Centre de Recherche en Cancérologie de Marseille
CRCM's Bioinformatics Integrative

Découverte de biomarqueurs prédictifs
...
Plan

2/60

Introduction
Le cancer, le cancer du sein, les signatures prédictives
L'Intégration Transcriptome-Interactome
...
Principe général de l'expression des gènes

3/60

ADN
Transcription

ARN
Traduction

Protéine

Introduction
L'expression des gènes
varie suivant les types cellulaires

Introduction

4/60
L'importance du contrôle hormonal

5/60

Prolifération des cellules
Apoptose (Mort cellulaire)
Système immunitaire
Métabol...
Une multitude de causes à l'origine du cancer

6/60

Physique
UV, Radioactivité
Chimique
Perturbateurs endocriniens, Radic...
Les catégories de gènes à l'origine des cancers

7/60

Les oncogènes
Favorisent les cancers
Les gènes suppresseurs de tume...
Les caractéristiques des cancers (Hallmarks)

8/60

Hannahan et al. 2000, 2011
Introduction
Les caractéristiques des cancers (Hallmarks)

9/60

Hannahan et al. 2000, 2011
Introduction
Les caractéristiques des cancers (Hallmarks)

10/60

Hannahan et al. 2000, 2011
Introduction
L'apport des technologies à haut débit

11/60

Médecine prédictive
Prédire l'évolution de la maladie
Prévenir la maladie o...
Les statistiques des cancers

12/60

Organe

Homme

Femme

Poumon

42,3

9,9

Prostate

12,6

-

Côlon-rectum

14,4

8,3

...
Les caractéristiques du cancer du sein

13/60

1 an

3 ans 5 ans

Taux de survie 97 % 90 %

Stade

85 %

Local

Taux de su...
Traitements

14/60

Chirurgie
Ablation chirurgicale de la tumeur
Chimiothérapie
Substance chimique ciblant les cellules ca...
Les classifications des cancers

15/60

Tumeur-Ganglion-Métastase (TNM)
(0 – I – II – III – IV)

Scarff-Bloom-Richardson (...
Intérêt du sous-typage moléculaire

16/60

Perou et al. 2000
Introduction
Intérêt du sous-typage moléculaire

17/60

Hu et al. 2006

Introduction
Les signatures prédictives

18/60

(2002) Van't veer et al.

117 patients → signature à 70 gènes
essai clinique (MINDACT)
...
Des limitations inhérentes à la technologie utilisée et
à l'hétérogénéité de la maladie étudiée
19/60
Variabilité expérime...
L'ajout de données d'interactions protéiques
améliore la performance de la classification 20/60
(2008) Chuang et al.

Ajou...
Plan

21/60

Introduction
Le cancer, le cancer du sein, les signatures prédictives
L'Intégration Transcriptome-Interactome...
Question biologique posée et données utilisées

22/60

Signature pronostique de la rechute métastatique à 5
ans dans le ca...
Élaboration d'un Compendium
de données d'expression
Exploration des dépôts de données publiques (GEO,
ArrayExpress, Stanfo...
Douze jeux de données assemblés
pour réunir 2103 tumeurs du sein
Jeu de données

Échantillons

DMFS +

DMFS -

Desmedt

19...
Assemblage de l'Interactome

25/60

Base de données

Protéines

Interactions

HPRD

9 386

36 577

INTact

7 471

25 616

...
Principes de l'Intégration Transcriptome-Interactome

26/60

Changement
d'expression
+

Exemple d'un réseau d'interactions...
Principes de l'Intégration Transcriptome-Interactome

27/60

Jeu de données 1
Changement
d'expression
+

L'Intégration Tra...
Principes de l'Intégration Transcriptome-Interactome

28/60

Jeu de données 2

Changement
d'expression
+

L'Intégration Tr...
Principes de l'Intégration Transcriptome-Interactome

29/60

Changement
d'expression
+

Le gène à l'origine de la dérégula...
Principe de l'algorithme ITI

30/60

2 types de données
+ annotations cliniques
(Statuts DMFS, ER)

