memoire de magister theme - Université d`Oran 1 Ahmed Ben Bella

Département Informatique
MEMOIRE DE MAGISTER
Option : Informatique et Automatique
THEME :
FOUILLE DE DONNEES BIOLOGIQUES : ETUDE COMPARATIVE ET
EXPERIMENTATION.
Présenté par : Abdelhak MANSOUL
Soutenu devant les membres du jury :
Mr B. BELDJILALI
Professeur à l’Université d’Oran
Président
Mr K. BOUAMRANE
Maître de Conférences à l’Université d’Oran
Examinateur
Mr A. GHOMARI
Maître de conférences à l’Université d’Oran
Examinateur
Mr M. MALKI
Maître de conférences à l’UDL de Sidi Belabess
Examinateur
Mr B. ATMANI
Maître de conférences à l’Université d’Oran
Rapporteur
2009-2010
Résumé
Le traitement des données biologiques est indispensable en recherches médicales et sciences de la vie. En
effet, les données biologiques sont de différents types, et souvent complexes, ce qui a induit une recherche
soutenue de nouveaux procédés d’exploitation parce que ceux existant ne suffisent plus ou ne sont plus
adaptés. Une nouvelle approche : l’Extraction de Connaissances à partir des Données biologiques est de
plus en plus envisagée. De là, notre étude qui porte sur la fouille de données biologiques sur un terrain
expérimental : une épidémie.
Le présent travail de recherche se situe dans le cadre de l’ECD Biologiques, à travers une étude
comparatives des outils existants et la proposition d’une nouvelle approche pour l’extraction des règles
d’association à partir de données biologiques, leur gestion et l’alimentation d’un système d’aide à la
décision.
D’où, la problématique abordée par notre étude qui est la fouille de données biologiques assistée par une
modélisation booléenne des résultats obtenus.
Nous proposons un processus d’extraction de motifs assez novateur pour générer des règles
d’association profitable et exploitable à deux niveaux :
•
Profitable au spécialiste du domaine, en particulier à travers les règles d’association qui aident à
mieux interpréter les données.
•
Le résultat de la fouille de données est optimisé par une modélisation booléenne des règles
d’association extraites. Cette amélioration se fait par la machine BRI (Boolean Rules Induction ).
En premier lieu nous présenterons un état de l’art, s’ensuit une étude comparative des différents outils et
méthodes existants afin d’en tirer bénéfice, et on continuera par exposer notre démarche et les résultats
obtenus.
Mots clés: Automate cellulaire, Fouille de données biologiques, Induction de règles, Règle d’association,
modélisation booléenne.
Abstract
The biological data processing is an indispensable tool in medical researches and life sciences. Indeed,
the biological data are various types, and often complex, what led a search of new exploitation processes
because those existing are not any more enough or are not any more adapted. A new approach : the
Extraction of Knowledge from the biological data is more and more envisaged. From there, our study which
concerns the Biological Data Mining on an experimental ground: an epidemic.
The present research work is situated within the framework of Knowledge Discovery from Biological
Data, through study comparative clauses of the existing tools and the proposition of a new approach for the
extraction of the association rules from biological data, there management and the supply of a system of
decision-making support.
Where from, the problem approached by our study which is the Data Mining of biological data assisted
by a boolean modeling for the obtained results.
We propose a rather innovative process of extraction of patterns for generating a profitable and
exploitable association rules at two levels:
•
Profitable, to the specialist of the domain, in particular through the rules of association which help to
interpret better the data.
•
The result of the data mining process is optimized by a boolean modelling of the extracted association
rules. This improvement is made by the machine BRI (Boolean Rules Rules Induction).
First of all we shall present a state of the art, follows a comparative study of the various existing tools
and the methods to benefit from it, and we shall continue to expose our approach and the obtained results.
Key words: Cellular automaton, Biological data mining, Rules Induction, Association Rules, Boolean
modelisation
Remerciements
Je remercie les membres du jury qui m’ont fait l’honneur d’avoir
accepté d’évaluer ce travail.
Je remercie vivement Monsieur Bouziane BELDJILALI, qui m’a
bien accueilli et m’a entretenu pour me diriger ensuite vers mon
encadreur. Ainsi que, Monsieur Baghdad ATMANI mon encadreur,
pour m’avoir dirigé pendant tout le long de ce travail, par ses
précieux conseils, ses pertinents commentaires, et ses orientations.
De plus m’a fait profiter de son expérience dans la direction de
travaux de recherche.
Mes remerciements vont aussi :
À Monsieur Abdelhafid HAFFAF, le chef du département
informatique de l’université d’Oran.
À Monsieur Karim BOUAMRANE pour m’avoir facilité les
démarches administratives au département informatique.
Et Monsieur Smain MAAZOUZI, le chef du département
informatique de l’université du 20 Août 55 de SKIKDA pour son
grand soutien.
