Accéder directement au contenu Accéder directement à la navigation
Thèse

Detection of epistasis in genome wide association studies with machine learning methods for therapeutic target identification

Résumé : En offrant une image sans précédent du génome humain, les études d'association pangénomiques (GWAS) expliqueraient pleinement le contexte génétique des maladies complexes. A ce jour, les résultats ont été pour le moins mitigés. Cela peut être partiellement attribué à la méthodologie statistique adoptée, qui ne prend pas souvent en compte l'interaction entre les variants génétiques, ou l'épistasie. La détection d'épistasie à travers des modèles statistiques présente plusieurs défis pour lesquels nous développons dans cette thèse une paire d'outils adéquats. Le premier outil, epiGWAS, utilise l'inférence causale pour détecter les interactions épistatiques entre un SNP cible et le reste du génome. Le deuxième outil, kernelPSI, utilise à la place des méthodes à noyaux pour modéliser l'épistasie entre plusieurs polymorphismes mononucléotidiques (SNPs) voisins. Il tire également partie de l'inférence post-sélection pour effectuer conjointement une sélection au niveau des SNPs et des tests de signification au niveau des gènes. Les outils développés sont - au meilleur de nos connaissances - les premiers à étendre au domains des GWAS des outils puissants d'apprentissage statistique tels que l'inférence causale et l'inférence post-sélection nonlinéaire. En plus des contributions méthodologiques, un accent particulier a été mis sur l'interprétation biologique pour valider nos résultats dans la sclérose en plaques et les variations d'indice de masse corporelle.
Liste complète des métadonnées

Littérature citée [252 références]  Voir  Masquer  Télécharger

https://pastel.archives-ouvertes.fr/tel-02895919
Contributeur : Abes Star :  Contact
Soumis le : vendredi 10 juillet 2020 - 11:16:34
Dernière modification le : mardi 21 juillet 2020 - 03:22:50

Fichier

2020UPSLM006_archivage.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-02895919, version 1

Citation

Lotfi Slim. Detection of epistasis in genome wide association studies with machine learning methods for therapeutic target identification. Quantitative Methods [q-bio.QM]. PSL Research University, 2020. English. ⟨NNT : 2020PSLEM006⟩. ⟨tel-02895919⟩

Partager

Métriques

Consultations de la notice

78

Téléchargements de fichiers

47