Garcia et al. 2012
L'I...
Principe de l'algorithme ITI

31/60

2 types de données
+ annotations cliniques
(Statuts DMFS, ER)

Mesure de corrélation
...
Principe de l'algorithme ITI

32/60

2 types de données
+ annotations cliniques
(Statuts DMFS, ER)

Mesure de corrélation
...
Calcul du score des sous-réseaux

33/60

S s ,d =

Ss =

1
NS

nd

 1
corr  ∑
max nd ( DS )
 n

∑

d ∈ DS


e( g , d )...
Validation statistique

34/60

Mélange des conditions cliniques

●

Utilisation d'un interactome aléatoire

●

Décision al...
Création d'une ressource bioinformatique

35/60
Plan

36/60

Introduction
Le cancer, le cancer du sein, les signatures prédictives
L'Intégration Transcriptome-Interactome...
Analyse non-supervisée

37/60

Jeu de données

Échantillons

DMFS +

DMFS -

Desmedt

198

62

136

Ivshina

249

89

160
...
Quatre études dans l'analyse non-supervisée

38/60

Tous les jeux de données sauf van de Vijver
119 sous-réseaux
Tous les ...
Détection de nouveaux biomarqueurs
reliés à la rechute métastatique
Gène

39/60
Rang

CDC2
CCND1

Adhésion cellulaire [Sou...
Les sous-réseaux possèdent
les caractéristiques du cancer (Hallmarks)

40/60

Sous-réseaux

Enrichissement terme GO

55971...
Détails du sous-réseau 59349-35
(Adhésion cellulaire)

Résultats

41/60
Détails du sous-réseau 59349-35
(Adhésion cellulaire)

Résultats

42/60
Détails du sous-réseau 59349-35
(Adhésion cellulaire)

Résultats

43/60
Détails du sous-réseau 59349-35
(Adhésion cellulaire)

Résultats

44/60
Analyse supervisée

45/60

Jeu de données

Échantillons DMFS +/- ER +/-

Desmedt

190/198

62/127

61/129

Loi

101/327

2...
Quatre études explorant la spécificité
biologique des cancers du sein ER+ et ERTous ER+, validation sur Desmedt
6 sous-rés...
Organisation des données

47/60

Résultats
Validation des sous-réseaux

48/60

Validation croisée à 10 couches
Préservation des proportions en statuts cliniques
et m...
Sous-réseaux démontrant
la pertinence de la méthode ITI

Résultats

49/60
L'exploration fonctionnelle des sous-réseaux reflète
la spécificité biologique du cancer
50/60
Gene Ontology

GO:0006379

...
Classification plus performante

51/60

Statuts

ER-

Jeux de
données

ER+

Desmedt

van de Vijver

Desmedt

van de Vijver...
Amélioration de la prédiction
par rapport aux signatures existantes

Résultats

52/60
Plan

53/60

Introduction
Le cancer, le cancer du sein, les signatures prédictives
L'Intégration Transcriptome-Interactome...
Conclusion

54/60

Construction d'un compendium de jeux de données
d'expression en cancer du sein
Assemblage d'un Interact...
Publications

55/60

Linking Interactome to Disease: A Network-Based Analysis of Metastatic
Relapse in Breast Cancer, IGI ...
Perspectives

56/60

Ajout d'autres types de données (CGH)
Refonte de l'algorithme de détection des sous-réseaux
(linéaire...
Remerciements

57/60

Ghislain, François, Daniel, Pascal, Arnaud, Renaud, Sabrina, Max,
Samuel, Claire, Guillaume, Quentin...
La régulation de l'expression des gènes

58/60

Suppléments
Les caractéristiques des cancers (Hallmarks)