TABLE DES MATIERES
Résumé
Liste des figures
Liste des tableaux
Glossaire
Introduction générale
1
Chapitre I. L’Extraction de Connaissances à partir de Données Biologiques
6
I.1 Définition de l’extraction de connaissances à partir de données
biologiques
I.2 Le processus de l’ECD biologiques
I.3 Notre contribution
I.4 Etat de l’art de l’ECD biologiques
I.5 Les méthodes de fouille de données
I.6 Etude comparative
I.7 Discussion sur l’ECD Biologiques
I.8 Conclusion
Chapitre II. Extraction de règles d’association
II.1
II.2
II.3
II.4
Les règles d’association
L’induction et l’évaluation des règles
Les algorithmes d’extraction des règles d’association
Conclusion
Chapitre III. Modélisation booléenne des règles d’association
III.1 Le moteur d’inférence cellulaire : architecture et principe de
fonctionnement
III.2 La modélisation booléenne
III.3 Exemple d’illustration d’induction des règles booléennes
III.4 La dynamique du moteur d’inférence cellulaire
III.5 Conclusion
Chapitre IV. Conception et expérimentation du système BIODM
IV.1
IV.2
IV.3
IV.4
IV.5
IV.6
Etude et choix des données biologiques pour expérimentation
Architecture du système BIODM (BIOlogical Data Mining)
Le processus de l’ECD biologiques
Le logiciel réalisé
L’expérimentation
Conclusion
6
7
13
14
20
27
30
31
33
34
35
37
42
44
44
47
48
50
52
54
54
55
57
63
66
70
Conclusion générale
71
Références bibliographiques
73
Annexe B
77
Liste des figures
Introduction générale.
Figure 0.1 : Complexe Tuberculosis.
Figure 0.2 : Morceau de séquence génomique rapatriée de NCBI.
Figure 0.3 : Fichier des séquences ayant subi une transformation.
2
4
4
Chapitre I. L’ECD Biologique.
Figure
Figure
Figure
Figure
1.1
1.2
1.3
1.4
:
:
:
:
Figure 1.5 :
Figure 1.6 :
Figure 1.7 :
Figure 1.8 :
Exemple du format FASTA d’une séquence protéique.
Exemple du format STADEN d’une séquence protéique.
Exemple du format PIR d’une séquence protéique.
Exemple de fichier à l’état brut de la séquence génomique de la
souche MT CDC1551 au format texte brut.
Morceau de la séquence génomique nettoyée du Mt CDC1551.
Morceau de la séquence génomique mise en forme du
Mt CDC1551.
Morceau de la séquence génomique structurée du Mt CDC1551.
Processus d’ECD Biologiques.
9
9
10
10
11
11
11
12
Chapitre III. Modélisation booléenne des règles d’association.
Figure 3.1 : Le système BRI (Boolean Rule Induction).
Figure 3.2 : Les partitions S , S et S .
Figure 3.3 : Illustration du principe d’induction des règles booléennes
inductives par BRI.
44
45
48
Chapitre IV. Conception et expérimentation du système BIODM.
Figure
Figure
Figure
Figure
Figure
Figure
4.1
4.2
4.3
4.4
4.5
4.6
:
:
:
:
:
:
Architecture du système BIODM.
Morceaux de la séquence génomique du Mt CDC1551.
Morceaux de séquence protéique du Mt CDC1551.
Architecture fonctionnelle du système BIODM.
Interface du système BIODM.
Echantillon de gènes servant à la fouille de données.
55
58
58
64
66
67
Liste des tableaux
Introduction générale.
Tableau 0.1: Tableau des différentes souches du Mycobacterium Tuberculosis
Tableau 0.2: Tableaux informatif sur les caractéristiques des souches du
Mycobacterium Tuberculosis complètement annotées.
Tableau 1.3 : Les souches du Mycobacterium Tuberculosis en cours d’annotation.
77
78
78
Chapitre I. L’ECD Biologique.
Tableau
Tableau
Tableau
Tableau
Tableau
Tableau
1.1:
1.2:
1.3:
1.4:
1.5:
1.6:
Description du fichier FASTA de l’exemple de la figure 1.1.
Description du fichier PIR de l’exemple de la figure 1.3.
Les souches du Mycobacterium Tuberculosis en cours d’annotation.
Les méthodes de FDD utilisées en ECD biologiques.
Les tâches et méthodes utilisées en ECD.
Tableau comparatif des tâches de l’ECD.
9
10
77
28
29
29
Chapitre III. Modélisation booléenne des règles d’association
Tableau 3.1 : Représentation cellulaire de la Base des connaissances de la
figure 3.2.
Tableau 3.2 : Les matrices d’incidences d’entrée R et de sortie R pour la
figure 3.2.
46
46
Chapitre IV. Conception et expérimentation du système BIODM.
Tableau 4.1 : Base de test servant à l’expérimentation.
Tableau 4.2 : Exemple de règles générées par Apriori pour un support de 60%
et une confiance de 80%.
Tableau 4.3 : Exemple de règles cellulaires générées par BRI.
Tableau 4.4 : Nombre de règles et temps d’exécution d’Apriori sur l’échantillon
de la figure 4.6.
Tableau 4.5 : Evolution de l’espace de stockage.
