Aperçu
L’apprentissage supervisé utilise un ensemble de données de paires entrées-sorties – où la bonne réponse est connue – pour former un modèle capable de prédire la sortie de nouvelles entrées invisibles. En bioinformatique, ce paradigme correspond naturellement à des problèmes tels que la classification d’un échantillon de tissu comme cancéreux ou sain, la prédiction si une variante génétique est pathogène ou l’attribution d’une fonction à une protéine non caractérisée. Le modèle apprend les limites de décision qui séparent les classes dans l’espace des fonctionnalités, guidé par une fonction de perte qui pénalise les erreurs de prédiction.
Méthodes
La régression logistique modélise la probabilité d’appartenance à une classe et reste une référence pour la classification binaire, en particulier lorsque l’interprétabilité est valorisée. Les machines vectorielles de support construisent des séparateurs hyperplans avec une marge maximale et fonctionnent bien dans les paramètres de grande dimension typiques des données omiques. Les forêts aléatoires regroupent de nombreux arbres de décision formés sur des échantillons bootstrapés et fournissent des mesures intégrées de l’importance des fonctionnalités. Les arbres améliorés par dégradé (XGBoost, LightGBM) corrigent de manière itérative les erreurs de leurs prédécesseurs et remportent souvent des compétitions de données structurées. Les réseaux de neurones avec des couches cachées peuvent apprendre des limites non linéaires complexes, mais nécessitent plus de données et une régularisation minutieuse. Toutes les méthodes bénéficient d’un ajustement du poids des classes ou d’un rééchantillonnage lorsque les classes sont déséquilibrées.
Protocole pratique
Un flux de travail d’apprentissage supervisé pratique pour la classification de l’expression génique commence par le chargement de la matrice d’expression, où les lignes représentent les gènes et les colonnes représentent les échantillons de patients. Les données sont d’abord normalisées à l’aide de nombres par million transformés en log (log-CPM) ou d’une normalisation quantile. Un ensemble de données typique peut contenir 20 000 caractéristiques génétiques réparties sur 100 échantillons, nécessitant une validation minutieuse. Le chercheur divise les données en ensembles de formation (70 %), de validation (15 %) et de tests (15 %) tout en préservant les proportions de classe grâce à la stratification. Un classificateur forestier aléatoire avec 500 arbres est formé sur l’ensemble de formation. Une validation croisée quintuple sur l’ensemble d’entraînement évalue la stabilité : le modèle est ajusté sur quatre plis et évalué sur le pli retenu, répété cinq fois, ce qui donne une précision moyenne validée croisée. Après avoir confirmé que les performances de validation croisée sont acceptables, le modèle est recyclé sur l’ensemble d’entraînement complet et évalué une fois sur l’ensemble de test retenu. Les scores d’importance des caractéristiques de la forêt entraînée révèlent quels gènes discriminent le plus fortement les classes. Les 20 gènes les mieux classés sont inspectés par rapport aux voies biologiques connues via une analyse d’enrichissement KEGG ou Reactome pour vérifier la plausibilité mécaniste. Ce flux de travail a été utilisé pour développer des signatures pronostiques multigéniques pour les sous-types de cancer du sein, où un panel de 50 gènes a stratifié les patientes en groupes à risque avec des résultats de survie significativement différents. La même approche s’applique à la classification des phénotypes de réponse aux médicaments à partir d’ensembles de données pharmacogénomiques et à la prédiction des variantes pathogènes à partir des caractéristiques génomiques. ### Candidatures
L’apprentissage supervisé classe les agents pathogènes bactériens à l’aide de marqueurs génomiques en génétique bactérienne, prédit le pronostic du patient en biochimie du cancer et identifie les gènes différentiellement exprimés à partir des données puces à ADN et expression génique. Il alimente également l’aide à la décision clinique en stratifiant les patients en groupes à risque et en annotant les éléments régulateurs dans le génome.