59/60

Hannahan et al. 2000, 2011
Suppléments
Classification plus performante

60/60

Statuts

ER-

Jeux de
données

ER+

Desmedt

van de Vijver

Desmedt

van de Vijver...
Prochain SlideShare
Chargement dans…5
×

Découverte de biomarqueurs prédictifs en cancer du sein par Intégration Transcriptome-Interactome

1 100 vues

Publié le

Thèse soutenue le 20/12/2013

Publié dans : Technologie
0 commentaire
1 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
1 100
Sur SlideShare
0
Issues des intégrations
0
Intégrations
28
Actions
Partages
0
Téléchargements
16
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Découverte de biomarqueurs prédictifs en cancer du sein par Intégration Transcriptome-Interactome

  1. 1. Centre de Recherche en Cancérologie de Marseille CRCM's Bioinformatics Integrative Découverte de biomarqueurs prédictifs en cancer du sein par Intégration Transcriptome-Interactome Directeur Pr. François Bertucci Oncologie Médicale Co-directeur Dr. Ghislain Bidaut Bioinformatique Intégrative Maxime U Garcia Soutenance de thèse - 20 décembre 2013
  2. 2. Plan 2/60 Introduction Le cancer, le cancer du sein, les signatures prédictives L'Intégration Transcriptome-Interactome Avantages et principes, données utilisées Résultats Analyse non-supervisée, analyse supervisée, performance Conclusion Discussion, perspectives Introduction
  3. 3. Principe général de l'expression des gènes 3/60 ADN Transcription ARN Traduction Protéine Introduction
  4. 4. L'expression des gènes varie suivant les types cellulaires Introduction 4/60
  5. 5. L'importance du contrôle hormonal 5/60 Prolifération des cellules Apoptose (Mort cellulaire) Système immunitaire Métabolisme Puberté Grossesse Cycle reproductif Développement des caractères sexuels secondaires Introduction
  6. 6. Une multitude de causes à l'origine du cancer 6/60 Physique UV, Radioactivité Chimique Perturbateurs endocriniens, Radicaux libres Biologique Virus, Bactéries, Parasites Hérédité BRCA1, RB1, APC Introduction
  7. 7. Les catégories de gènes à l'origine des cancers 7/60 Les oncogènes Favorisent les cancers Les gènes suppresseurs de tumeurs Inhibent la prolifération cellulaire Les gènes de réparation de l'ADN Protègent l'ADN Introduction
  8. 8. Les caractéristiques des cancers (Hallmarks) 8/60 Hannahan et al. 2000, 2011 Introduction
  9. 9. Les caractéristiques des cancers (Hallmarks) 9/60 Hannahan et al. 2000, 2011 Introduction
  10. 10. Les caractéristiques des cancers (Hallmarks) 10/60 Hannahan et al. 2000, 2011 Introduction
  11. 11. L'apport des technologies à haut débit 11/60 Médecine prédictive Prédire l'évolution de la maladie Prévenir la maladie ou en amoindrir ses effets Médecine personnalisée Établir un traitement personnalisé suivant le patient et/ou la maladie Introduction
  12. 12. Les statistiques des cancers 12/60 Organe Homme Femme Poumon 42,3 9,9 Prostate 12,6 - Côlon-rectum 14,4 8,3 Foie 9,9 2,2 Pancréas 7,9 4,7 - 17,2 158,6 79,1 Sein Tous cancers Taux observé standardisé (pour 100 000 personnes) à la population mondiale de mortalité des cancers pour 2004-2008 Introduction
  13. 13. Les caractéristiques du cancer du sein 13/60 1 an 3 ans 5 ans Taux de survie 97 % 90 % Stade 85 % Local Taux de survie à 5 ans Régional Métastatique 98.3 % 83.5 % 23.3 % Il est souvent hormono-dépendant Le cancer le plus fréquent et le plus mortel chez la femme Introduction