66
68
68
69
69
Annexe A
Glossaire
A
Acide désoxyribonucléique (ADN)
Support biochimique de l’information génétique chez tous les êtres vivants (à l’exception de quelques virus qui utilisent l’ARN).
Principal composant des chromosomes, l’ADN se présente le plus souvent sous forme de deux longs filaments (ou chaînes) torsadés
l’un dans l’autre pour former une structure en double hélice. Chacune de ces chaînes est un polymère formé de l’assemblage de
quatre nucléotides différents, désignés par l’initiale de la base azotée qui entre dans leur composition : A (Adénine), C (Cytosine), G
(Guanine) et T (Thymine).
Acide ribonucléique (ARN)
Dans les cellules, on distingue plusieurs types d’ARN suivant leur fonction. Les trois types principaux sont : les ARN messagers, les
ARN de transfert et les ARN ribosomaux. L’ARN est un acide nucléique constitué d’une seule chaîne de nucléotides, de structure
analogue à celle de l’ADN. Il existe cependant des différences chimiques entre ces deux acides nucléiques qui donnent à l’ARN
certaines propriétés particulières. L’ARN est produit par transcription de l’ADN.
ACP
L'analyse en composantes principales (ACP) est une méthode mathématique d'analyse des données qui consiste à rechercher les
directions de l'espace qui représentent le mieux les corrélations entre n variables aléatoires
Acyclique (graphe)
Un graphe acyclique est un graphe ne contenant aucun cycle.
Agrégation (données)
Le mot agrégation désigne l'action d'agréger, de regrouper des éléments.
Alignement Global / Local
L'alignement de séquences (ou alignement séquentiel) est une manière de disposer les composantes nucléotides ou acides aminés) des
ADN, des ARN, ou des séquences primaires de protéines pour identifier les zones de concordance qui traduisent des similarités ou
dissemblances de nature historique. Il existe l’alignement global, c'est-à-dire entre les deux séquences sur toute leur longueur
(FASTA) et local, entre une séquence et une partie de l'autre séquence (BLAST).
Annotation
L’annotation d’un génome consiste à traiter l’information brute contenue dans la séquence dans le but :
1. de prédire, le contenu en gènes, la position des gènes à l’intérieur d’un génome ainsi que leur organisation, des séquences
promotrices, etc. Dans ce cas, on parle d’annotation structurale.
2. de prédire la fonction potentielle de ces gènes. Dans ce cas on parle d'annotation fonctionnelle.
Antigènes
Un antigène est une macromolécule naturelle ou synthétique, reconnue par des anticorps ou des cellules du système immunitaire et
capable d'engendrer une réponse immunitaire.
Arbre de décision
Modèle issu des techniques d'intelligence artificielle. Son principe est de chercher à diviser une population en 2 (arbres binaires) ou
plus (arbres n-aires) de sorte que ces sous-populations soient aussi différentes entre elles que possibles, et homogènes du point de vue
de la répartition de la variable cible.
Apprentissage (échantillon d')
Partie des données servant à l'évaluation des différents paramètres d'un modèle (en anglais, "training").
Athérosclérose
Le vieillissement normal des artères et artérioles se nomme artériosclérose.
Auto-immunes (maladies)
Les maladies auto-immunes sont dues à une hyperactivité du système immunitaire à l'encontre de substances ou de tissus qui sont
normalement présents dans l'organisme.
Automate cellulaire
Un automate cellulaire consiste en une grille régulière de « cellules » contenant chacune un « état » choisi parmi un ensemble fini et
qui peut évoluer au cours du temps. L'état d'une cellule au temps t+1 est fonction de l'état au temps t d'un nombre fini de cellules
appelé son « voisinage ». À chaque nouvelle unité de temps, les mêmes règles sont appliquées simultanément à toutes les cellules de
la grille, produisant une nouvelle « génération » de cellules dépendant entièrement de la génération précédente.
Annexe A
B
Bio-informatique
La Bio-informatique est constituée par l'ensemble des concepts et des techniques nécessaires à l'interprétation de l'information
génétique (séquences) et structurale. C'est le décryptage de la « bio-information ». La bio-informatique est donc une branche
théorique de la biologie.
Biologie moléculaire
La biologie moléculaire est une discipline scientifique au croisement de la génétique, de la biochimie et de la physique, dont l'objet
est la compréhension des mécanismes de fonctionnement de la cellule au niveau moléculaire.
BLAST
BLAST (acronyme de basic local alignment search tool) est une méthode de recherche heuristique utilisée en bio-informatique
permettant de trouver les régions similaires entre deux ou plusieurs séquences de nucléotides ou d'acides aminés.
C
Candidat (gène)
L'approche gène candidat consiste à supposer l'implication d'un gène dans un quelconque effet à priori, et l'étude vise à confirmer
cette implication a posteriori.
Cas-témoins (étude)
Etude rétrospective entre deux groupes, l'un présentant une maladie (cas) et l'autre, indemne (témoins).
Chromosome
Unité physique de matériel génétique correspondant à une molécule continue d'ADN. Les cellules bactériennes n'en comportent
qu'un. Ils sont doués du pouvoir d'autoreproduction.
