Apport des réseaux de neurones convolutionnels basés graphes (graph-convolutional neural networks) pour l'analyse de données multi-omiques et multi-modales de population

Contribution of graph-convolutional neural networks for the analysis of multi-omic and multi-modal population data

• Auteur / Autrice : Corentin Ambroise
• Direction : Vincent Frouin
• Type : Projet de thèse
• Discipline(s) : Sciences de l'information et de la communication
• Date : Inscription en doctorat le 02/11/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : Construction de grands instruments pour la neuroimagerie : de l'imagerie en population aux champs magnétiques ultra-hauts
• Partenaire(s) de recherche : Equipe de recherche : GAIA: Genetics Architecture and Image Analysis
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Réseaux de neurones convolutionnels

Multi-modal

Etudes de population

Graphes

Neuro-imagerie

Multi-omique

Convolutional neural networks

Multi-modal

Population studies

Graphs

Neuro-imaging

Multi-omic

Résumé

Ces dernières années, des efforts internationaux ont permis la constitution de grandes cohortes d'imagerie cérébrale de population générale, qui comportent de plus en plus souvent des données génomiques. A NeuroSpin, des travaux de recherche en neurosciences sont menés par exemple sur UK-Biobank (500.000 sujets) qui est à ce jour la cohorte internationale la plus fournie en population générale. Des travaux d'intérêt clinique sont aussi menés sur des cohortes plus thématiques avec entre autres IMAGEN (2,000 sujets, trois visites) pour les comportements à risques chez les adolescents, ou MEMENTO (2,500 sujets) pour la maladie d'Alzheimer. L'exploration de ces données multi-omiques et d'imagerie multi-modales visent à trouver des marqueurs diagnostiques et pronostiques originaux. Ces études sont réalisées au moyen de diverses analyses multivariées utilisant les outils du machine learning. Ces études tendent de plus en plus à fusionner les multiples sources d'information dont certaines se représentent naturellement sous forme de graphes. Par ailleurs ces études nécessitent d'intégrer des informations de référence (connaissances académiques ou mesures sur biopsie de tissus) qui à nouveau sont décrites sous forme de graphes. Nous proposons un travail d'adaptation et de mise en œuvre des réseaux de neurones convolutionnels basés sur des graphes (GraphNN) pour réaliser des analyses dans des cohortes de population. Cette classe de réseaux neuronaux du domaine de l'apprentissage profond est à même de réaliser les objectifs de fusion et d'intégration de l'information lorsque celle-ci se présente sous forme de graphes. Le formalisme des GraphNN est bien adapté à la représentation de très nombreuses mesures biologiques et médicales et ce travail devrait fournir des résultats novateurs en termes de méthodes ou de phénotypes. Enfin, comme les couches de sortie des GraphNN ou les variables latentes qu'ils permettent d'extraire se présentent sous forme de graphes, ce travail offrira aussi des perspectives nouvelles d'interprétation des résultats.

Recently, international initiatives have led to the building of large cohorts in general population of brain imaging studies. Most of them now include genomic data. At NeuroSpin, research in neurociences is being carried out on the UK-Biobank (500,000 subjects), which is to date the largest international cohort in the general population. Research of clinical interest is also being conducted based on more thematic cohorts with, among others, IMAGEN (2,000 subjects, three visits) for risk behaviors in adolescents or MEMENTO (2,500 subjects) for Alzheimer's disease. Data mining of these multi-omic and multi-modal imaging data aim to find original diagnostic and prognostic markers. These studies are carried out by various multivariate analyses using learning machine tools. The latter increasingly tend to merge multiple sources of information, some of which are naturally represented in the form of graphs. In addition, these studies require the integration of reference information (academic knowledge or measurements in biopsies) which again, are described in the form of graphs. We propose a work to adapt and implement graph-based convolutional neural networks (GraNN) to carry out novel analyses in population cohorts. This class of neural networks of the deep learning domain is able to achieve the objectives of information fusion and information integration when this information is represented by a graph. The graphical formalism of GraNNs is well adapted to the representation of very numerous measurements of biological or medical phenomena, and this work should provide innovative results in terms of methods or phenotypes. Finally, since GraNNs provide graphical objects as output layers or latent variables, this work also should also offer new perspectives for the interpretation of the results.