Actualités du LIPN

Quantitative structure-activity relationships (QSARs) are regression models relating chemical structure to biological activity, allowing to make predictions for toxicologically or pharmacologically relevant endpoints, which constitute the target outcomes of trials or experiments. The task is often tackled by instance-based methods (like k-Nearest
Neighbors), which are all based on the notion of chemical (dis-)similarity. Clearly, it would be desirable to determine for a given QSAR dataset, a priori, a suitable distance measure. Our starting point is the observation by Raymond and Willett that the two big families of chemical distance measures, finger-print based and maximum common subgaph based measures, provide orthogonal information about chemical (dis-)similarity. We define a simple new distance measure weighting representatives of the two families, propose an optimization scheme for learning optimal weights for those measures combined, and investigate the transfer and adaptation of the weights from one problem to another, related problem with a similar or identical endpoint. Our experiments suggest that learning distance measures for QSAR (here formally defined as regression on molecular graphs) is feasible, and that the success of transferring and adapting such distance measures depends, amongst others, on training set size.

Appel à communications CAp 2009

Dans le cadre de nos travaux, nous nous intéressons au problème de la classification et de la prévision de données hétérogènes, que nous proposons d’étudier à travers deux approches principales. Dans la première, une nouvelle approche de classification automatique basée sur une technique de la théorie des graphes appelée b-coloration a été mise en place. La b-coloration d’un graphe G est une affectation des couleurs  (classes) aux sommets de G tels que deux sommets adjacents (dissimilaires) ne portent pas la même couleur (coloration propre) et pour chaque classe de couleur il existe au moins un sommet dominant adjacent à toutes les autres couleurs. Les performances de cette approche ont été validées sur différents types de données, à savoir des données benchmark, des images archéologiques (dans le cadre d’un projet européen TArcHNA) et également sur des données de natures variées issues du système d’information hospitalier français (PMSI) (variables classiques comme l’âge ou le sexe, variables symboliques comme l’ensemble des actes médicaux, les diagnostics, etc). L’objectif étant de définir une typologie plus fine des séjours hospitaliers pour remédier aux problèmes associés à la classification existante en groupes homogènes de malades (GHM). Nous avons également développé l’apprentissage incrémental associé à cette approche, ce qui permet à de nouvelles données d’être automatiquement intégrées dans la partition initialement générée sans avoir à relancer la classification globale. Le deuxième apport de notre travail concerne l’analyse de données séquentielles. Nous proposons de combiner la méthode de classification précédente avec les modèles de mélange markovien, afin d’obtenir une partition de séquences temporelles en groupes homogènes et significatifs. Le modèle obtenu assure une bonne interprétation des classes construites et permet d’autre part d’estimer l’évolution des séquences d’une classe donnée. Se basant sur cette approche, nous avons cherché à définir une typologie des trajectoires patient (succession de séjours hospitaliers d’un même patient) afin de prévoir de manière statistique les caractéristiques du prochain séjour d’un patient arrivant dans un établissement de soins. La méthodologie globale offre ainsi un environnement d’aide à la décision pour le suivi et la maîtrise de l’organisation du système des soins.  

Nous nous intéressons dans cette étude à la classification non-supervisée de données multi-représentées (ou multi-vues), i.e. des données décrites par plusieurs sources d’information (ensembles d’attributs ou matrices de proximités). Ce domaine d’étude trouve ses principales applications en recherche d’information, en biologie ou encore en chimie. Il s’agit alors de proposer un cadre méthodologique permettant la recherche d’une classification réalisant un consensus entre les différentes représentations. Dans ce cadre, la fusion des informations issues de chacune des sources est nécessaire. Cette fusion peut être réalisée en amont du processus de classification (fusion a priori), en aval (fusion a posteriori) ou pendant le processus (approche collaborative). Nous nous inspirons du travail récent de Bickel et Sheffer visant à étendre les modèles de mélanges au cas des données multi-représentées (Co-EM) et proposons un modèle de classification floue généralisant à la fois les approches collaboratives, de fusion a priori et a posteriori. Les expérimentations proposées valident l’étude sur un jeu de données adapté. Nous montrons enfin que ce modèle peut facilement s’étendre au cas semi-supervisé.