Classification ascendante hiérarchique (CAH)
Méthode de création de typologies qui agrège, à chaque étape, les individus ou les groupes d'individus les plus proches. Les
emboîtements successifs se poursuivent ainsi jusqu'à agréger toute la population. On choisit ensuite la partition (ensemble de classes
ainsi constituées) qui propose le meilleur rapport homogénéité interne des groupes / hétérogénéité des groupes entre eux.
Classification automatique
On appelle classification automatique la catégorisation algorithmique d'objets. Celle-ci consiste à attribuer une classe ou catégorie à
chaque objet (ou individu) à classer, en se basant sur des données statistiques.
Cœliaque (maladie)
La maladie cœliaque est une maladie auto-immune, caractérisée par une atteinte de tout ou partie des villosités recouvrant l'intestin
grêle.
Co-régulé (gène)
Gènes liés l’un à l’autre.
Code génétique
Système de correspondance permettant de traduire une séquence d’acide nucléique en protéine.
Cohorte
Ensemble d’individus étudiés sur une période de temps donnée. Une cohorte permet de suivre de manière longitudinale les
comportements de la population observée ainsi que sa réaction à un ou plusieurs événements donnés.
Continue (variable)
Se dit d'une variable qui peut prendre une "infinité" de valeurs (par opposition à discrète) par exemple, un réel. Un âge, une somme
d'argent, un coefficient de bonus/malus sont souvent considérés comme continus. Synonyme : quantitatif.
Corrélation
Mesure de la liaison entre deux variables. On parle de corrélation entre une cause et son effet, ou entre deux variables qui apportent
la même information.
CROHN (maladie)
La maladie de Crohn est une maladie inflammatoire chronique intestinale (MICI) de l'ensemble du tube digestif.
Annexe A
D
Data Mining (outils de)
Aussi connu sous le nom de KDD (Knowledge Discovery Data), les outils de data mining permettent d’extraire de la connaissance
des données en découvrant des modèles, des règles dans le volume d’information.
Data mining
Le terme anglais “datamining” évoque le travail de “mineur de fond” pour extraire les données pertinentes noyées dans de gros
volumes de données. Ensemble de techniques héritées de la statistique "classique", de la statistique bayésienne et de l'intelligence
artificielle, qui permet l'étude de grands volumes de données. Ces techniques sont soutenues en général par une méthode de travail
qui pose les étapes de l'étude DataMining.
Déduction / induction
En logique, la déduction procède de la conception que les moyens ne sont pas plus importants que la fin (conclusion), par opposition
à l'induction logique qui consiste à former des représentations générales à partir de faits particuliers.
Dichotomique (Variable)
Variable qui peut opérer une division de l’échantillon en deux parties.
Discrète / Continue (variable)
Se dit d'une variable qui ne prend qu'un nombre limité et connu d'avance de modalités (valeurs distinctes), par opposition à continue.
Une situation familiale, un sexe, ou à une catégorie socio-professionnelle sont des variables discrètes. Synonyme : qualitative.
Distance
En mathématiques, une distance est une application qui formalise l'idée intuitive de distance, c'est-à-dire la longueur qui sépare deux
points.
Données biologiques ( cohorte )
Ce sont les des dosages systématiques réalisés (la biochimie, NFS numération de formule sanguine et analyse d’urine).
Données cliniques ( cohorte )
Les données cliniques, se divisent en examens cliniques systématiques (taille, poids, pression artérielle, ….), et en examens cliniques
spécifiques (échographie,…..).
Données génétiques
Les données relatives au génome (ADN, ..).
E
Élaguer
Consiste à supprimer d'un problème des valeurs de variables ne pouvant pas prendre part à une solution.
Épi-génétique (maladie)
Le terme épigénétique définit les modifications transmissibles et réversibles de l'expression des gènes ne s'accompagnant pas de
changements des séquences nucléotidiques.
Epidémiologie
Etude des différents facteurs qui interviennent dans l’apparition et l’évolution des maladies.
Eucaryotes / procaryotes
L’ensemble des organismes vivants peut être classé en trois grands groupes : les eucaryotes (L’Homme, ainsi que les animaux, les
plantes et les champignons), les eubactéries, les archaebactéries. Les cellules des eucaryotes possèdent un noyau. Les eubactéries et
les archaebactéries ne possèdent pas de vrai noyau.
F
FASTA
C’est une méthode de recherche heuristique utilisée en bio-informatique permettant de trouver les régions similaires entre deux ou
plusieurs séquences de nucléotides ou d'acides aminés. Ce programme permet de retrouver rapidement dans des bases de données, les
séquences ayant des zones de similitude avec une séquence donnée (introduite par l'utilisateur).
Annexe A
Fonctionnelle (génomique)
Étude de la fonction des gènes par analyse de leur séquence et de leurs produits d’expression : les ARNm (transcriptome) et les
protéines (protéome).
G
Gène
Fragment d’ADN portant les informations nécessaires à la fabrication d’une ou plusieurs protéine(s). Un gène comprend la séquence
en nucléotide qui peut varier de quelques centaines, à plus d’un million de nucléotides.
