Clustering basé sur des forêts aléatoires pour l'analyse non supervisée de données de grande dimension appliqué à l'immunologie

A random forest-based clustering method for the unsupervised analysis of high-dimensional data applied to immunology

• Auteur / Autrice : Alice Simon
• Direction : Boris Hejblum, Robin Genuer
• Type : Projet de thèse
• Discipline(s) : Santé publique Option Biostatistiques
• Date : Inscription en doctorat le 17/09/2025
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : Sociétés, Politique, Santé Publique
• Partenaire(s) de recherche : Laboratoire : Bordeaux Population Health Research Center
• Partenaire(s) de recherche : Equipe de recherche : E10 - Statistics in Systems biology and Translational Medicine_SISTM

Mots clés

Mots clés libres

Apprentissage non supervisé

Clustering hiérarchique

Forêts aléatoires

Unsupervised Learning

Hierarchical Clustering

Random Forests

Résumé

L'essor des technologies à haut débit en immunologie génère des données complexes et de très grande dimension, difficiles à analyser avec les méthodes classiques de clustering. Cette thèse propose une approche innovante : RFCLUST, une méthode de clustering non supervisée inspirée des forêts aléatoires, adaptée aux données volumineuses, offrant robustesse, explicabilité et bonne capacité de détection de structures complexes sans nécessiter de réduction préalable de dimension. L'objectif principal de cette thèse sera donc de concevoir, implémenter et étudier la méthode RFCLUST, en s'inspirant des principes d'aléa et d'agrégation propres aux forêts aléatoires. Il s'agira également de proposer des mesures d'importance des variables adaptées au cadre non supervisé, afin d'identifier les caractéristiques les plus déterminantes dans la constitution des groupes en vue de renforcer l'interprétabilité des résultats de la méthode. L'hypothèse sous-jacente est que cette approche permettra d'explorer efficacement l'espace des partitions possibles, même dans des contextes de faible signal ou de redondance entre variables, tout en offrant une interprétabilité accrue et ne rencontrant pas de difficulté numérique pour passer à l'échelle. L'application principale analysera des données transcriptomiques issues de la cohorte French-COVID, comprenant 54 individus (patients atteints de la COVID-19 et donneurs sains) et plus de 29 000 gènes mesurés, avec pour objectif d'identifier des sous-groupes immunologiques pertinents et les gènes qui les discriminent.

The rapid advancement of high-throughput technologies in immunology is generating increasingly complex and high-dimensional datasets, which pose significant challenges for traditional clustering methods. This thesis proposes a novel innovative approach: RFCLUST, an unsupervised clustering method inspired by random forests and specifically designed for large-scale data. RFCLUST offers robustness, interpretability, and the ability to detect complex structures, without requiring prior dimensionality reduction. The main objective of this thesis is to design, implement, and evaluate RFCLUST, drawing on the principles of randomness and aggregation specific to random forests. In addition, it will propose variable importance measures adapted to the unsupervised context, aiming to identify the most influential features involved in cluster formation and thereby enhance the interpretability of the results. The underlying assumption is that this approach will allow for efficient exploration of the space of possible partitions, even in contexts of low signal or redundancy between variables, while ensuring scalability and offering enhanced interpretability. The main application will focus on transcriptomic data from the French-COVID cohort, comprising 54 individuals (COVID-19 patients and healthy donors) and over 29,000 measured genes. The goal is to use RFCLUST to identify relevant immunological subgroups and the key genes that discriminate between them.