Résumé

Aujourd’hui, peu de méthodes permettent de faire une modélisation conjointe de ces différents types. Un problème majeur vient de l’hétérogénéité des données. Certaines peuvent aisément être modélisées avec des lois gaussiennes (données transcriptomiques par puces à ADN), d’autres sont continues mais non-gaussiennes (données épigénomiques par puces de profilage de méthylation), et d’autres encore sont discrètes (données transcriptomiques et épigénomiques par séquençage, génotypage). Or, les modèles mathématiques et statistiques dépendent fortement de la nature des données ; c’est la raison pour laquelle les modélisations proposées jusqu’à présent ont été réalisées principalement pour chaque type de données indépendamment.

Dans cette thèse, nous proposerons une modélisation conjointe de données multi-omiques en nous appuyant sur la théorie des copules. Ces dernières permettent de modéliser les interactions entre variables aléatoires de différentes natures et sont donc bien adaptées à notre objectif. Plusieurs enjeux méthodologiques seront étudiés afin d’étendre cette méthode à l’inférence de réseaux de régulation multi-omiques.  La modélisation proposée sera appliquée à des problématiques biologiques étudiées à INRAE, en particulier dans le cadre de projets du Département de Génétique Animale.

Contact

• Ekaterina Tomilina (UR MaIAGE)

• Linkedin

Publications

Articles

Ekaterina Tomilina, Gildas Mazo, Florence Jaffrézic. A semi-parametric Gaussian copula model for heterogeneous network inference: an application to multi-omics data. 2024. ⟨hal-04847648⟩

Communications (conférences, congrès)

• Ekaterina Tomilina, Gildas Mazo, Florence Jaffrézic. Méthodes à copules pour l'inférence de réseaux de régulation multi-omiques. Colloque Jeunes Probabilistes et Statisticiens, groupe Modélisation Aléatoire et Statistique de la Société de Mathématiques Appliquées et Industrielles, Oct 2023, Saint Pierre d'Oléron, France. ⟨hal-04308489⟩
• Ekaterina Tomilina, Gildas Mazo, Florence Jaffrezic. Gaussian copula estimation for heterogeneous data. European Meeting of Statisticians, Jul 2023, Warsaw (POLAND), Poland. . ⟨hal-04308470⟩
• Ekaterina Tomilina, Gildas Mazo, Florence Jaffrezic. Copula-based models for multi-omic network inference. Compstat 2024, Aug 2024, Giessen, Germany. ⟨hal-04683480⟩
• Ekaterina Tomilina, Gildas Mazo, Florence Jaffrezic. Copula-based models for multi-omics network inference. Journée des Statistiques 2024, Société Française de Statistique, May 2024, Bordeaux, France. ⟨hal-04598167⟩

Logiciels

• R package heterocop (CRAN) https://cran.r-project.org/web/packages/heterocop/index.html
• Rshiny app shinyHeterocop https://shiny-heterocop.sk8.inrae.fr/