Dimensionality Reduction of Biomedical Tumor Profiles : a Machine Learning Approach - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Dimensionality Reduction of Biomedical Tumor Profiles : a Machine Learning Approach

Réduction de la dimensionnalité des profils tumoraux biomédicaux : une approche d'apprentissage automatique

Martin Palazzo
  • Fonction : Auteur
  • PersonId : 1173456
  • IdRef : 263027937

Résumé

The increasing pace of data generation from tumor profiles profiles during the last decade has enable the development of statistical learning algorithms to explore and analyze the landscape of tumor types, subtypes and patient survival from a biomolecular point of view. Tumor data is mainly described by trasncriptomic features and the level of expression of a given gene-transcript in the tumor cell, therefore these features can be used to learn statistical rules that improves the understanding about the state and type of a cancer cell. Nevertheless transcriptomic tumor data is high dimensional and each tumor can be described by thousands of gene features making it difficult to perform a machine learning task and to understand the underlying biological mechanisms. This thesis studies how to reduce dimensionality and to gain interpretability about which genes encode signals of the data distribution by proposing dimension reduction methods based on Feature Selection and Feature Extraction pipelines. The proposed methods are based on Latent Variable Models and Kernel Methods with the idea to explore the connection between pair-wise similarity functions of tumor samples and low dimensional latent spaces that captures the inner structure of the training data. Proposed methods have shown improvements in supervised and unsupervised feature selection tasks when compared with benchmark methods to classify and learn subgroups of tumors respectively.
Le rythme croissant de génération de données à partir de profils tumoraux au cours de la dernière décennie a permis le développement d'algorithmes d'apprentissage statistique pour explorer et analyser le paysage des types et sous-types de tumeurs et la survie des patients d'un point de vue biomoléculaire. Les données tumorales sont principalement décrites par des caractéristiques transcriptomiques et le niveau d'expression d'un transcrit génique donné dans la cellule tumorale. Par conséquent, ces caractéristiques peuvent être utilisées pour apprendre des règles statistiques qui améliorent la compréhension de l'état et du type d'une cellule cancéreuse. Néanmoins, les données tumorales transcriptomiques sont de grande dimension et chaque tumeur peut être décrite par des milliers de caractéristiques génétiques, ce qui rend difficile la réalisation d'une tâche d'apprentissage automatique et la compréhension des mécanismes biologiques sous-jacents. Cette thèse étudie comment réduire la dimensionnalité et gagner en interprétabilité pour savoir quels gènes codent le signal de la distribution des données en proposant des méthodes de réduction de dimension basées sur un modèle qui envisage la structure globale des données à l'aide d'un espace de représentation latente. Les méthodes proposées ont montré des améliorations dans les tâches de sélection de caractéristiques supervisées et non supervisées par rapport aux méthodes de référence pour classer et apprendre des sous-groupes de tumeurs respectivement.
Fichier principal
Vignette du fichier
Martin_Palazzo_2021TROY0031.pdf (17.27 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03810693 , version 1 (11-10-2022)

Identifiants

  • HAL Id : tel-03810693 , version 1

Citer

Martin Palazzo. Dimensionality Reduction of Biomedical Tumor Profiles : a Machine Learning Approach. Bioinformatics [q-bio.QM]. Université de Technologie de Troyes; Universidad Tecnológica Nacional. Facultad Regional Buenos Aires (Buenos Aires, Argentine), 2021. English. ⟨NNT : 2021TROY0031⟩. ⟨tel-03810693⟩
79 Consultations
28 Téléchargements

Partager

Gmail Facebook X LinkedIn More