Apprentissage approfondi des données sur les omiques : Application à la prédiction phénotypique basée sur des données d'expression génique
Dans la première partie de l'exposé, je ferai un rapide état de l'art des problèmes de l'analyse des données "omiques" dans laquelle l'apprentissage approfondi a été utilisé avec succès. Je présenterai ensuite nos travaux sur la prédiction du phénotype à partir de données d'expression génique avec un réseau neuronal profond. Dans cette tâche, nous nous concentrons sur deux questions : l'apprentissage avec un petit ensemble de formation et l'interprétation du réseau. Pour le problème des petits ensembles de formation, nous proposons des méthodes basées sur l'apprentissage par transfert et l'apprentissage semi-supervisé. Pour l'interprétation, nous reproduisons les prédictions à travers le réseau afin d'identifier les gènes et les neurones pertinents que nous associons aux connaissances biologiques.
Biographie
2006 : Phd université Paris 13 (Apprentissage supervisé pour les données transcriptomiques)
2008 – 2015 : Maitre de conférence au laboratoire LIPADE (Univ. Paris Descartes)
Depuis 2015 : Professeur des universités au laboratoire IBISC (univ. Evry)
Domaine de recherche :
- Machine learning: Apprentissage supervisée, Deep learning, Détection d’anomalies, Réduction de dimension, Biclustering, méthodes d'ensemble.
- Applications: Médecine personnalisée, Données omiques, Système de diagnostic, Transports autonomes, maintenance préventive.
- Recherches actuelles : Deep learning, Application à la génomique et la santé