La fouille de cohortes en biologie

1
La fouille de cohortes en biologie

• Sandy Maumus
• Équipe 4 INSERM U525
• Équipe Orpailleur LORIA

2
Introduction

• Étude de Cohorte ? suivi dune population donnée
  pendant une période de temps et collection de
  différentes données concernant cette population
• Données ? valeurs complexes

• Problématique de notre travail fouille de
  cohortes
• extraire des unités de connaissance
  réutilisables à partir de données issues détudes
  de cohortes

• ? fouille de données symbolique
• Extraction de motifs fréquents et de règles
  dassociation

3
Les données expérimentales La cohorte
STANISLAS(1)

• Cohorte familiale recrutée au Centre de Médecine
  Préventive de Vandoeuvre-lès-Nancy
• Individus suivis tous les 5 ans sur une période
  de 10 ans (trois visites)
• Première visite (1993-1995)
• 1006 familles (4295 sujets) supposées saines,
  origine française
• Chaque famille 2 parents (? 2 enfants ?? 6
  ans)
• Sujets exempts de maladies aiguës et/ ou
  chroniques à linclusion

4
La cohorte STANISLAS(2)

• Données cliniques et environnementales
• Histoire personnelle du patient, antécédents
  médicaux, prise de médicaments, de tabac et
  dalcool ? questionnaire standardisé
• Indice de masse corporelle (BMI), prise de
  tension,
• Dosages biologiques
• Concentrations en glucose, cholestérol total,
  LDL-C, HDL-C, triglycérides,
• Données génétiques
• Polymorphismes génétiques déterminés grâce à la
  technologie PCR Multiplex développée en
  collaboration avec Roche Molecular Systems.

5
La méthodologie globale de fouille proposée (1)

• 1- Définition du cadre détude
• 2- Préparation et nettoyage des données
• 3- Étape itérative
• 3.1-Filtrage des données
• 3.2- Application des procédures de fouille de
  données
• 3.3- Post-traitement
• 3.3.1- Fouille de règles
• 3.3.2- Visualisation des résultats
• 4- Validation des résultats
• 5- Génération de nouvelles hypothèses de recherche

Un processus en 5 étapes
6
La méthodologie globale de fouille proposée (2)

• 1- Définition du cadre détude
• 2- Préparation et nettoyage des données
• 3- Étape itérative
• 3.1-Filtrage des données
• 3.2- Application des procédures de fouille de
  données
• 3.3- Post-traitement
• 3.3.1- Fouille de règles
• 3.3.2- Visualisation des résultats
• 4- Validation des résultats
• 5- Génération de nouvelles hypothèses de recherche

7
La méthodologie globale de fouille proposée (3)

• 1- Définition du cadre détude
• 2- Préparation et nettoyage des données
• 3- Étape itérative
• 3.1-Filtrage des données
• 3.2- Application des procédures de fouille de
  données
• 3.3- Post-traitement
• 3.3.1- Fouille de règles
• 3.3.2- Visualisation des résultats
• 4- Validation des résultats
• 5- Génération de nouvelles hypothèses de recherche

8
La méthodologie globale de fouille proposée (4)
2- Préparation et nettoyage des données

• Nettoyage des données détection possibilité
  de suppression de valeurs incomplètes et/ou
  extrêmes.
• Conversion des données
• Addition/création de nouveaux attributs,
• Suppression des attributs non pertinents dans le
  cadre détude choisi,
• Discrétisation transformation des données
  continues en données booléennes

9
La méthodologie globale de fouille proposée (5)

• 1- Définition du cadre détude
• 2- Préparation et nettoyage des données
• 3- Étape itérative
• 3.1-Filtrage des données
• 3.2- Application des procédures de fouille de
  données
• 3.3- Post-traitement
• 3.3.1- Fouille de règles
• 3.3.2- Visualisation des résultats
• 4- Validation des résultats
• 5- Génération de nouvelles hypothèses de recherche

10
La méthodologie globale de fouille proposée (6)
3- Étape itérative 3.1- Filtrage des données

• Application de projections
• Sur les lignes sélection des individus
  possédant un ou plusieurs attributs spécifiés par
  lexpert,
• Sur les colonnes sélection (ou suppression)
  de certains attributs.
• Considération du complémentaire dun ensemble
  dindividus satisfaisant une règle

