JdS2012


 English   -  Français  

Résumé de communication



Résumé 169 :

Inférence sur réseaux d'interaction parcimonieux par modèles à facteurs
Causeur, David ; Blum, Yuna ; Houée, Magalie ; Cadoret, Marine
Agrocampus Ouest/INRA

L'inférence sur les réseaux de régulation de gènes à partir de données d'expression générées par des technologies à haut-débit fait partie des grands enjeux de la biologie des systèmes. De tels réseaux d'interaction contribuent à la caractérisation des propriétés fonctionnelles de modules de gènes. L'estimation de ces structures doit à la fois tenir compte de la grande dimension des données et de l'hypothèse d'une faible densité d'interactions dans l'ensemble du réseau. Les modèles graphiques gaussiens s'appuient sur l'hypothèse que les profils d'expression sont distribués selon une loi normale et que la structure d'interaction entre les gènes est complètement définie par la matrice de corrélation partielle des profils. L'inférence sur les réseaux revient donc à estimer les corrélations partielles, ou de manière équivalente, l'inverse de la matrice de variance-covariance des profils sous des conditions de parcimonie du réseau. Dans cette optique, de nombreux auteurs ont proposé de régulariser les méthodes classiques d'estimation, par exemple du maximum de vraisemblance, par une pénalisation de type LASSO. Nous proposons ici de faire l'hypothèse d'un modèle à facteurs parcimonieux pour la structure de covariance des profils. Nous en déduisons une méthode d'estimation du maximum de vraisemblance par un algorithme EM, avec une pénalisation LASSO sur la structure en facteurs de la matrice inverse de la covariance. Nous montrons que cette combinaison d'un modèle réduisant la dimension du réseau d'interaction et d'une méthode d'estimation parcimonieuse conduit à des performances intéressantes par rapport aux méthodes existantes.