Présentation : Intégration de données génomiques dans la conception de modèles d'apprentissages en oncologie de précision
Date
2021-05-05
Auteurs
Résumé
La leucémie lymphoblastique aiguë (LLA) constitue près du tiers des cas de cancers pédiatriques enregistrés chaque année au Canada. Bien que les traitements actuels permettent d’atteindre un taux de survie de 5 ans de 90%, nous observons que plus de 65% des survivants développent des effets indésirables à long terme dont la dyslipidémie, l’hypertension et l’ostéoporose. Ces effets contribuent à la dégradation de l’état de santé de ces patients et peuvent même constituer un danger pour leurs vies. Notre projet consiste à mettre en place un modèle mathématique permettant la prédiction de ces effets indésirables, rendant ainsi possible un suivi plus adapté et personnalisé des survivants de la LLA. Plusieurs articles dans la littérature ont mis en lumière l’association entre certains gènes et le développement d’effets indésirables tardifs. L’utilisation de données génomiques pourrait bonifier la qualité des prédictions émises par notre modèle. Celui-ci consistera en un réseau de neurones graphique (GNN), une architecture émergente dans le domaine de l’apprentissage machine. Il inclura des données génomiques et d’autres biomarqueurs provenant de PETALE, une étude réalisée sur près de 250 survivants de la LLA dont l’objectif principale était d’identifier et caractériser les facteurs prédisposants un survivant à développer des problèmes de santé. La présentation a pour but de présenter l’intérêt des GNN pour l’intégration de données génomiques dans des modèles de prédiction.