Apprentissage Statistique pour l'Analyse de Données Single-Cell en Oncologie

Le séquençage de l'ARN à l'échelle d'une unique cellule (single-cell) permet d'étudier les niveaux d'expression des gènes dans chacune des milliers ou des millions de cellules individuelles. Il joue un rôle clé en oncologie pour étudier l'hétérogénéité des tumeurs et identifier les différents types de cellules, même rares. Cependant, l'analyse de ces données soulève plusieurs questions statistiques d'intérêt, en particulier, la correction de l'effet de batch. Nous proposons de résoudre ce problème en exploitant la puissance des méthodes d'apprentissage profond. En effet, la grande quantité de cellules disponibles permet d'entraîner des architectures complexes et d'apprendre des représentations latentes adaptées aux tâches d'intérêt. Notre méthode sera évaluée sur plusieurs cas tests en oncologie et comparée à l'état de l'art diverses tâches telles que le clustering et la detection de gènes différentiellement exprimés.Pour répondre à cette problématique, nous nous sommes heurtés au fardeau computationnel de combiner et équilibrer plusieurs objectifs de diverses natures. Ainsi, nous avons développé une méthode basée sur de l'apprentissage par renforcement, afin d'adapter automatiquement les poids des differents sous-objectifs dans un objectif global. Nous comparerons notre méthode à l'état de l'art sur plusieurs cas tests, comprenant des jeux de données issus du Multi-Task Learning et de la correction d'effet batch.La haute résolution générée par le séquençage single-cell permet l'étude de trajectoires cellulaires, présentes lors des processus de différentiation des cellules sanguines ou de l'évolution clonale d'une tumeur. Pour cela, nous envisageons de mettre à profit les avantages des Graph Neural Networks (GNNs), afin répondre au problème d'inférence de trajectoires en replaçant les étapes de réduction de dimension et de clustering par des blocks GNNs. Nous évaluerons notre méthode sur un jeu de données simulé et la comparerons à l'état de l'art.