  14. 14. Traitements 14/60 Chirurgie Ablation chirurgicale de la tumeur Chimiothérapie Substance chimique ciblant les cellules cancéreuses Radiothérapie Irradiation des cellules Hormonothérapie Pour les cancers hormono-dépendants Introduction
  15. 15. Les classifications des cancers 15/60 Tumeur-Ganglion-Métastase (TNM) (0 – I – II – III – IV) Scarff-Bloom-Richardson (SBR) ( 1 – 2 – 3) Biomarqueurs (ESR1 (ER), PGR (PR), ERBB2 (HER2)) Sous-typage moléculaire Introduction
  16. 16. Intérêt du sous-typage moléculaire 16/60 Perou et al. 2000 Introduction
  17. 17. Intérêt du sous-typage moléculaire 17/60 Hu et al. 2006 Introduction
  18. 18. Les signatures prédictives 18/60 (2002) Van't veer et al. 117 patients → signature à 70 gènes essai clinique (MINDACT) (2005) Wang et al. 286 patients → signature à 76 gènes (ER) seulement 3 gènes en commun (2005) Michiels et al. Plusieurs signatures à 70 gènes possibles Forte dépendance au jeu de données d'apprentissage (2007) Ein-Dor et al. Des milliers d'échantillons seraient nécessaires pour générer une liste robuste Introduction
  19. 19. Des limitations inhérentes à la technologie utilisée et à l'hétérogénéité de la maladie étudiée 19/60 Variabilité expérimentale Biologie du cancer Fléaux de la dimensionnalité et de la parcimonie Solutions : Augmenter le nombre d'échantillons (Dobbin et al. 2008) Ajouter des informations biologiques supplémentaires (Chuang et al. 2007) Introduction
  20. 20. L'ajout de données d'interactions protéiques améliore la performance de la classification 20/60 (2008) Chuang et al. Ajout de données d'interactions protéiques → biomarqueurs robustes → augmentation de la performance Un seul jeu de données d'apprentissage utilisé Introduction
  21. 21. Plan 21/60 Introduction Le cancer, le cancer du sein, les signatures prédictives L'Intégration Transcriptome-Interactome Avantages et principes, données utilisées Résultats Analyse non-supervisée, analyse supervisée, performance Conclusions Discussion, perspectives L'Intégration Transcriptome-Interactome
  22. 22. Question biologique posée et données utilisées 22/60 Signature pronostique de la rechute métastatique à 5 ans dans le cancer du sein Données d'expression (Transcriptome) Données d'interactions protéine-protéine (Interactome) Algorithme Intégration Transcriptome-Interactome (ITI) L'Intégration Transcriptome-Interactome
  23. 23. Élaboration d'un Compendium de données d'expression Exploration des dépôts de données publiques (GEO, ArrayExpress, Stanford Microarray Database) 26 jeux de données considérés 12 jeux de données avec données cliniques Statuts DMFS (Distant Metastasis-Free Survival) Suivi minimal de 5 ans Statuts ER Nature du traitement éventuel L'Intégration Transcriptome-Interactome 23/60
  24. 24. Douze jeux de données assemblés pour réunir 2103 tumeurs du sein Jeu de données Échantillons DMFS + DMFS - Desmedt 198 62 136 Ivshina 249 89 160 Loi 117 26 91 Parker 199 45 154 Pawitan 159 40 119 31 9 22 Schmidt 200 46 154 Sotiriou 179 40 139 Van de Vijver 295 88 207 Wang 286 107 179 Zhang 136 20 116 Zhou 54 9 45 Total 2103 581 1522 Sabatier (IPC) L'Intégration Transcriptome-Interactome 24/60