11
La méthodologie globale de fouille proposée (7)

• 1- Définition du cadre détude
• 2- Préparation et nettoyage des données
• 3- Étape itérative
• 3.1-Filtrage des données
• 3.2- Application des procédures de fouille de
  données
• 3.3- Post-traitement
• 3.3.1- Fouille de règles
• 3.3.2- Visualisation des résultats
• 4- Validation des résultats
• 5- Génération de nouvelles hypothèses de recherche

12
La méthodologie globale de fouille proposée (8)
3- Étape itérative 3.2- Application des
procédures de fouille de données

• Recherche de motifs fréquents et extraction de
  règles dassociation
• La plate-forme CORON
• Mise au point des paramètres de contrôle de la
  fouille (support des motifs, support et confiance
  des règles).
• Retour éventuel sur les projections et sur le
  choix des seuils.

13
La méthodologie globale de fouille proposée (9)

• 1- Définition du cadre détude
• 2- Préparation et nettoyage des données
• 3- Étape itérative
• 3.1-Filtrage des données
• 3.2- Application des procédures de fouille de
  données
• 3.3- Post-traitement
• 3.3.1- Fouille de règles
• 3.3.2- Visualisation des résultats
• 4- Validation des résultats
• 5- Génération de nouvelles hypothèses de recherche

14
La méthodologie globale de fouille proposée (10)
3- Étape itérative 3.3- Post-traitement 3.3.1-
Fouille de règles

• Fouille filtrage des règles
• Repérage des règles présentant les attributs les
  plus intéressants pour lexpert
• ? Choix des règles possédant une forme
  particulière, choix des règles possédant un
  attribut intéressant pour lexpert dans
  lantécédent ou dans le conséquent

15
La méthodologie globale de fouille proposée (11)

• 1- Définition du cadre détude
• 2- Préparation et nettoyage des données
• 3- Étape itérative
• 3.1-Filtrage des données
• 3.2- Application des procédures de fouille de
  données
• 3.3- Post-traitement
• 3.3.1- Fouille de règles
• 3.3.2- Visualisation des résultats
• 4- Validation des résultats
• 5- Génération de nouvelles hypothèses de recherche

16
La méthodologie globale de fouille proposée (12)

• 1- Définition du cadre détude
• 2- Préparation et nettoyage des données
• 3- Étape itérative
• 3.1-Filtrage des données
• 3.2- Application des procédures de fouille de
  données
• 3.3- Post-traitement
• 3.3.1- Fouille de règles
• 3.3.2- Visualisation des résultats
• 4- Validation des résultats
• 5- Génération de nouvelles hypothèses de recherche

17
La méthodologie globale de fouille proposée (13)

• 1- Définition du cadre détude
• 2- Préparation et nettoyage des données
• 3- Étape itérative
• 3.1-Filtrage des données
• 3.2- Application des procédures de fouille de
  données
• 3.3- Post-traitement
• 3.3.1- Fouille de règles
• 3.3.2- Visualisation des résultats
• 4- Validation des résultats
• 5- Génération de nouvelles hypothèses de recherche

18
La méthodologie globale de fouille proposée (14)

• Tout le processus de fouille décrit dans cette
  méthodologie est guidé par lexpert
• Sélection des données
• Mise au point des paramètres de contrôle de la
  fouille (support des motifs, support et confiance
  des règles).
• Retour éventuel sur les projections et sur le
  choix des seuils.
• Filtrage des règles extraites
• Interprétation des résultats

Modèles extraits
Unités de connaissance
19
Application de la méthodologieaux données de la
cohorte STANISLAS
Le cadre détude le syndrome métabolique (SM)

• Ensemble de facteurs de risque cardiovasculaire
  qui prédispose au diabète de type 2 et aux
  maladies cardiovasculaires
• Définition du NCEP-ATPIII

• Prévalence 20-25 aux Etats-Unis
• Prévalence croissante en France
• ? Un enjeu majeur de Santé Publique

20
Application de la méthodologieaux données de la
cohorte STANISLAS
La préparation des données (1)
Objectif principal de létude extraction de
motifs associant des facteurs biologiques du
risque cardiovasculaire avec des polymorphismes
génétiques.

