Fouille de données pour l'extraction de grands réseaux de régulation génétique
Un des défis majeurs de l’ère post-génomique est la construction, à partir d’informations telles que les données d’expression, de réseaux de régulation transcriptionnelle. Le but est de connaître, pour chaque gène et dans un contexte cellulaire donné, quels facteurs de transcription influencent sa transcription, et comment plusieurs facteurs se coordonnent pour
accomplir certaines régulations. Nous proposons une approche alternative à celles proposées dans les réseaux bayésiens afin d’inférer des relations de régulation à partir de données d’expression. Cette méthode utilise des techniques d’extraction de connaissances, afin de réduire efficacement l’espace de recherche. Notre méthode est évaluée sur des données réelles de transcriptome
de tumeurs de vessie, et les résultats obtenus sont tout à fait encourageants.
One of the most promising but challenging tasks in the post-genomic era is to reconstruct transcriptional regulatory networks from gene expression data. We propose an alternative heuristic solution to those implemented in Bayesian approaches for inferring transcription regulation topology from RNA microarray data. This method relies on classical data mining
techniques, namely frequent itemset mining, in order to reduce efficiently the space of candidate transcriptional regulation relations consistent with expression data. We have experimented our method on real human bladder cancer data, and results are quite encouraging.
M.ELATI, F.RADVANYI, C.ROUVEIROL
Reçu le 5 octobre 2005.
Accepté le 18 mai 2006.
Français
|