Génétique (algorithme)
Un algorithme génétique est un algorithme lent, représentant les modèles comme des gènes et des opérateurs génétiques et les faisant
évoluer soit par mutation (un gène au hasard est remplacé), soit par cross-over (la place de deux sous-arbres est échangée).
Génome
Ensemble de l’information génétique d’un organisme (matériel génétique présent dans chacune des cellules d'un individu, patrimoine
héréditaire d'un individu). Une copie du génome est présente dans chacune de ses cellules. Le génome est transmis de génération en
génération.
Génomique
Étude des génomes. Son objectif est de séquencer l’ADN d’un organisme et de localiser sur celui-ci tous les gènes qu’il porte, puis
de caractériser leurs fonctions.
Génotype
Ensemble des caractères génétiques d'un individu. Son expression conduit au phénotype.
H
HMM
Un modèle de Markov caché (MMC) -- en anglais Hidden Markov Models (HMM) (ou plus correctement, mais moins employé
automate de Markov à états cachés) est un modèle statistique dans lequel le système modélisé est supposé être un processus
Markovien de paramètres inconnus. Les modèles de Markov cachés sont massivement utilisés notamment en reconnaissance de
formes, en intelligence artificielle ou encore en traitement automatique du langage naturel.
I
Induction
Méthode consistant à tirer une conclusion d’une série de faits. Cette conclusion ne sera jamais sûre à 100 %. L'induction en revanche
génère du sens en passant des faits à la loi, du particulier au général.
M
Marqueur génétique
En cartographie génétique, séquence d'ADN particulière utilisée pour "baliser" les chromosomes.
Modèle
Mécanique plus ou moins "boîte noire" qui, à partir de données connues (input), calcule une réponse (target) et la probabilité de
réalisation de cette réponse associée (score).
Moteur d'inférence
Partie d'un système expert qui effectue la sélection et l'application des règles en vue de la résolution d'un problème donné.
Motifs fréquents
Un caractère ou trait qui se répète fréquemment.
Motifs séquentiels
Les motifs séquentiels permettent de traiter de gros volumes de données et d’en extraire des règles incluant la dimension temporelle
Mutation
Modification affectant l'ADN d'un gène. Cette altération du matériel génétique d'une cellule ou d'un virus entraîne une modification
durable de certains caractères du fait de la transmission héréditaire de ce matériel de génération en génération.
Annexe A
N
Nucléotide
Motif structural de base des acides nucléiques, formé de l’assemblage de plusieurs molécules : un sucre, un acide phosphorique et
une base azotée (dans le cas de l’ARN, cette base peut être l’Adénine - A, la Cytosine - C, la Guanine - G ou l’Uracile - U ; idem
dans le cas de l’ADN, excepté que l’Uracile est remplacé par la Thymine - T).
O
OR (Odds Ratio)
Un Odds ratio (OR), se définit comme le rapport des chances qu'un évènement arrivant, par exemple une maladie, à un groupe de
personnes A, arrive également à un autre groupe B.
Orphelines (pathologies)
Les maladies rares ou maladies orphelines sont des maladies qui affectent moins de 0,05 % de la population (1 personne sur 2 000).
P
Pathogènes /pathogénicité
Les agents infectieux sont un type d'agent pathogène, responsables des maladies infectieuses.
PE / PPE
Familles de protéines.
Perceptron
Catégorie de réseaux de neurones robustes. Ils diffèrent des autres réseaux (les RBF) par la fonction d'activation des neurones, c'est à
dire leur manière de transformer les signaux d'entrée en signal de réponse.
Plasmide
Petite molécule circulaire d'ADN extrachromosomique présente chez les bactéries, capable de se répliquer de façon autonome, dans
la cellule d'origine et dans une cellule-hôte.
Polymorphismes génétiques
Les polymorphismes génétiques s'expriment chez les individus sous la forme de différents phénotypes.
Protéine
L’un des quatre matériaux de base de tout organisme, avec les glucides, les lipides et les acides nucléiques. Les protéines sont
formées d’un enchaînement spécifique d’acides aminés (de quelques dizaines à plusieurs centaines). Les protéines remplissent
différentes fonctions dans la cellule, notamment des fonctions de structure et des fonctions enzymatiques.
Protéome / protéomique
Le protéome est l’ensemble des protéines produites à partir du génome d’un organisme. La protéomique est l’étude du protéome,
dans le but de déterminer l’activité, la fonction et les interactions des protéines.
Puce à ADN
Technologie employée dans l’étude du transcriptome et basée sur la capacité des molécules d’ADN et d’ARN à s’hybrider entre
elles. De courtes séquences d’ADN connues sont fixées sur des supports d’une surface de l’ordre du centimètre carré : les puces.
Q
Qualitative / Quantitative (variable)
Une variable qualitative est une variable pour laquelle la valeur mesurée sur chaque individu (parfois qualifiée de catégorie ou de
modalité) ne représente pas une quantité. Une variable est dite quantitative lorsque la valeur mesurée sur chaque individu représente
une quantité.
