Research

Résumé :
Dans cette présentation, je présente mes principaux travaux de recherche réalisés pendant ma thèse. Dans une première partie, je présente les contributions concernant la détection de marqueurs dans le cadre du cancer du rein à cellules claires (ccRCC). Dans un premier temps, j'ai mis en place une méthode d'analyse différentielle et d'apprentissage statistique qui a permis de mettre en évidence une cible thérapeutique potentielle pour le ccRCC. Dans un second temps, je présente succinctement l'étude de stabilité des méthodes de sélection de variables dans le cadre du modèle de Cox en grande dimension. Dans la deuxième partie de cet exposé, je présente mes travaux sur l'étude des réseaux de neurones pour prédire la survie à partir de données RNA-seq en oncologie.

Résumé :
Dans cette présentation, je présente mes principaux travaux de recherche réalisés pendant ma thèse. Dans une première partie, je présente les contributions concernant la détection de marqueurs dans le cadre du cancer du rein à cellules claires (ccRCC). Dans un premier temps, j'ai mis en place une méthode d'analyse différentielle et d'apprentissage statistique qui a permis de mettre en évidence une cible thérapeutique potentielle pour le ccRCC. Dans un second temps, je présente succinctement l'étude de stabilité des méthodes de sélection de variables dans le cadre du modèle de Cox en grande dimension. Dans la deuxième partie de cet exposé, je présente mes travaux sur l'étude des réseaux de neurones pour prédire la survie à partir de données RNA-seq en oncologie.

Résumé :
La médecine de précision en oncologie permet d’adapter les traitements aux caractéristiques des patients. L’utilisation des données d’expression de gènes comme caractéristiques amène de nouvelles problématiques : la grande dimension. L’objectif de cette présentation est d’étudier et développer des méthodes adaptées à la grande dimension pour l’analyse de survie en oncologie. Dans une première partie de cet exposé, nous étudions les méthodes de régularisation et de screening pour mettre en évidence les gènes influençant la survie des patients. La stabilité de ces méthodes est étudiée à partir d’indices de similarité et d’autres critères sur des données simulées et réelles. Dans la seconde partie de cette présentation, nous nous intéressons à la prédiction de la survie en grande dimension. La méthode classique pour prédire la survie en grande dimension consiste à utiliser une procédure Lasso utilisant la log-vraisemblance partielle. Les méthodes de deep learning sont des méthodes de plus en plus populaires permettant de gérer des effets non-linéaires et des interactions. Nous nous sommes intéressés à deux approches de réseaux de neurones pour prédire la survie en grande dimension : une basée sur la log-vraisemblance partielle de Cox (appelée cox-nnet) et une seconde sur un modèle à temps discret prédisant directement le risque instantané. Nous nous sommes particulièrement concentrés sur cette dernière en proposant plusieurs structures et des régularisations adaptées. Pour comparer les performances des différentes méthodes, nous avons d’une part créé un plan de simulations avec des données de différents niveaux de complexité et d’autre part considéré deux jeux de données réelles.

Résumé :
Dans cette présentation, on étudie le potentiel des réseaux de neurones pour la prédiction de la survie en grande dimension. Dans les études cliniques en oncologie, le nombre de variables est de plus en plus important notamment grâce aux données omiques, mais la taille des cohortes de patients reste relativement modeste. La méthode classique pour prédire la survie en grande dimension consiste à utiliser une procédure Lasso utilisant la log-vraisemblance partielle de Cox. Les méthodes de deep learning sont des méthodes de plus en plus populaires permettant de gérer des effets non-linéaires et des interactions. Nous nous sommes intéressés à deux approches de réseaux de neurones pour prédire la survie en grande dimension : une basée sur la log-vraisemblance partielle de Cox (appelée cox-nnet) et une seconde sur un modèle à temps discret prédisant directement le facteur de risque. Nous nous sommes particulièrement concentrés sur cette dernière en proposant plusieurs structures et des régularisations adaptées (notamment de type fused-lasso). Pour comparer les performances des différentes méthodes, nous avons d’une part créé un plan de simulations avec des données de différents niveaux de complexité et d’autre part considéré deux jeux de données réelles.