• Préparation des données biologiques
• discrétisation des variables selon seuil du
  NCEP-ATPIII ou grâce aux seuils obtenus par le
  calcul des quartiles)
• Ajout de variables la variable SM définie par
  les critères du NCEP, la variable non SM dont
  la valeur est égale à 1 si lindividu ne présente
  pas le syndrome métabolique, les variables
  glucose normal, HDL normal, pression
  sanguine normale, triglycérides normaux, tour
  de taille normal".

21
Application de la méthodologieaux données de la
cohorte STANISLAS
La préparation des données (2)

• Préparation des données génétiques
• Données génétiques de la cohorte STANISLAS sont
  recueillies sous un format booléen dans une base
  de données Microsoft Access.
• Un polymorphisme génétique A/a
• A allèle fréquent a allèle rare
• Deux modes de conversion testés
• (1) présentation des polymorphismes par génotypes
  AA, Aa et aa
• (2) présentation des polymorphismes par allèles
  AA et a, où a représente le regroupement des
  génotypes Aa et aa.

22
Le détail dune expérimentation (1)
? Au départ, base de donnée de 308 individus ?
235 attributs (sexe, les 5 paramètres
biologiques de la définition NCEP ATP-III du SM
et 101 polymorphismes génétiques)

• Polymorphismes codés par leurs génotypes (AA, Aa
  et aa )
• caractérisation du profil génétique associé au SM
  dans la cohorte STANISLAS.
• Projection horizontale sur lattribut SM qui
  retient 9 individus. Lensemble des 9 individus
  vérifie la règle informative exacte suivante 

? SM et APOAI_121GG et APOAIV_347ThrThr et
APOAIV_360GluGlu et ADRB3_64TrpTrp et NOS3-948AA
et ANP_7ValVal et ENaCa_493TrpTrp et FII_20210GG
et IL4R_478SerSer et ADRB2_164ThrThr et
CCR3_39ProPro et APOB_71ThrIle et LPL_291AsnAsn
et FV_506ArgArg et SELE_554LeuLeu (sup9 ou
100  conf1). (9 individus testés)

• Une interprétation possible

23
Le détail dune expérimentation (2)

• Projection verticale sur APOB 71Thr/Ile et sur
  hyperglycémie, hypertriglycéridémie, hypoHDLémie,
  hypertension, obésité, SM et homme et femme.
• Un seuil minimal de support bas est fixé (les
  individus présentant le SM sont nécessairement
  peu nombreux).
• Lanalyste cherche les règles contenant  SM 
  en partie gauche ou en partie droite. 28 règles
  sont retenues, dont la règle intéressante
  suivante 

SM?APOB_71ThrIle (sup9  conf1). (308 individus
testés)

• Cette règle sinterprète par  présenter le SM
  implique davoir le génotype APOB Thr71Ile.
  Soulignons que cette interprétation est faite sur
  la base de 9 sujets et que la règle engendrée a
  une confiance de 100.

24
Le détail dune expérimentation (3)

• Interaction avec le statisticien
• test sur un autre échantillon de la cohorte
  STANISLAS de 740 individus
• répartition des génotypes du polymorphisme de
  lAPOB 71Thr/Ile contenant lallèle Ile en
  fonction de présenter le SM
• ?Conclusion la répartition des génotypes
  contenant lallèle Ile est significativement
  différente selon que lindividu présente le SM ou
  non (test ?2, p0,03).
• Une personne possédant lallèle rare pour le
  polymorphisme APOB71Thr/Ile serait plus
  fréquemment atteinte par le SM.
• Résultat original en biologie ?nouvelle étude
  dépidémiologie génétique ? résultats
  intéressants soumis pour publication.

25
Conclusions

• CORON permet de mettre en uvre la méthodologie
  pour la fouille de cohortes
• ? énoncer de nouvelles hypothèses de recherche
• ? obtention résultats originaux en biologie

• Rôle central de lanalyste dans le processus de
  fouille

26
Cycle de vie de la méthodologie de fouille de
données symbolique