KADAT : Augmentation de données basée sur les connaissances pour les données transcriptomiques

KADAT: Knowledge-Aware Data Augmentation for Transcriptomics

• Auteur / Autrice : Alice Lacan
• Direction : Blaise Hanczar
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Equipe de recherche : AROBAS : Algorithmique, Recherche Opérationnelle, Bioinformatique et Apprentissage Statistique
• Partenaire(s) de recherche : Référent : Université d'Évry-Val-d'Essonne (1991-....)

Mots clés

Mots clés libres

Transcriptomique

Augmentation de données

Apprentissage profond

Modèles génératifs

Transcriptomics

Data augmentation

Deep learning

Generative models

Résumé

Ce projet vise à concevoir une méthodologie pour augmenter les ensembles de données de petite taille en exploitant les connaissances de domaine disponibles. Plus précisément, nous considérons l'analyse des données transcriptomiques, qui joue un rôle crucial dans le développement de la médecine personnalisée. Ces analyses, utilisant des méthodes d'apprentissage automatique, sont actuellement limitées par la petite taille des ensembles de données disponibles. D'autre part, une riche base de connaissances du domaine est disponible sous forme ontologie, en particulier « Gene Ontology » (GO) qui recense les processus biologiques, les fonctions moléculaires et les composants cellulaires. Nous proposons d'apprendre un score d'admissibilité d'un profil d'expression, en exploitant des jeux de données publiques et des réseaux de neurones de graphe dont l'architecture reproduit la structure de graphe acyclique dirigé de GO. Un auto-encodeur variationnel sera formé et biaisé pour générer des échantillons avec un bon score d'admissibilité. L'ensemble de données initial, complété par les échantillons générés «suffisamment pertinents», soutiendra l'apprentissage des classeurs dans un cadre semi-supervisé, améliorant de manière significative la robustesse et la stabilité des modèles appris.

This project aims to design a methodology to augment small datasets by exploiting the available domain knowledge. Specifically, we consider the analysis of transcriptomics data, that plays a crucial role in the development of personalized medicine. This analysis, using machine learning methods, is hindered by the small size of the available datasets. On the other hand, a rich domain knowledge base is available, the Gene Ontology (GO). We propose to learn an admissibility score of an expression profile, exploiting the existing dataset and a graph neural network whose architecture reproduces the directed acyclic graph structure of GO. A variational auto-encoder will be trained and biased to generate samples with a good admissibility score. The initial dataset, augmented with the generated “relevant enough” samples, will support the learning of classifiers along a semi-supervised setting, expectedly significantly improving the robustness and stability of the learned classifiers.