R
Raisonnement à partir de cas / Case Based Reasoning
Un système CBR dispose d’une base de cas. Chaque cas possède une description et une solution. Pour utiliser ces informations, un
moteur est aussi présent. Celui-ci va retrouver les cas similaires au problème posé. Après analyse, le moteur fournit une solution
adaptée qui doit être validée. Enfin le moteur ajoute le problème et sa solution dans la base de cas.
Annexe A
Règles séquentielles
C’est une règle d’association incluant le facteur temporel.
Renforcement (apprentissage)
L'apprentissage par renforcement fait référence à une classe de problèmes d'apprentissage automatique, dont le but est d'apprendre, à
partir d'expériences, ce qu'il convient de faire en différentes situations, de façon à optimiser une récompense numérique au cours du
temps.
RR (Risque relatif),
Le risque relatif (RR) est une mesure statistique souvent utilisée en épidémiologie, mesurant le risque de survenue d'un événement
entre deux groupes.
S
Segmentation (ou Typologie)
Découpage d’une population en fonction d’un ou plusieurs critères (géographiques, sociodémographiques, comportementaux…). Les
groupes ainsi constitués aussi homogènes et différents entre eux que possibles, peuvent être choisis comme autant de cibles à
atteindre à l’aide d’un marketing mix spécifique.
Séquençage (génome)
Analyse du génome, consistant à déterminer la succession de toutes les bases qui composent l'ADN d'un organisme. Ce séquençage
n'est réalisé ou en cours de réalisation que pour un nombre limité d'espèces : quelques bactéries, une levure, un insecte (la drosophile)
et l'homme. Le séquençage ne permet pas la détermination de la fonction des protéines codées par l'ADN.
Séquenceurs automatiques
Un séquenceur de gènes (ou « séquenceur ») est un appareil capable d'automatiser l'opération de séquençage de l'ADN.
Séquences répétées directes
Séquences identiques ou quasi identiques, présentes en plusieurs copies dans la même molécule d'ADN.
Séquences répétées en tandem
Séquences répétées directes adjacentes.
Souche (bactérie)
Une population d'une espèce pouvant engendrée une population fille c'est-à-dire les ancêtres d'une population, par exemple des
souches de bactéries pathogènes,
Supervisé / non supervisé (méthode)
L'apprentissage supervisé est une technique d'apprentissage automatique où l'on cherche à produire automatiquement des règles à
partir d'une base de données d'apprentissage contenant des exemples de cas déjà traités. L'apprentissage non-supervisé est une
méthode d'apprentissage automatique. Cette méthode se distingue de l'apprentissage supervisé par le fait qu'il n'y a pas de sortie a
priori.
Streptococcus
Les Streptococcus ou streptocoques sont des bactéries. On retrouve des streptocoques un petit peu partout dans la nature. Certains
vivent sur la peau et les muqueuses de l'homme : leur présence est normale.
Syndrome métabolique
Le syndrome métabolique (ou syndrome X) désigné par les acronymes SMet (pour syndrome métabolique) ou MetS (pour Metabolic
syndrome chez les anglophones) désigne l'association d'une série de problèmes de santé ayant en commun un mauvais métabolisme
corporel.
T
Transfert horizontal / vertical
Le Transfert horizontal de gènes (ou HGT pour Horizontal Gene Tranfer en anglais), est un processus dans lequel un organisme
intègre du matériel génétique provenant d'un autre organisme sans en être le descendant. Par opposition, le transfert vertical se
produit lorsque l'organisme reçoit du matériel génétique à partir de son ancêtre.
Introduction générale - 1 -
Introduction générale
Au cours des dernières années, la bioinformatique [Gibas et Jambeck, 2002] a connu
un grand développement lié à l’aboutissement de nombreux travaux de séquençage,
lesquels ayant conduit à l’arrivée d’énormes quantités de données biologiques qu’il faut
exploiter pour tirer un maximum de connaissances possibles [Chervitz et al., 1999],
[Tzanis et al., 2005]. Si dans un premier temps, les génomes séquencés étaient ceux des
procaryotes (unicellulaires : Bactérie, ….), nous arrivons maintenant au stade où des
génomes d’eucaryotes (pluricellulaires : animaux, humains, …) sont disponibles. De ce
fait, les quantités de données brutes disponibles sont déjà trop importantes pour pouvoir
être analysées manuellement [Chervitz et al., 1999].
L’outil informatique et par la même les méthodes informatiques se sont imposées
d’elles mêmes en biologie moléculaire: C’est la naissance de la bioinformatique. Son
développement a été rendu possible par les énormes progrès réalisés en informatique
(capacités de calcul, stockage, nouveaux algorithmes,…), qui ont permis la constitution
de banques de données pour le stockage de l’intégralité des données biologiques
produites par les expérimentations.
Dans un autre volet complémentaire, nous avons l’épidémiologie, qui est basée sur
l’utilisation des méthodes de surveillance et d’analyse des données recueillies
concernant les diagnostics relatifs à des infections. Ces méthodes classiques ne sont
plus satisfaisantes comme elles l’étaient autrefois, surtout quand il s'agit d’analyser et
détecter précocement une épidémie causée par une maladie émergente.
