Vers différents types de règles pour les données d'expression de gènes - application à des données de tumeurs mammaires

RÉSUMÉ. Les puces à ADN permettent de mesurer le niveau d’expression de milliers de gènes d’un tissu donné dans une seule expérience. De part la nature de ces données (beaucoup de gènes et peu d’expériences), de nouvelles techniques d’analyse de données de biopuces doivent être développées. Dans cet article, nous proposons une technique d’interprétation des données basée sur la notion de règles. L’originalité de notre approche réside dans la définition de trois sémantiques différentes pour les règles répondant à des objectifs biologiques différents. Nous avons intégré ces propositions dans un logiciel libre existant nommé MeV de l’environnement TIGR dédié à l’interprétation des données de biopuces. Grâce à une interface graphique conviviale, les biologistes ont la possibilité d’utiliser nos propositions sur leurs données d’expression de gènes. Nous présentons les premiers résultats obtenus avec une sémantique particulière sur des données d’expression du cancer du sein.

[1]  Heikki Mannila,et al.  Design of Relational Databases , 1992 .

[2]  Yudong D. He,et al.  Gene expression profiling predicts clinical outcome of breast cancer , 2002, Nature.

[3]  Heikki Mannila,et al.  Approximate Inference of Functional Dependencies from Relations , 1995, Theor. Comput. Sci..

[4]  Gene Ontology Consortium.  The Gene Ontology (GO) database and informatics resource , 2003 .

[5]  Werner Dubitzky,et al.  A Practical Approach to Microarray Data Analysis , 2003, Springer US.

[6]  Huiqing Liu,et al.  Simple rules underlying gene expression profiles of more than six subtypes of acute lymphoblastic leukemia (ALL) patients , 2003, Bioinform..

[7]  Régis Gras,et al.  Mesurer la qualité des règles et de leurs contraposées avec le taux informationnel TIC , 2004, EGC.

[8]  Gregory Piatetsky-Shapiro,et al.  Microarray data mining: facing the challenges , 2003, SKDD.

[9]  A I Saeed,et al.  TM4: a free, open-source system for microarray data management and analysis. , 2003, BioTechniques.

[10]  S. Ramaswamy,et al.  Microarrays for an integrative genomics , 2004 .

[11]  Régis Gras,et al.  Une version entropique de l'intensité d'implication pour les corpus volumineux , 2001, EGC.

[12]  Jean-Marc Petit,et al.  Functional and approximate dependencies mining: databases and FCA point of view , 2002 .

[13]  I. Bièche,et al.  CCND1 mRNA Overexpression is Highly Related to Estrogen Receptor Positivity but not to Proliferative Markers in Primary Breast Cancer , 2000, The International journal of biological markers.

[14]  Rosine Cicchetti,et al.  FUN: An Efficient Algorithm for Mining Functional and Embedded Dependencies , 2001, ICDT.

[15]  Jean-Marc Petit,et al.  e-functional dependency inference: application to DNA microarray expression data , 2001, BDA.

[16]  Bernard Monjardet,et al.  The Lattices of Closure Systems, Closure Operators, and Implicational Systems on a Finite Set: A Survey , 2003, Discret. Appl. Math..

[17]  Didier Dubois,et al.  Fuzzy functional dependencies-an overview and a critical discussion , 1994, Proceedings of 1994 IEEE 3rd International Fuzzy Systems Conference.

[18]  Peter A. Flach,et al.  Database Dependency Discovery: A Machine Learning Approach , 1999, AI Commun..

[19]  Hannu Toivonen,et al.  Efficient discovery of functional and approximate dependencies using partitions , 1998, Proceedings 14th International Conference on Data Engineering.

[20]  L. Beran,et al.  [Formal concept analysis]. , 1996, Casopis lekaru ceskych.

[21]  Georg Gottlob,et al.  Investigations on Armstrong relations, dependency inference, and excluded functional dependencies , 1990, Acta Cybern..

[22]  K. Cowan,et al.  Posttranscriptional regulation of the c-myb proto-oncogene in estrogen receptor-positive breast cancer cells. , 1995, Clinical cancer research : an official journal of the American Association for Cancer Research.

[23]  Carolina Ruiz,et al.  Distance-enhanced association rules for gene expression , 2003, BIOKDD.

[24]  Petra Perner,et al.  Data Mining - Concepts and Techniques , 2002, Künstliche Intell..

[25]  Nicolas Spyratos,et al.  Règles d'association significatives , 2002, BDA.

[26]  C. Becquet,et al.  Strong-association-rule mining for large-scale gene-expression data analysis: a case study on human SAGE data , 2002, Genome Biology.

[27]  N Andrieu,et al.  Strong association between c-myb and oestrogen-receptor expression in human breast cancer. , 1990, Oncogene.

[28]  János Demetrovics,et al.  Some Remarks On Generating Armstrong And Inferring Functional Dependencies Relation , 1995, Acta Cybern..

[29]  Edward L. Robertson,et al.  FastFDs: A Heuristic-Driven, Depth-First Algorithm for Mining Functional Dependencies from Relation Instances - Extended Abstract , 2001, DaWaK.