Extraction d'associations génotype-phénotype à partir de l'intégration en réseau de données phénotypiques profondes et multi-échelles

Extracting genotype-phenotype associations from network integration of deep and multiscale phenotypic data

• Auteur / Autrice : Florence Ghestem
• Direction : Anne-Louise Leutenegger, Anaïs Baudot
• Type : Projet de thèse
• Discipline(s) : Génétique épidémiologique et statistique
• Date : Inscription en doctorat le 02/09/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Santé Publique
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en épidémiologie et Santé des populations
• Partenaire(s) de recherche : Equipe de recherche : Biostatistique en grande dimension
• Partenaire(s) de recherche : Référent : Faculté de médecine

Mots clés

Mots clés libres

Dossiers médicaux électroniques

Clustering

Données génomiques

Réseau multicouche

Association pangénomique

Multilayer network

Clustering

Genomic data

Gwas

Electronic health records

Résumé

De grandes quantités de données phénotypiques sont disponibles dans les bases de données de santé par le biais de questionnaires médicaux et de dossiers médicaux électroniques (EHR), qui peuvent inclure des prescriptions de médicaments, des résultats de laboratoire, des informations extraites de notes à l'aide du traitement du langage naturel, ou des codes de facturation. Toutefois, les phénotypes informatifs ne sont souvent pas directement disponibles. Il existe deux catégories de méthodes pour définir les phénotypes des maladies à partir des bases de données de santé. Premièrement, les méthodes reposant sur un algorithme validé prédéfini créé spécifiquement pour un phénotype donné afin d'identifier les cas et les témoins (approche experte utilisant des métadonnées). Deuxièmement, les méthodes fondées sur les données et reposant sur des approches automatisées. Les approches basées sur les réseaux appartiennent à cette seconde catégorie et s'appuient sur des mesures de similarité entre les individus pour identifier des sous-groupes homogènes (clusters phénotypiques). Nous avons récemment développé une approche réseau non supervisée pour analyser les prescriptions de médicaments de l'EGB, une base de données médico-administrative française (~660k individus) et identifié des sous-groupes de patients cliniquement pertinents [1], [2]. Nous souhaitons maintenant étendre ce travail en intégrant un spectre plus large de données phénotypiques et génomiques. Notre objectif est d'extraire des informations cliniquement significatives, d'identifier des sous-groupes de patients et d'établir une corrélation entre ces sous-groupes et les variations génomiques.

Deep phenotypic data are available in health databases through medical questionnaires and electronic health records (EHR), which can include drug prescriptions, lab results, information extracted from notes using natural language processing, or billing codes. Informative phenotypes are however often not directly available. There are two categories of methods to define disease phenotypes from health databases. First, methods relying on a predefined validated algorithm specifically created for a given phenotype to identify cases and controls (expert approach using metadata). Second, data-driven methods relying on automated approaches. Network-based approaches belong to this second category and rely on similarity measures between individuals to identify homogeneous subgroups (phenotypic clusters). We recently developed an unsupervised network approach to analyze drug prescriptions from the EGB, a French medico-administrative database (~660k individuals) and identified clinically relevant patient subgroups [1], [2]. We aim to extend this work by integrating a broader range of multiscale phenotypic and genomic data. We aim to extract clinically meaningful information, to identify patient subgroups and to correlate these subgroups with genomic variations.