La recherche de nouveaux bio-marqueurs pour les séquences thérapeutiques des cancers "pan-gyn" grâce à l’apprentissage automatique
Auteur / Autrice : | Elena Menand |
Direction : | Pierre Chauvet, Alain Morel, Nisrine Jrad |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 19/12/2022 |
Etablissement(s) : | Angers |
Ecole(s) doctorale(s) : | École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) - Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS |
Jury : | Président / Présidente : Mario Campone |
Examinateurs / Examinatrices : Jean-Marie Marion, Fahed Abdallah, Marie de Tayrac, Mathieu Hatt |
Mots clés
Résumé
L’expression des gènes est connue pour être associée à la survie globale chez les patients avec un cancer. L’analyse de survie pour le cancer de l’ovaire permet potentiellement non seulement la stratification des patientes mais également la recherche des nouvelles cibles thérapeutiques. Ce travail présente l’étude des techniques d’analyse de survie récentes basées sur des réseaux de neurones artificiels (ANN) et compare la performance des ces modèles sur la base des données RNA-seq des tumeurs ovariennes. Il souligne également le fait que ces modèles d’apprentissage profond sont capables de transférer la connaissance à travers le groupe "pan-gyn" dans le but d’améliorer la précision des prédictions au niveau du cancer de l’ovaire car ce groupe des cancers gynécologiques et du sein partage de caractéristiques communes. Cette thèse propose un nouveau modèle de survie basé sur l’apprentissage profond, appelé N-MTLR-Rank, ce dernier a été entrainé avec les données du TCGA (The Cancer Genome project) et validé avec un dataset indépendant. De plus, elle démontre comment ce modèle peut être apparenté à des voies biologiques en lien avec la survie des patientes avec le cancer de l'ovaire.