Du fait de l’inefficacité de ces méthodes, de la variété des données biologiques, et de
la nature même des épidémies [Labbe, 2007], une nouvelle approche, exploitant des
données biologiques relatives aux épidémies, est utilisée afin de mieux comprendre les
maladies qui ont un profil épidémiologique : c’est la fouille de données biologiques
relatives aux épidémies [Remvikos, 2004], [Maumus et al., 2005], [Etienne, 2004].
Cette fouille de données permet d’extraire des connaissances qui aideront à mieux
connaître ou interpréter les phénomènes biologiques liés à une épidémie particulière et
ainsi permettre la mise en œuvre de mesures de prévention et de lutte, par des
traitements appropriés, des vaccinations, des antibiotiques, etc.
Un autre aspect, la disponibilité de vastes banques de données de santé publique
relatives aux épidémies issues des récents séquençages de nouveaux agents pathogènes,
Introduction générale - 2 -
a incité à les valoriser pour mieux connaitre les épidémies et aider les spécialistes à
trouver des réponses thérapeutiques efficaces.
En effet, parmi ces épidémies, il existe une qui a montré un fort intérêt notamment
par les récents séquençages de nouvelles souches : c’est la tuberculose.
A l’origine l’infection est provoquée par la pénétration dans l’organisme d’une
bactérie appelée Mycobacterium Tuberculosis, et lorsque cette infection se multiplie
dans un lieu et une période donnée cela abouti à une l’épidémie. Dans la pratique, il
existe un Complexe Tuberculosis dont le Mycobacterium Tuberculosis est l’agent
typique responsable de la tuberculose humaine (voir Figure 0.1).
Complexe Tuberculosis
M.
M.
Tuberculosis Africanum
M.
Bovis
M. Bovis
BCG
M.
Canetti
M.
Microti
m
Figure 0.1: Complexe Tuberculosis.
L’agent pathogène : La bactérie
Les bactéries (Bacteria) sont des organismes vivants unicellulaires. Elles mesurent
quelques micromètres de long et peuvent présenter différentes formes : des formes
sphériques (coques), allongées ou en bâtonnets (bacilles), et des formes plus ou moins
spiralées [Wikipedia].
Caractéristiques génétiques d’une bactérie
La plupart des bactéries possèdent un unique chromosome circulaire, d'autres
possèdent un chromosome linéaire. Il existe toutefois de rares bactéries possédant deux
chromosomes. La taille du génome s’exprime en millier de nucléotides et peut être très
variable selon les espèces de bactéries.
L'analyse chimique de l'appareil nucléaire indique qu'il est composé à 80 % d'ADN
(le chromosome), à 10 % d'ARN et à 10 % de protéines [Carbonelle et al., 2003].
L’ADN (le chromosome) : Chez les bactéries tout l'ADN est codant.
L’ADN Extrachromosomique (les plasmides) : A côté du chromosome, il peut
exister des éléments génétiques (ADN) de petites tailles (0,5 à 5 % du
chromosome bactérien), extra-chromosomiques, se sont les plasmides. Les plus
connus sont les plasmides de résistance aux antibiotiques, ils portent des gènes
Introduction générale - 3 -
qui confèrent aux bactéries la résistance à divers antibiotiques [Carbonelle et al.,
2003].
Dans le domaine des bactéries et en particulier celui du Mycobacterium Tuberculosis,
les séquences complètes de génomes s’accumulent depuis 1995 (voir Tableau 0.1,
Tableau 0.2, Tableau 0.3). Ces données ont permis d’envisager l’étude du génome du
Mycobacterium Tuberculosis par des techniques informatiques, pour identifier et
connaître au mieux la source de l’infection afin d’aider les spécialistes à trouver des
solutions thérapeutiques et stopper la diffusion de la bactérie et par conséquent stopper
l’épidémie par certains vaccins, ou antibiotiques.
Plusieurs approches informatiques notamment par la fouille de données ont été alors
développées en exploitant des données biologiques en générale et de la tuberculose en
particulier, notamment par :
l’utilisation d’algorithmes de recherche de mots puis de couples de mots
représentés énormément dans les séquences ADN des souches et espèces
phylogénétiquement proches, ces séquences de lettres particulières, permettent de
repérer et d’identifier des séquences anormales.
la fouille de données génomiques sans à priori pour faire émerger des sousséquences d'ADN qui peuvent donner des éléments d’informations sur les grandes
séquences d'ADN ;
la recherche de gènes co-régulés, etc.
En 1998, la première séquence complète du génome de Mt H37RV a été réalisée et a
permis de dégager des caractéristiques propres aux mycobactéries dont les plus
importantes [Carbonelle et al., 2003]:
51 % des gènes sont dupliqués;
10 % du génome code pour 2 familles de gènes qui codent eux mêmes pour 2
protéines nommées PE et PPE;
forte présence de séquences répétées d’ADN, dont 65 copies de séquences appelées
MIRUs (Mycobacterial Interspaced Repetitive Unit), et de répétitions directes
appelées RDs. Ces séquences répétées sont riches en particularités sur le génome.
