Apprentissage Automatique en Médecine Génomique : Un Aperçu des Problèmes Computationnels et des Jeux de Données

Dans cet article, nous fournissons une introduction aux tâches d'apprentissage automatique qui abordent des problèmes importants en médecine génomique. L'un des objectifs de la médecine génomique est de déterminer comment les variations dans l'ADN des individus peuvent affecter le risque de différentes maladies, et de trouver des explications causales afin que des thérapies ciblées puissent être conçues. Ici, nous nous concentrons sur la manière dont l'apprentissage automatique peut aider à modéliser la relation entre l'ADN et les quantités de molécules clés dans la cellule, avec la prémisse que ces quantités, que nous appelons variables cellulaires, peuvent être associées aux risques de maladies. La biologie moderne permet la mesure à haut débit de nombreuses variables cellulaires telles que l'expression des gènes, l'épissage et la liaison des protéines aux acides nucléiques, qui peuvent toutes être considérées comme des cibles d'entraînement pour des modèles prédictifs. Avec la disponibilité croissante de jeux de données à grande échelle et de techniques computationnelles avancées telles que l'apprentissage profond, les chercheurs peuvent contribuer à inaugurer une nouvelle ère de médecine génomique efficace.