1.6 KiB
| tags | 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