Titre: « Modèle à base de réseaux de neurones pour l’identification des sous-types du Cancer de la Vessie »
Mots-clefs: Réseaux de neurones, Cartes SOM, Apprentissage supervisé, Apprentissage non-supervisé, bioinformatique, prédiction de phénotypes
Résumé :
La médecine de précision, aussi appelée médecine stratifiée, consiste à utiliser principalement les caractéristiques génomiques des patients pour une prise en charge personnalisée.
Les technologies ”omiques” : génomique (séquençage ADN), transcriptomique (microarrays), protéomique, ont considérablement modifié l’échelle des données et permettent de générer des quantités massives de données génomiques sur les patients. Ces données peuvent couvrir tous les mécanismes impliqués dans les variations qui se produisent dans les réseaux cellulaires qui influencent le fonctionnement des systèmes organiques chez l’homme. Elles peuvent être exploitées pour le diagnostic, le pronostic, la prédiction de traitement personnalisé du patient, etc.
L’intelligence artificielle, en particulier l’apprentissage automatique, est devenue au cours de la dernière décennie un outil prometteur pour l’aide à la médecine de précision en oncologie. L’apprentissage profond, qui est un sous-domaine de l’apprentissage automatique, jouera un rôle majeur dans l’amélioration de la précision des prédictions de susceptibilité, de récidive et de survie au cancer.
Le cancer étant une maladie hétérogène, plusieurs sous-types peuvent être identifiés. Les traitements et les diagnostics doivent être adaptés à chaque sous-type. Dans ce projet, nous nous intéresserons à la prédiction de sous-types de d’un cancer fréquent chez l’homme, le cancer de vessie.
Le but de ce stage est de développer une méthode d’apprentissage automatique multi-sources combinant l’apprentissage supervisé et le non-supervisé, afin d’identifier les sous-types de cancer et éventuellement d’en découvrir des nouveaux, en utilisant des sources de données hétérogènes représentant différentes types de données omiques associées aux patients. La méthode se basera sur des réseaux de neurones supervisés de type perceptron multi-couches (ou MLP) et des réseaux de neurones non-supervisés de type cartes autoorganisatrices (ou SOM : Self Organizing Maps) pour permettre une meilleure visualisation et interprétation des résultats.
Encadrement
- Farida Zehraoui, Maitre de Conférences, Équipe AROB@S, laboratoire IBISC, Université Paris-Saclay, Univ. Évry
- François Radvanyi, Directeur de Recherche, Équipe Oncologie Moléculaire, Institut Curie
- Constance Creux, Doctorante, Équipe AROB@S, laboratoire IBISC, Université Paris-Saclay, Univ. Évry
- Fariza Tahi, Professeure des Universités, Équipe AROBAS, laboratoire IBISC, Université Paris-Saclay, Univ. Évry
Lieu du stage
Laboratoire IBISC, IBGBI, Université d’Evry, 23 Boulevard de France, 91000 Evry.
Durée de stage : 6 mois
Contact :
Bibliographie
- Bourgeais, F. Zeharoui, B. Hanczar. GraphGONet: a self-explaining graph-based neural network encapsulating the Gene Ontology for phenotype prediction on gene expression. Bioinformatics, 2022. [HAL]
- Bourgeais, F. Zeharoui, B. Hanczar. Deep GONet: Self-explainable deep neural network based on Gene Ontology for phenotype prediction from gene expression data. BMC bioinformatics 22, 455, 2021. [HAL]
- Graw, S., Chappell, K., Washam, C.L., Gies, A.J., Bird, J.T., Robeson, M.S., & Byrum, S.D. (2020). Multi-omics data integration considerations and study design for biological systems and disease. Molecular omics..
- Hanczar, F. Zehraoui, T. Issa, M. Arles. Biological interpretation of deep neural network for phenotype prediction based on gene expression. BMC bioinformatics 21 (1), 1-18, 2020. [HAL]
- Platon, F. Zehraoui, F.Tahi. Localized Multiple Sources Self-Organizing Map. International Conference on Neural Information Processing, ICONIP (3) 2018 : 648-659. [HAL]
- Platon, F. Zehraoui, A. Bendahmane, F. Tahi. IRSOM, a reliable identifier of ncRNAs based on supervised Self-Organizing Maps with rejection. Bioinformatics, 34(17), i620-i628, 2018. [HAL]
- Platon, F. Zehraoui, F.Tahi. Self-Organizing Maps with supervised layer. In Proceedings of the 12th International Workshop on Self-Organizing Maps and Learning Vector Quantization, Clustering and Data Visualization (WSOM+). 2017: 161-168. [HAL]
- Boucheham A, Sommard V, Zehraoui F, Boualem A, Batouche M, Bendahmane A, Israeli D, Tahi F. IpiRId: Integrative approach for piRNA prediction using genomic and epigenomic data PLoS One 2017, 12(6):e0179787. [HAL]
- Date de l’appel : 01/11/2022
- Statut de l’appel : Non pourvu
- Contacts cotés IBISC : Farida ZEHRAOUI (MCF Univ. Évry, IBISC équipe AROB@S), faridaDOTzehraouiATuniv-evryDOTfr
- Sujets de stage niveau Master 2 (format PDF)
- Web équipe AROB@S
