Extraction et utilisation de connaissances pré-existantes pour l'identification de signatures biologiques auto-immunes

Extraction and use of pre-existing knowledge for the identification of autoimmune biological signatures

• Auteur / Autrice : Nathan Foulquier
• Direction : Pascal Redou, Alain Saraux
• Type : Thèse de doctorat
• Discipline(s) : Immunologie
• Date : Soutenance le 26/02/2020
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Biologie-Santé (Nantes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest ; 2012-....)
• Jury : Président / Présidente : Cédric Buche
• Jury : Examinateurs / Examinatrices : Pascal Redou, Alain Saraux, Cédric Buche, Monique Thonnat, Laure Gossec, Jacques-Olivier Pers, Raphaèle Seror, Christophe Le Gal
• Jury : Rapporteurs / Rapporteuses : Monique Thonnat, Laure Gossec
• DOI : 10.70675/8bdb67b7zc381z45ccza28fz71978e1e325c

Mots clés

Mots clés contrôlés

Maladies autoimmunes

Intelligence artificielle en biologie

Mots clés libres

Intelligence artificielle

Connaissances pré-existantes

Immunologie

Artificial intelligence

Prior knowledge

Immunology

Résumé

Ces recherches allient l'intelligence artificielle et la biologie médicale, avec un accent particulier sur l'auto-immunité. L'objectif central est l'extraction de signatures biologiques spécifiques des patients atteints de maladies auto-immunes. Pour y parvenir, nous avons conçu une approche nommée Data Pixelisation (DPIX). Elle tire parti de connaissances préalables extraites de la littérature scientifique pour créer une structure d'image unique. Chaque variable devient un pixel, et ces pixels voisins représentent des variables similaires. Pour optimiser cette structure, nous avons développé l'algorithme Guided Mutation Algorithm (GMA), présenté en détail ici. Les images générées servent à entraîner un réseau de neurones à convolution (CNN), spécialement conçu pour assurer l'extraction de signatures biologiques chez les patients atteints de maladies auto-immunes. L'utilisation de ces images comme entrées pour le CNN permet une représentation multidimensionnelle des données, intégrant des relations subtiles identifiées dans la littérature scientifique. Cette approche est illustrée à travers trois exemples concrets, démontrant son efficacité dans la compréhension des mécanismes biologiques complexes associés aux maladies auto-immunes. La discussion souligne l'importance cruciale des connaissances préalables en biologie, guidant le processus d'apprentissage automatique et améliorant la capacité du modèle à extraire des signatures biologiques significatives. Ces travaux soulignent la pertinence et la faisabilité d'une approche intégrative combinant l'expertise biologique et les techniques avancées d'intelligence artificielle pour résoudre des problèmes complexes en médecine.

These research endeavors amalgamate artificial intelligence and medical biology, with a particular focus on autoimmunity. The central objective is to extract specific biological signatures from patients suffering from autoimmune diseases. To achieve this, we have devised an approach named Data Pixelization (DPIX). It leverages prior knowledge gleaned from scientific literature to construct a unique image structure. Each variable transforms into a pixel, and these adjacent pixels symbolize similar variables. To refine this structure, we developed the Guided Mutation Algorithm (GMA), elucidated in detail here. The generated images are employed to train a convolutional neural network (CNN), specially crafted to facilitate the extraction of biological signatures from patients with autoimmune diseases. The use of these images as inputs for the CNN allows for a multidimensional representation of data, incorporating subtle relationshipsidentified in scientific literature. This methodology is exemplified through three concrete examples, showcasing its efficacy in comprehending complex biological mechanisms associated with autoimmune diseases. The discussion underscores the pivotal importance of prior knowledge in biology, guiding the machine learning process and enhancing the model's capability to extract meaningful biological signatures. These endeavors underscore the relevance and feasibility of an integrative approach that combines biological expertise with advanced artificial intelligence techniques to address complex issues in medicine.