been applied to microarray datasets since very recently. Their use aims at extracting differentially expressed genes between different classes and at building a classification function able to predict the class of a new individual. In addition to microarray data, one can have information on the interactions between the variables (genes). This information is gathered into Gene Regulation Networks (GRN). The goal of the thesis was to integrate one or several GRNs into a binary supervised classification task of microarray data. We propose a new method, graph Constrained Discriminant Analysis (gCDA), based on Fisher's Discriminant Analysis. The methods from the literature propose to implement the following constraint: genes connected in the GRN should have similar weights in the classification function. In counterpoint to these methods, gCDA is based on new estimator of covariance matrices able to take into account the information in the GRNs at hand. gCDA is compared to the existing methods with simulated datasets, for which we know exactly the interactions between variables. For real datasets however, the underlying graph is not known. We consequently have also turned our work towards graph inference methods. Finally, we analyzed three real datasets. The GRNs were inferred either on an independent part of the dataset or on another dataset of the same nature. We show that gCDA performs better than the other methods.
Les méthodes d'apprentissage supervisé sont appliquées depuis récemment à des jeux de données de puces à ADN, afin d'une part d'extraire des gènes impliqués dans les différences entre les classes d'individus étudiés et d'autre part de construire une fonction de classification permettant de prédire la classe d'un nouvel individu. Ces données de puces à ADN peuvent être accompagnées d'une information précieuse décrivant les interactions entre les variables (les gènes). Cette information est regroupée sous la forme de réseaux de régulations génétiques (RRG). L'objectif de la thèse est de réaliser l'intégration de l'information contenue dans ces RRGs dans une méthode de classification supervisée binaire. Nous proposons une nouvelle méthode, graph Constrained Discriminant Analysis (gCDA), basée sur l'analyse discriminante de Fisher. Les méthodes de la littérature se proposent d'implémenter la contrainte suivante : les gènes qui sont voisins dans le RRG doivent avoir des poids proches, voire identiques, dans la fonction de classification. À contrepoint de ces méthodes, gCDA est basée sur l'estimation régularisée des matrices de variance covariance qui sont utilisées dans l'analyse discriminante de Fisher. Les estimateurs utilisés dans gCDA prennent en compte l'information contenue dans les RRGs disponibles a priori grâce aux propriétés des modèles graphiques gaussiens. gCDA est comparée aux méthodes de la littérature sur des données simulées, données pour lesquelles le graphe sous-jacent est parfaitement connu. Dans le cas de données réelles, le graphe sous-jacent décrivant les interactions entre variables n'est pas connu. Nous nous sommes donc également intéressés à des méthodes permettant d'inférer de tels graphes à partir de données transcriptomiques. Enfin, des résultats sont obtenus sur trois jeux de données réelles. Les RRG ont été inférés soit sur des jeux de données de même nature mais indépendants (c'est-à-dire concernant des individus qui ne sont pas utilisés pour en classification), soit sur une partie indépendante du jeu de données étudié. Nous montrons une amélioration notable des performances de classification sur ces jeux de données lorsque gCDA est utilisée par rapport à l'utilisation des méthodes de la littérature décrites dans la deuxième partie.
Fichier principal
Vignette du fichier
these_VG.pdf (3.74 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00481822 , version 1 (07-05-2010)

Identifiants

  • HAL Id : tel-00481822 , version 1

Citer

Vincent Guillemot. Application de méthodes de classification supervisée et intégration de données hétérogènes pour des données transcriptomiques à haut-débit. Sciences du Vivant [q-bio]. Université Paris Sud - Paris XI, 2010. Français. ⟨NNT : ⟩. ⟨tel-00481822⟩
354 Consultations
2842 Téléchargements

Partager

Gmail Facebook Twitter LinkedIn More