Aide à l'exploration et à la découverte de relations dans des données de la Génomique Médicale Fonctionnelle

Assistance for exploration and discovery of relationships in medical functional genomics data

• Auteur / Autrice : Arriel Benis
• Direction : Jean-Daniel Zucker, Mélanie Courtine
• Type : Thèse de doctorat
• Discipline(s) : Informatique médicale
• Date : Soutenance en 2009
• Etablissement(s) : Paris 13
• Jury : Examinateurs / Examinatrices : Younès Bennani, Alain Venot
• Jury : Rapporteurs / Rapporteuses : Alain Duhamel, Pascal Roy

Mots clés

Mots clés contrôlés

Empreintes génomiques

Systèmes d'affichage

Problèmes aux valeurs propres

Corrélation (statistique)

Représentation des connaissances

Exploration de données

Résumé

La Fouille de Données est un domaine de recherche émergent en Informatique Médicale. Aujourd’hui, les protocoles de recherche clinique ne se contentent plus de collecter des données uniquement médicales, mais ils s’intéressent aussi aux données génétiques et génomiques. Les approches utilisées par les biologistes dans ce contexte n’étudient qu’une infime partie des données en se fondant sur des a priori. Nos travaux reposent sur l’automatisation de ce processus d’analyse. Premièrement, cette thèse s’intéressera à la mise en place d’un flux de données adapté aux données que nous souhaitons traiter (données biocliniques et issues de puces à ADNc). Ensuite, les valeurs singulières, dues à la qualité relative des données et sources d’erreurs, seront identifiées automatiquement grâce à une méthode de classification. Enfin, l’ensemble de ces résultats sera présenté de manière accessible aux experts. Des expérimentations ont été menées dans le domaine de l’étude des Obésités et ont permis de valider notre processus et de découvrir des biomarqueurs. Une analyse globale d’usage et d’utilisabilité a montré l’intérêt de notre approche.

Data Mining is an emerging area in Medical Informatics research field. Nowadays, clinical research protocols are no longer limited to collect only medical data, but they are also regarding to other kinds of data such as genomic data from cDNA microarrays. Currently, the approaches commonly used by biologists in this context simply explore a tiny part of the data based on a priori. Our work is based on automating the analysis process. Firstly, this PhD dissertation focuses on the definition of a data workflow adapted to data that we deal with (bioclinical and genomics data). Secondly, outliers, due to the relative quality of data and sources of errors in analysis are automatically identified thanks to a classification method. Finally, all these results will be presented in an easy way to biologist experts. Experiments related to researches in obesity medicine have been done and allowed to validate our Data Mining process and to discover biomarkers. Evaluations of use and usability have shown the benefits of our approach.