La recherche de nouveaux bio-marqueurs pour les séquences thérapeutiques des cancers "pan-gyn" grâce à l’apprentissage automatique

Machine learning based novel biomarkers discovery for therapeutic use in "pan-gyn" cancers

• 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 : LARIS. Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) - Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS
• Jury : Président / Présidente : Mario Campone
• Jury : Examinateurs / Examinatrices : Jean-Marie Marion, Fahed Abdallah, Marie de Tayrac, Mathieu Hatt

Mots clés

Mots clés contrôlés

Dissertation universitaire

Analyse de séquence d'ARN

Transcriptome

Médecine

Apprentissage automatique

Expression génique

Réseaux neuronaux (informatique)

Analyse de survie (biométrie)

Ovaire -- Tumeurs

Mots clés libres

Cancer de l’ovaire

Tcga

RNA-Seq

Réseaux de neurones artificiels (ANN)

Ovarian cancer

Tcga

RNA-Seq

Survival analysis

Artificial neural networks (ANN)

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.

Gene expression is established to be associated with overall survival in cancer patients. Survival analysis of ovarian cancer could allow not only patient stratification but possible discovery of new therapeutic targets. This work presents an overview of the recent artificial neural network (ANN) survival analysis techniques and benchmarks these models on the basis of ovarian cancer RNA-seq data.It also highlights that deep survival models could successfully transfer information across "pan-gyn" group to improve the ovarian cancer prognostic accuracy as these gynecologic and breast cancers share a variety of characteristics. This thesis proposes a new deep learning survival model called N-MTLR-Rank, trained using The Cancer Genome project (TCGA) data and validated on an independent datatset. Additionnaly, it demonstrates how this model can be related to the molecular pathways to uncover biological processes associated with ovarian cancer patients survival.