Contributions à l'étude de la classification spectrale et applications

More documents

Recommendations

Info

132 Extraction de connaissances appliquée à la biologie et l’imagerie médicale d’inhibition suivi de répression. La distribution des points dans R 3 étant compacte, seuls les points extérieurs à ce nuage de points c’est-à-dire les gènes aux amplitudes et sujets à de fortes réactions de répression et/ou d’inhibition sont considérés comme clusters. De plus, étant donné que l’objectif est de distinguer le profil sans faire intervenir l’amplitude des valeurs des log-ratios d’expressions de gènes, une normalisation des données peut être envisagée. Ainsi la distribution des points est plongée dans une sphère unité où les coordonnées représentent la pondération, l’évolution, par rapport au temps du niveau d’expression du gène de l’espèce envisagé. La figure 4.9 regroupe donc le nuage de points, le ratio η fonction de k et le résultat du spectral clustering pour le deuxième minimum local de η c’est-à-dire pour k = 11 clusters. Pour juger et comparer les résultats de la méthode de spectral clustering, nous comparons les profils des gènes associés à un même cluster à ceux de la méthode SOM. Pour l’espèce A17, le cluster regroupant le plus de gènes correspond à un profil en moyenne constante ce qui est conforme aux résultats avec les SOM et les observations des manipulateurs. Cependant il y a une différence de 418 gènes avec la méthode SOM : les gènes supplémentaires inclus dans ce cluster et les gènes associés au cluster 1 présentent un profil invariant soit sur [t0, t1] ou bien sur [t1, t2] et de faibles amplitudes sur le complémentaire. Les autres clusters représentent des profils marqués d’inhibition et/ou de répression. Etude de l’espèce F83 L’étude avec les données brutes de l’espèce F83 aboutit à considérer seulement 4 clusters dont 3 regroupent 5% des gènes. Les données normalisées sont donc, à nouveau, considérées. Et on procède de façon similaire pour déterminer le nombre de clusters puis effectuer l’étude de la qualité du clustering. On observe que le minimum est atteint pour la valeur k = 19 clusters. Pour l’espèce F83, les différences entre la méthode SOM et la méthode de Spectral Clustering sont moins notables. Le cluster associé au profil constant/invariant possède quasiment les mêmes gènes. De plus, de nouveaux profils apparaissent comme ceux des clusters 3, 10, 12, 13 et 16. Plusieurs clusters représentent le même profil mais avec des amplitudes différentes. Pour cette espèce, la méthode de spectral clustering partitionne les données par profil et amplitude. En effet, pour l’espèce mutante, les écartstype ont augmenté respectivement de 35%, 14.5% et 20% suivant les instants {t0, t1, t2} par rapport à l’espèce A17 et les moyennes ont augmenté respectivement de 50%, 20% et 43%. On distingue donc des réactions d’inhibition et/ou de répression marquées dans l’amplitude. Ces derniers forment, après normalisation des données, des clusters compacts, déterminés ensuite par le spectral clustering. Donc par rapport aux résultats avec l’espèce A17, les résultats du spectral clustering sont plus satisfaisants. Etude de la différence entre les espèces A17 et F83 On considère maintenant la différence normalisée, gène à gène, des log-ratios d’expressions entre les espèces A17 et F83. En comparaison avec les résultats de la méthode SOM, le profil invariant contient approximativement le même nombre de gènes et 8 profils différents sont recensés. Le nombre de gènes associé à un même profil est du même ordre de grandeur entre les deux méthodes. A nouveau, des clusters ayant le même profils mais d’amplitudes différentes sont dissociés par cette méthode.
4.3 Spectral Clustering sur les données génomiques 133 (a) Données normalisées (b) Ratio η fonction de k (c) Résultat du spectral clustering k = 11 Figure 4.9 – Etude avec les données normalisées des profils temporels de l’espèce A17
Page 1:
Institut National Polytechnique de
Page 4 and 5:
ii TABLE DES MATIÈRES 2.5.1 Expér
Page 7 and 8:
Table des figures 1.1 Illustration
Page 9:
TABLE DES FIGURES vii 4.8 Etude ave
Page 13 and 14:
Remerciements Je tiens tout d’abo
Page 15 and 16:
Introduction Les domaines des biolo
Page 17 and 18:
adéquates dans un cadre non superv
Page 19 and 20:
Chapitre 1 : Classification spectra
Page 21 and 22:
Chapitre 1 Classification spectrale
Page 23 and 24:
1.1.1 Algorithme de classification
Page 25 and 26:
1.1.2 Problème du choix du paramè
Page 27 and 28:
1.1.2 Problème du choix du paramè
Page 29 and 30:
1.2.2 Cas d’une distribution isot
Page 31 and 32:
1.3 Validations numériques 19 1.3
Page 33 and 34:
1.3.1 Mesures de qualité 21 (a) Sm
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
1.4 Méthodes de classification spe
Page 41 and 42:
1.4.2 Traitement d’images 29 une
Page 43 and 44:
1.4.2 Traitement d’images 31 (a)
Page 45 and 46:
Chapitre 2 Classification et élém
Page 47 and 48:
2.2 Présentation du résultat prin
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
2.3 Propriétés de classification
Page 55 and 56:
2.3.2 Classification via l’opéra
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
2.4.1 Eléments finis de Lagrange 5
Page 67 and 68:
2.4.2 Interprétation des élément
Page 69 and 70:
2.4.3 Propriété de classification
Page 71 and 72:
2.4.3 Propriété de classification
Page 73 and 74:
2.4.4 Condensation de masse 61 Le t
Page 75 and 76:
2.4.4 Condensation de masse 63 Eval
Page 77 and 78:
2.4.4 Condensation de masse 65 (a)
Page 79 and 80:
2.5.1 Expérimentations numériques
Page 81 and 82:
2.5.2 Choix du paramètre gaussien
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
2.5.3 Passage du discret au continu
Page 89 and 90:
2.5.4 Etape de normalisation 77 d
Page 91 and 92:
2.5.5 Cas limites de validité de l
Page 93: 2.5.5 Cas limites de validité de l
Page 96 and 97: 84 Parallélisation de la classific
Page 112 and 113: 100 Parallélisation de la classifi
Page 132 and 133: 120 Extraction de connaissances app
Page 167 and 168: Conclusion et perspectives Dans ce
Page 169 and 170: 4.9.4 Comparaison avec la méthode
Page 171 and 172: Bibliographie [1] P.D. Acton, L.S.
Page 173 and 174: BIBLIOGRAPHIE 161 [37] M. Ester, H.
Page 175 and 176: BIBLIOGRAPHIE 163 [75] R. Maroy, R.
Page 177: BIBLIOGRAPHIE 165 [114] L. Yen, D.
show all

Contributions à l'étude de la classification spectrale et applications

Create successful ePaper yourself

Delete template?

Save as template?