Bienvenue aux Mines Paristech
Bienvenue à MINES ParisTech
Newsletter International
Website
Théorie & Pratique
Vous êtes

webTV

Lecture

Modéliser pour préparer l'expérience

Lecture

Créer de la musique à partir de gestes dans l'espace

Lecture

Electromagnetic forming process for metallic pieces

Lecture

David Ryckelynck | Entretiens de Toulouse 2015

Lecture

L'intégration du stockage dans un réseau électrique durable

+ Toutes les vidéos

Partager

Yunlong JIAO - Soutenance de thèse MINES ParisTech

Yunlong JIAO

Pronostic moléculaire basé sur l'ordre des gènes et découverte de biomarqueurs guidé par des réseaux pour le cancer du sein

Titre anglais : Rank-based Molecular Prognosis and Network-guided Biomarker Discovery for Breast Cancer
Date de soutenance : 11/09/17
Directeur de thèse : Jean-Philippe VERT

Mots clés en français : Cancer du sein,Pronostic moléculaire,Découverte de biomarqueurs,Réseau biologique,Apprentissage statistique,Analyse de données génomiques
Mots clés en anglais : Breast Cancer,Molecular Prognosis,Biomarker Discovery,Biological Network,Machine Learning,Genomic Data Analysis

Résumé de la thèse en français
Le cancer du sein est le deuxième cancer le plus répandu dans le monde et la principale cause de décès due à un cancer chez les femmes. L'amélioration du pronostic du cancer a été l'une des principales préoccupations afin de permettre une meilleure gestion et un meilleur traitement clinique des patients. Avec l'avancement rapide des technologies de profilage génomique durant ces dernières décennies, la disponibilité aisée d'une grande quantité de données génomiques pour la recherche médicale a motivé la tendance actuelle qui consiste à utiliser des outils informatiques tels que l'apprentissage statistique dans le domaine de la science des données afin de découvrir les biomarqueurs moléculaires en lien avec l'amélioration du pronostic. Cette thèse est conçue suivant deux directions d'approches destinées à répondre à deux défis majeurs dans l'analyse de données génomiques pour le pronostic du cancer du sein d'un point de vue méthodologique de l'apprentissage statistique : les approches basées sur le classement pour améliorer le pronostic moléculaire et les approches guidées par un réseau donné pour améliorer la découverte de biomarqueurs. D'autre part, les méthodologies développées et étudiées dans cette thèse, qui concernent respectivement l'apprentissage à partir de données de classements et l'apprentissage sur un graphe, apportent une contribution significative à plusieurs branches de l'apprentissage statistique, concernant au moins les applications à la biologie du cancer et la théorie du choix social.

Résumé de la thèse en anglais
Breast cancer is the second most common cancer worldwide and the leading cause of women's death from cancer. Improving cancer prognosis has been one of the problems of primary interest towards better clinical management and treatment decision making for cancer patients. With the rapid advancement of genomic profiling technologies in the past decades, easy availability of a substantial amount of genomic data for medical research has been motivating the currently popular trend of using computational tools, especially machine learning in the era of data science, to discover molecular biomarkers regarding prognosis improvement. This thesis is conceived following two lines of approaches intended to address two major challenges arising in genomic data analysis for breast cancer prognosis from a methodological standpoint of machine learning: rank-based approaches for improved molecular prognosis and network-guided approaches for enhanced biomarker discovery. Furthermore, the methodologies developed and investigated in this thesis, pertaining respectively to learning with rank data and learning on graphs, have a significant contribution to several branches of machine learning, concerning applications across but not limited to cancer biology and social choice theory.

Retour à l'annuaire des docteurs

actualité

Recherche : l'École dans le Top 500 mondial

Formation Recherche : l'École dans le Top 500 mondial Publié chaque année au mois d'août, depuis 2003, le…
> En savoir +

Le Rapport d'activité 2016 est en ligne

Formation Le Rapport d'activité 2016 est en ligne C'est par un éditorial à deux voix que s'ouvre le…
> En savoir +

Des conditions d'études optimales

Formation Des conditions d'études optimales Un faible "ratio étudiants / personnels encadrants" peut…
> En savoir +

Les matériaux à l'honneur

Formation Les matériaux à l'honneur Le Prix Bodycote de la SF2M récompense deux jeunes docteurs de l'École. La SF2M…
> En savoir +

Deux prix CSMA en

Formation Deux prix CSMA en "calcul des structures" Lors du 13 e colloque national en calcul des structures , à…
> En savoir +

+ Toutes les actualités

contact

Régine MOLINS
Direction de l'Enseignement
Service du Doctorat
> envoyer un mail

Plan du site
MINES
ParisTech

60, Boulevard Saint-Michel
75272 PARIS Cedex 06
Tél. : +33 1 40 51 90 00

Implantations
Formation
Mentions légales | efil.fr | ©2012 MINES ParisTech | +33 1 40 51 90 00 |