ARAPPEX - Apprentissage de Représentation Auto-supervisée pour la Prédiction de Phénotype à partir de données d'EXpression de gènes

Self supervised learning for phenotype prediction based on gene expression data

• Auteur / Autrice : Kévin Dradjat
• Direction : Blaise Hanczar
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 08/01/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• 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

Mots clés

Mots clés libres

Apprentissage profond

Apprentissage auto-supervisé

Médecine de précision

Données d'expression de gènes

Deep Learning

Self-supervised Learning

Precision medecine

Gene expression data

Résumé

Ce projet s'intéresse à l'analyse de données d'expression de gènes l'aide de méthodes d'intelligence artificielle pour le diagnostic, le prognostique, le choix thérapeutique et la stratification de patients. L'objectif est de construire un nouvel espace de représentation des données qui capturera l'essentiel de l'information contenue dans l'expression des gènes et qui pourra être appliqué par tout jeux de données RNA-seq et pour tout problème d'analyse supervisée ou non supervisée. Pour cela, nous apprendrons par apprentissage auto-supervisée un modèle « encoder », c-a-d un réseau de neurone qui projette les patients de l'espace des données d'expression dans l'espace de représentation. Nous adapterons les récents développement dans le domaine de l'image autour du « constrastive learning » au problème des données génomiques. De plus nous introduirons dans le modèle la connaissance biologique sous forme d'ontologie en utilisant des GNN (Graph Neural Network). La solution proposée sera mise à disposition de la communauté scientifique et sera testée sur des données de cancer du portail TCGA .

This project focuses on the analysis of gene expression data using artificial intelligence methods for diagnosis, prognosis, therapeutic choice and patient stratification. The aim is to build a new data representation space that will capture most of the information contained in gene expression and that can be applied to any RNA-seq dataset and to any supervised or unsupervised analysis problem. To achieve this, we will use self-supervised learning to learn an ''encoder'' model, i.e. a neural network that projects patients from the expression data space into the representation space. We will adapt recent developments in image processing around constrastive learning to the problem of genomic data. In addition, we will introduce biological knowledge in the form of ontologies using GNNs (Graph Neural Networks). The proposed solution will be made available to the scientific community and tested on cancer data from the TCGA portal.