  25. 25. Assemblage de l'Interactome 25/60 Base de données Protéines Interactions HPRD 9 386 36 577 INTact 7 471 25 616 918 810 MINT 5 559 12 143 Cocite 5 568 31 533 13 202 70 530 DIP Total L'Intégration Transcriptome-Interactome
  26. 26. Principes de l'Intégration Transcriptome-Interactome 26/60 Changement d'expression + Exemple d'un réseau d'interactions L'Intégration Transcriptome-Interactome
  27. 27. Principes de l'Intégration Transcriptome-Interactome 27/60 Jeu de données 1 Changement d'expression + L'Intégration Transcriptome-Interactome
  28. 28. Principes de l'Intégration Transcriptome-Interactome 28/60 Jeu de données 2 Changement d'expression + L'Intégration Transcriptome-Interactome
  29. 29. Principes de l'Intégration Transcriptome-Interactome 29/60 Changement d'expression + Le gène à l'origine de la dérégulation est peu différentiellement exprimé L'Intégration Transcriptome-Interactome
  30. 30. Principe de l'algorithme ITI 30/60 2 types de données + annotations cliniques (Statuts DMFS, ER) Garcia et al. 2012 L'Intégration Transcriptome-Interactome
  31. 31. Principe de l'algorithme ITI 31/60 2 types de données + annotations cliniques (Statuts DMFS, ER) Mesure de corrélation entre les profils d'expression des gènes et les conditions cliniques Garcia et al. 2012 L'Intégration Transcriptome-Interactome
  32. 32. Principe de l'algorithme ITI 32/60 2 types de données + annotations cliniques (Statuts DMFS, ER) Mesure de corrélation entre les profils d'expression des gènes et les conditions cliniques Détection de sous-réseaux discriminants Garcia et al. 2012 L'Intégration Transcriptome-Interactome
  33. 33. Calcul du score des sous-réseaux 33/60 S s ,d = Ss = 1 NS nd  1 corr  ∑ max nd ( DS )  n ∑ d ∈ DS  e( g , d ), cc( d )  g∈ s  S s ,d Garcia et al. 2012 - Corrélation Profils d'expression des gènes – Conditions cliniques (DMFS) - Normalisation par la taille du jeu de données - Somme sur tous les jeux de données
  34. 34. Validation statistique 34/60 Mélange des conditions cliniques ● Utilisation d'un interactome aléatoire ● Décision aléatoire de l'ajout d'un nœud Sélection de sous-réseaux score Sous-réseaux ● Sous-réseaux Génération de sous-réseaux aléatoires score L'Intégration Transcriptome-Interactome
  35. 35. Création d'une ressource bioinformatique 35/60
  36. 36. Plan 36/60 Introduction Le cancer, le cancer du sein, les signatures prédictives L'Intégration Transcriptome-Interactome Avantages et principes, données utilisées Résultats Analyse non-supervisée, analyse supervisée, performance Conclusion Discussion, perspectives Résultats
  37. 37. Analyse non-supervisée 37/60 Jeu de données Échantillons DMFS + DMFS - Desmedt 198 62 136 Ivshina 249 89 160 Loi 117 26 91 Parker 199 45 154 Pawitan 159 40 119 31 9 22 Schmidt 200 46 154 Sotiriou 179 40 139 Van de Vijver 295 88 207 Wang 286 107 179 Zhang 136 20 116 Zhou 54 9 45 Total 2103 581 1522 Sabatier (IPC) Résultats
  38. 38. Quatre études dans l'analyse non-supervisée 38/60 Tous les jeux de données sauf van de Vijver 119 sous-réseaux Tous les jeux de données sauf Wang 103 sous-réseaux Tous les jeux de données profilés sous Affymetrix 127 sous-réseaux Tous les jeux de données profilés sous Affymetrix sauf Wang 100 sous-réseaux Résultats
