Descriptif
De nombreux systèmes biomédicaux et biologiques se présentent naturellement sous la forme de graphes : connectomes cérébraux, réseaux d’interactions protéine-protéine, réseaux de régulation génétique, graphes moléculaires, réseaux de similarité entre patients et graphes de population. Ce module initie les étudiants aux fondements mathématiques et informatiques de l’apprentissage automatique sur les graphes, en mettant particulièrement l’accent sur le génie biomédical, les neurosciences computationnelles, la bio-informatique et l’analyse des données biologiques.
Le cours aborde d'abord les principes fondamentaux de la théorie des graphes, des représentations de graphes et de l'apprentissage basé sur les graphes. Il présente ensuite les méthodes essentielles du traitement du signal sur les graphes et des réseaux neuronaux sur les graphes, notamment l'analyse de Fourier sur les graphes, le filtrage de graphes, la convolution de graphes, la transmission de messages, la classification des nœuds, la classification des graphes et la prédiction des liens. Une attention particulière est accordée aux applications biomédicales telles que l'imagerie cérébrale fonctionnelle, la connectivité structurelle et fonctionnelle, l'analyse des données omiques, la classification des maladies et la prédiction des interactions protéine-protéine.
Ce module fait le lien entre le traitement classique des signaux basé sur les graphes et les réseaux neuronaux graphiques modernes. Le traitement des signaux sur les graphes fournit des outils permettant d'analyser des signaux définis sur des domaines irréguliers, tels que les signaux d'activité cérébrale représentés sur des graphes de connectivité cérébrale, en utilisant des concepts tels que les transformées de Fourier sur les graphes et les filtres graphiques. Plus généralement, les méthodes basées sur les graphes sont de plus en plus utilisées dans les systèmes biologiques, qu'il s'agisse de graphes de population au niveau des patients ou de graphes moléculaires et omiques.
Thème du module
Apprentissage automatique graphique pour le génie biomédical, les neurosciences computationnelles, la bio-informatique et l'analyse des données biologiques
Prérequis
Connaissances de base en apprentissage automatique, solides compétences en programmation en Python et bonne compréhension des statistiques et de l'algèbre linéaire.
Objectifs pédagogiques
Objectifs d'apprentissage
1. Représenter des données biomédicales et biologiques sous forme de graphes, notamment des réseaux cérébraux, moléculaires, omiques et d'interactions.
2. Comprendre les principaux concepts de la théorie des graphes pertinents pour l'apprentissage automatique.
3. Appliquer des outils de traitement du signal sur les graphes, tels que les laplaciens de graphes, les transformées de Fourier de graphes et les filtres de graphes.
4. Expliquer les principes des réseaux neuronaux sur graphes et des architectures à passage de messages.
5. Mettre en œuvre des modèles d’apprentissage automatique basés sur les graphes pour des ensembles de données biomédicales ou bioinformatiques.
6. Interpréter les résultats de l’apprentissage sur les graphes dans des contextes biomédicaux, notamment en neurosciences, en modélisation des maladies et en analyse des interactions protéiques.
7. Évaluer de manière critique les opportunités et les limites de l’apprentissage automatique sur les graphes pour le génie biomédical.
Méthodes d’enseignement
Le module combine des cours magistraux, des discussions méthodologiques, un apprentissage sur support papier et des séances pratiques de calcul. Les étudiants travailleront sur des exemples inspirés de l’imagerie biomédicale, de la neuroimagerie, des réseaux biologiques et des applications bioinformatiques.
Diplôme(s) concerné(s)
Format des notes
Numérique sur 20Littérale/grade américainPour les étudiants du diplôme M2 BME - Ingénierie BioMédicale
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- 7 ≤ note initiale < 10
- Crédits ECTS acquis : 3 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Programme détaillé
Références recommandées :
- Huang, W., Bolton, T. A. W., Medaglia, J. D., Bassett, D. S., Ribeiro, A., & Van De Ville, D. (2018). A Graph Signal Processing Perspective on Functional Brain Imaging. Proceedings of the IEEE, 106(5), 868–885.
- Li, R., Yuan, X., Radfar, M., Marendy, P., Ni, W., O’Brien, T. J., & Casillas-Espinosa, P. M. (2023). Graph Signal Processing, Graph Neural Network and Graph Learning on Biological Data: A Systematic Review. IEEE Reviews in Biomedical Engineering, 16, 109–135.
- Additional references on graph neural networks, graph convolutional networks, and biomedical graph learning will be provided during the course.
|
|