Méthodes d'apprentissage automatique basées sur le réseau pour modéliser la variabilité entre les individus

Network-based machine learning methods to model variability across individuals

• Auteur / Autrice : Behnam Yousefi
• Direction : Benno Schwikowski
• Type : Thèse de doctorat
• Discipline(s) : Biologie cellulaire et développement
• Date : Soutenance le 08/09/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Complexité du vivant (Paris ; 2009-....)
• Partenaire(s) de recherche : Laboratoire : Institut Pasteur (Paris). Biomédecine computationelle des systèmes
• Jury : Président / Présidente : Hervé Isambert
• Jury : Examinateurs / Examinatrices : Etienne Becht, Laurence Calzone
• Jury : Rapporteur / Rapporteuse : Marc Chadeau-Hyam, Michael R. Barnes

Mots clés

Mots clés contrôlés

Bioinformatique

Modèles mathématiques

Maladies autoimmunes

Apprentissage automatique

Intelligence computationnelle

Mots clés libres

Réseaux

Apprentissage automatique

Médecine personnalisée

Cancer

Maladie auto-immune

Modélisation

Networks

Machine learning

Personalised medicine

Cancer

Autoimmune Disease

Modeling

Résumé

Les technologies en développement rapide pour caractériser les variations génomiques et épigénomiques entre les individus permettent des approches personnalisées et ''précises'' en médecine. Dans cette thèse, notre objectif est de développer des approches d'apprentissage automatique basées sur les réseaux pour identifier les mécanismes biologiques sous-jacents aux variations des phénotypes de maladies, tels que la progression des maladies et la réponse aux médicaments. Le développement de nos méthodes a été motivé par trois applications différentes : [i] la découverte de sous-types dans le lupus érythémateux systémique, [ii] la prédiction des réponses aux médicaments dans le cancer, [iii] l'association des dynamiques du microbiome chez les nouveau-nés avec leur régime alimentaire et leur mode d'accouchement. Nous avons évalué la pertinence des voies et sous-réseaux résultants, vérifié la qualité des solutions sur des données de référence et comparé les résultats aux méthodes existantes.

Rapidly developing technologies to characterize genomic and epigenomic variation across individuals enable personalized “precision” approaches to medicine. In this thesis, our objective is to develop network-based machine learning approaches to identify biological mechanisms underlying variation in disease phenotypes, such as disease progression and drug response. The development of our methods was driven by three different applications: [i] the discovery of subtypes in systemic Lupus erythematosus, [ii] the prediction of drug responses in cancer, [iii] the association of microbiome dynamics in new-borns with their diet and delivery mode. We evaluated the meaningfulness of the resulting pathways and subnetworks, assessed the quality of the solutions on benchmark data, and compared the results to existing methods.