---
tags:
  - séminaire
bibliography: ../these_ref.bib
---

:::{.callout-note title="Informations"}

**Titre**:: 

**Speaker**:: Blanche Francheterre

**Lieu**:: AgroParisTech

**Date**:: 2026-06-09

**Contribution**:: 

:::

# Prise de notes

## Contexte

DISCERN : Projet européen pour découvrir les causes de 3 cancers (colorectal, rénal, pancréatique) peu compris et étudiés.

Séparé les jeux de données entre *cas* (pathologique) et *controle* (sain).

Graphe avec les biomarqueurs pour les sommets et relation de dépendance conditionnelle pour les arêtes.

**Objectif**: Trouver la structure différentielle entre les deux réseaux (ignorer la partie commune).

## Méthodes

**Outils**: Les modèles graphiques gaussiens, le graphe vient de $\Omega$ la matrice de précision qui indique les corrélation.

Pour l'estimation :

- Graphical Lasso (Friedman et al 2007)
- Neighborhood Selection

Etendues à des méthodes jointes pour *plusieurs réseaux*.

Pour le Lasso utilisation de pénalités:

- Fused : Encourage les même coefficients entre conditions.
- Group graph. Lasso : Parcimonie jointe encouragée

## Résultats

Sur simulations

Retrouver le support des arêtes différentielles 

## Data shared Lasso (Ollier et Viallon 2014, Gross et Tibshirani 2016)

Présenté dans le cadre de régression

$$
y_{i} = x_{i}^T(\theta+\Delta^{k_{i}})+\epsilon_{i}
$$

Intégré dans la sélection de voisin

$$
	\beta_{j}^{(k)} = \dots
$$

Fused et Data Shared très semblables en termes de résultats (appuyé par la théorie).

- Quelle part de support partagés entre les deux méthodes ?

## Application

Cancer du poumon