Description
Date depot: 18 janvier 2022
Titre: Stratification de populations hétérogènes à partir de données longitudinales et génétiques
Directeur de thèse:
Stanley DURRLEMAN (ICM)
Domaine scientifique: Sciences pour l'ingénieur
Thématique CNRS : Sciences de l’information et sciences du vivant
Resumé: Ce projet doctral portera sur le développement d'outils et de modèles visant à établir des associations entre des profils de progression dans les pathologies neurodégénératives et des données génomiques.
Le sujet soulèvera la question de l'analyse longitudinale d'une population hétérogène avec l'objectif de délimiter des profils de progression distincts. Un des enjeux sera notamment l'utilisation de données génétiques pour guider un sous-typage au sein de cette population. La réflexion devra être conduite pour répondre à la fois aux problématiques inhérentes à l'analyse de telles données de haute-dimension, ainsi qu'à la manière dont analyser conjointement des données longitudinales (progression de scores cognitifs, biomarqueurs, etc.) et non longitudinales (information génétique).
Les méthodes développées pourront s'inscrire dans la lignée des modèles statistiques à effets mixtes précédemment développés au sein de l'équipe, étendus pour permettre la stratification d'une population par exemple via une couche hiérarchique de mélange de modèles. On pourra intégrer l'information génétique à ces modèles longitudinaux en raffinant et informant les a priori utilisés pendant l'apprentissage statistique en fonction d'étapes de type clustering dans les données génétiques, ainsi que par le calcul et l'utilisation de scores de risques polygéniques. On s'attachera dans un même-temps à mettre en place des procédures et outils de validation de la qualité et de la significativité clinique des associations et sous-types mis au jour, par exemple dans un contexte de sélection de modèle.
Les outils développés pourront ainsi inclure la découverte de sous-types et d'associations au sein de cohortes établies, comme celles des projets ADNI et PPMI, ainsi que la détection et la classification précoce d'individus au sein de sous-types.
Doctorant.e: Fournier Nemo