  39. 39. Détection de nouveaux biomarqueurs reliés à la rechute métastatique Gène 39/60 Rang CDC2 CCND1 Adhésion cellulaire [Sous-réseau 6513] • Contrôle du cycle cellulaire [Sous-réseau 1537, 581,7013, 5339] • Réponse immunitaire [Sous-réseau 291, 2810, 3251] • Développement [Sous-réseau 387, 58, 3420,7013,60312,3251,375] • Metabolisme [Sous-réseau 29959, 3420, 581,4291,5339, 2068,374291] STMN2 3 4 LUC7L3 5 SF3B3 • Apoptose [Sous-réseau 291, 5714] 2 GRB2 • 1 6 TK1 7 TSC1 8 HNRNPA1 9 10 HSPB1 11 MAPKAPK2 12 AGTPBP1 13 CYCS 14 BAX 15 PPFIA1 16 SFN 17 CRMP1 18 PRKCI 19 YWHAZ Résultats ACTN1 20
  40. 40. Les sous-réseaux possèdent les caractéristiques du cancer (Hallmarks) 40/60 Sous-réseaux Enrichissement terme GO 55971-32 1942-10 57167-34, 4291-24 3987-23 163786-8 23759-14 59349-35 7398-41 Apoptose Angiogénèse Régulation des kinases Vieillissement cellulaire Voie de signalisation de Wnt * Cycle cellulaire, réplication ADN Adhésion cellulaire * Différentiation cellulaire * Sous-réseaux reliés à la rechute métastatique Résultats
  41. 41. Détails du sous-réseau 59349-35 (Adhésion cellulaire) Résultats 41/60
  42. 42. Détails du sous-réseau 59349-35 (Adhésion cellulaire) Résultats 42/60
  43. 43. Détails du sous-réseau 59349-35 (Adhésion cellulaire) Résultats 43/60
  44. 44. Détails du sous-réseau 59349-35 (Adhésion cellulaire) Résultats 44/60
  45. 45. Analyse supervisée 45/60 Jeu de données Échantillons DMFS +/- ER +/- Desmedt 190/198 62/127 61/129 Loi 101/327 27/74 29/72 Sabatier 31/255 9/22 11/20 Schmidt 182/200 46/136 37/145 Van de Vijver 150/295 56/94 36/114 Wang 276/286 107/169 72/204 Total 930/1561 307/623 246/684 Critères: - DMFS (Distant Metastasis Free Survival) - Patients sans chimiothérapie adjuvante - 5 ans de suivis Résultats Sélection - 6 jeux de données - 930 ćhantillons
  46. 46. Quatre études explorant la spécificité biologique des cancers du sein ER+ et ERTous ER+, validation sur Desmedt 6 sous-réseaux Tous ER-, validation sur Desmedt 165 sous-réseaux Tous ER+, validation sur Wang 14 sous-réseaux Tous ER-, validation sur Wang 122 sous-réseaux Résultats 46/60
  47. 47. Organisation des données 47/60 Résultats
  48. 48. Validation des sous-réseaux 48/60 Validation croisée à 10 couches Préservation des proportions en statuts cliniques et moléculaires dans les jeux d'apprentissage et de validation Détection des sous-réseaux et validation statistique : - mélange des conditions cliniques - mélange des interactions - ajout aléatoire Génération de 10 listes de sous-réseaux Combinaison des listes Sous-réseaux gardés pour classification sur des données indépendantes Résultats
  49. 49. Sous-réseaux démontrant la pertinence de la méthode ITI Résultats 49/60
  50. 50. L'exploration fonctionnelle des sous-réseaux reflète la spécificité biologique du cancer 50/60 Gene Ontology GO:0006379 125E-08 Régulation de la secrétion d'hormone de croissance GO:0060123 218E-07 Régulation positive de l'organisation du cytosquelette GO:0051495 206E-04 Regulation de la secrétion d'insuline GO:0050796 155E-05 Régulation du chimiotactisme GO:0050920 429E-07 Immunité à la médiation cellulaire des cellules NK GO:0002228 293E-06 Régulation positive des activités MAP kinases GO:0043406 476E-10 Développement des cellules musculaires GO:0055001 106E-11 Interphase du cycle cellulaire mitotique GO:0051329 408E-11 Voie de signalisation de Wnt par l'intermédiaire de la ER− Corrected Clivage des ARNm ER+ GO GO:0060070 622E-10 β-catenin Résultats P-value
