Contributions à l'étude de la classification spectrale et applications
Contributions à l'étude de la classification spectrale et applications
Contributions à l'étude de la classification spectrale et applications
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
136 Extraction <strong>de</strong> connaissances appliquée <strong>à</strong> <strong>la</strong> biologie <strong>et</strong> l’imagerie médicale<br />
4.4 Discussion<br />
La métho<strong>de</strong> SOM adaptée fournit <strong>de</strong>s résultats validés par les biologistes. En eff<strong>et</strong>, les informations<br />
apportées dans l’adaptation <strong>de</strong> <strong>la</strong> métho<strong>de</strong> améliorent considérablement <strong>la</strong> distinction <strong>de</strong>s<br />
profils <strong>et</strong> par conséquent les résultats répon<strong>de</strong>nt aux attentes <strong>de</strong>s experts. Le spectral clustering<br />
donne <strong>de</strong>s résultats exploitables mais moins satisfaisants : les principaux profils sont restitués <strong>et</strong><br />
certains profils (profils 2,4,6,8 <strong>de</strong> <strong>la</strong> figure 4.12) sont englobés dans d’autres (profils 1,3,5,9 <strong>de</strong> <strong>la</strong><br />
figure 4.12). Par ailleurs, ces <strong>de</strong>ux métho<strong>de</strong>s offrent <strong>de</strong>ux différentes approches. La première répond<br />
<strong>à</strong> une problématique précise <strong>à</strong> l’ai<strong>de</strong> <strong>de</strong> nombreux paramètres (nombre <strong>de</strong> neurones, initialisation<br />
<strong>et</strong> mise <strong>à</strong> jour <strong>de</strong>s vecteurs poids, mesure <strong>de</strong> simi<strong>la</strong>rité) spécialement définis alors que <strong>la</strong> secon<strong>de</strong>,<br />
non supervisée, appliquée sur les données normalisées ouvrent <strong>de</strong>ux étu<strong>de</strong>s : les clusters par profils<br />
temporels <strong>et</strong> les clusters par amplitu<strong>de</strong>s d’expression <strong>de</strong> gènes. A nouveau, il reste <strong>à</strong> correctement<br />
définir <strong>la</strong> problématique biologique. Dans c<strong>et</strong>te étu<strong>de</strong>, <strong>la</strong> métho<strong>de</strong> distingue différents profils temporels<br />
mais aussi <strong>de</strong>s clusters au sein d’un même profil temporel aux amplitu<strong>de</strong>s différentes. Suivant <strong>la</strong><br />
problématique <strong>à</strong> résoudre, d’autres techniques <strong>de</strong> normalisation peuvent être envisagées pour prétraiter<br />
les données <strong>et</strong> spécifier le clustering sur le profil <strong>et</strong>/ou l’amplitu<strong>de</strong> <strong>de</strong>s expressions <strong>de</strong> gènes.<br />
D’autres problèmes peuvent aussi être étudiés comme <strong>la</strong> prise en compte du bruit <strong>de</strong> fond <strong>et</strong> autres<br />
erreurs d’opéran<strong>de</strong> issus <strong>de</strong> l’expérimentation via les puces ADN. Ainsi <strong>de</strong>s techniques <strong>de</strong> clustering<br />
avec intervalles d’erreur peuvent être envisagées <strong>à</strong> <strong>la</strong> fois dans <strong>la</strong> métho<strong>de</strong> SOM <strong>et</strong> pour <strong>la</strong> métho<strong>de</strong><br />
<strong>de</strong> spectral Clustering.<br />
Figure 4.12 – Ba<strong>la</strong>yage <strong>de</strong>s différents profils