  51. 51. Classification plus performante 51/60 Statuts ER- Jeux de données ER+ Desmedt van de Vijver Desmedt van de Vijver Signature 70 g 76 g ITI(165) 70 g 76 g ITI(122) 70 g 76 g ITI(6) 70 g 76 g ITI(14) N 61 61 61 36 36 36 129 129 129 114 114 114 ACC 0.442 0.377 0.541 0.528 0.556 0.528 0.411 0.604 0.736 0.623 0.632 0.518 Signature plus stable (de 11.5 à 32.8 % de gènes en commun) entre différents jeux de données d'apprentissage Résultats
  52. 52. Amélioration de la prédiction par rapport aux signatures existantes Résultats 52/60
  53. 53. Plan 53/60 Introduction Le cancer, le cancer du sein, les signatures prédictives L'Intégration Transcriptome-Interactome Avantages et principes, données utilisées Résultats Analyse non-supervisée, analyse supervisée, performance Conclusion Discussion, perspectives Conclusion
  54. 54. Conclusion 54/60 Construction d'un compendium de jeux de données d'expression en cancer du sein Assemblage d'un Interactome humain Détection de sous-réseaux Validation des sous-réseaux (3 méthodes) Classification plus performante que les précédentes signatures Ressource bioinformatique disponible en ligne Conclusion
  55. 55. Publications 55/60 Linking Interactome to Disease: A Network-Based Analysis of Metastatic Relapse in Breast Cancer, IGI Global 2011 Interactome–transcriptome integration for predicting distant metastasis in breast cancer, Bioinformatics 2012 Detection of driver protein complexes in breast cancer metastasis by large scale transcriptome-interactome integration, Methods in Molecular Biology 2013 CNV-Interactome-Transcriptome Integration to detect driver genes in cancerology, Microarray Image and Data Analysis, Accepted Conferences : Cancer Bioinformatics Workshop 2010 (Cambridge), Mathematical and Statistical Aspects of Molecular Biology 2011 (Vienne) Posters : JOBIM 2011 (Paris), JOBIM 2012 (Rennes), ECCB 2012 (Bâle)... Conclusion
  56. 56. Perspectives 56/60 Ajout d'autres types de données (CGH) Refonte de l'algorithme de détection des sous-réseaux (linéaire → concentrique) Intégration dans Mobyle Applications à d'autres types de cancers, d'autres maladies Conclusion
  57. 57. Remerciements 57/60 Ghislain, François, Daniel, Pascal, Arnaud, Renaud, Sabrina, Max, Samuel, Claire, Guillaume, Quentin, Olivier, Alexandre Jean-Paul, Françoise, Secrétariat, Service Informatique Mes parents, ma famille Célia Conclusion
  58. 58. La régulation de l'expression des gènes 58/60 Suppléments
  59. 59. Les caractéristiques des cancers (Hallmarks) 59/60 Hannahan et al. 2000, 2011 Suppléments
  60. 60. Classification plus performante 60/60 Statuts ER- Jeux de données ER+ Desmedt van de Vijver Desmedt van de Vijver Signature 70 g 76 g ITI(165) 70 g 76 g ITI(122) 70 g 76 g ITI(6) 70 g 76 g ITI(14) N 61 61 61 36 36 36 129 129 129 114 114 114 ACC 0.442 0.377 0.541 0.528 0.556 0.528 0.411 0.604 0.736 0.623 0.632 0.518 SV 1 0.333 0.407 1 0.471 0.118 0.714 0.714 0.257 0.821 0.564 0.256 SP 0 0.411 0.647 0.106 0.632 0.895 0.298 0.563 0.915 0.520 0.667 0.653 Signature plus stable (de 11.5 à 32.8 % de gènes en commun) entre différents jeux de données dápprentissage Suppléments

×