Toutes ces caractéristiques de ce génome sont autant chacune une source qu’on
exploite en fouille de données [Fleiishman et al., 2002], [Ferdinand et al., 2004],
[Yokoyama et al., 2007].
Introduction générale - 4 -
Problématique.
La représentation des séquences biologiques. Dans un passé récent, la fouille de
données dans un contexte biologique utilisait la séquence dans sa structure primaire à
base de nucléotides (ex : AAGTCGTTGCTGGC) où celle-ci est considérée comme une
chaine de milliers de caractères, en ce moment le gène, la protéine, et autres éléments
caractérisant n’étaient pas suffisamment cernés (annotation incomplète) pour être
exploités efficacement et donc le prétraitement des données se basait essentiellement
sur des techniques de traitement de texte plus ou moins aménagées selon le contexte.
Alors, nous avons envisagé un système de fouille de données un peu plus élaboré du
fait de l’existence d’entités sémantiques dans le fichier de la séquence en question (le
gène, la protéine, sa localisation, …..) (voir Figure 0.2).
Nous utilisons donc des
traitements spécifiques pour obtenir une structure bien appropriée à la fouille de
données (voir Figure 0.3) ou les entités sémantiques (gènes, protéines, …) deviennent
des descripteurs, et on attribuera la valeur «0» en l’absence et «1» en la présence de ce
descripteur dans la séquence.
Figure 0.2. Morceau de séquence génomique
rapatriée de NCBI.
Figure 0.3. Fichier des séquences
ayant subi une transformation.
Dans le cadre de cette étude, nous avons développé des recherches sur les systèmes
d’extraction de règles d’association à partir des données (gènes, …) [Chen et al., 2003],
[Bahar et Chen, 2004], [Benabdeslem et al., 2007] et nous avons réalisé un système
baptisé BIODM : BIOlogical Data Mining. En premier lieu, nous avons étudié
l’extraction de règles d’association en utilisant des algorithmes appropriés. En
deuxième lieu nous avons travaillé sur le raffinement, des résultats, par un processus
d’induction cellulaire BRI (Boolean Rule Induction). Ce raffinement est assuré par une
modélisation booléenne.
Deux motivations concurrentes nous ont amenés à adopter le principe des automates
Introduction générale - 5 -
cellulaires pour les systèmes à base de règles d’association. En effet, nous avons non
seulement souhaité avoir une base de règles optimale (modélisation booléenne), mais
nous avons également exploité les performances du moteur d’inférence cellulaire CIE
de la machine cellulaire CASI, déjà opérationnel [Benamina et Atmani, 2008].
Ce mémoire s’articule autour de quatre chapitres :
Le chapitre I introduit l’extraction de la connaissance à partir de données biologiques.
Nous commencerons par expliquer comment est né le besoin en fouille de données
biologiques et particulièrement en épidémiologie, ensuite nous passerons en revue les
différents types de données biologiques auxquels nous seront amené à travailler pour
donner par
la suite une vue d’ensemble du processus d’ECD biologiques que nous
envisageons de suivre. Une fois, toutes ces notions clarifiées nous aborderons un état de
l’art du domaine de l’ECD biologiques que nous concluons par une étude comparative
des méthodes et techniques utilisées et une explication de notre contribution par cette
étude.
Le chapitre II aborde le principe de l’extraction des règles d’association, une méthode
descriptive de fouille de données qui a reçu beaucoup d’intérêt en recherche. Nous
présentons le principe ainsi que les différents algorithmes les plus en vue dans la
littérature.
Le chapitre III est consacré à la présentation du processus d’ECD biologiques que
nous avons adopté en particulier la modélisation booléenne des règles d’association,
résultat du module BRI, selon le principe de la machine cellulaire CASI [Benamina et
Atmani, 2008].
Le chapitre IV présente les données expérimentales et l’architecture générale du
système que nous avons réalisé : BIODM. Ensuite, nous présentons les résultats obtenus
sur la base des échantillons test que nous avons utilisés.
Finalement, nous concluons en synthétisant les différentes étapes de notre
contribution et nous proposons les perspectives envisagées pour poursuivre cette
recherche.
Chapitre I : L’extraction de connaissances à partir de données biologiques - 6 -
Chapitre I.
L’extraction de connaissances à partir de données biologiques
L'avènement des biotechnologies nouvelles a permis, au cours des dernières années,
d'améliorer les connaissances sur le génome des agents pathogènes épidémiologiques,
de développer des moyens de lutte efficace par le développement de plusieurs
médicaments appropriés. Par contre l’exploitation des données génomiques n’a pas suivi
le rythme des découvertes et l’extraction de connaissances à partir de données (ECD)
biologiques, particulièrement à caractère épidémiologique, s’est imposée d’elle-même
afin de répondre aux questions que se pose l’épidémiologiste comme par exemple la
recherche des facteurs de risque des maladies.
Ainsi et depuis le premier séquençage d’une bactérie, des dizaines de génomes ont
été révélés. Les dispositifs expérimentaux tels que les séquenceurs automatiques ont
permis de constituer des banques de données de séquences de génomes complets. Il
fallait donc analyser ces données, identifier les gènes, les protéines produites et leurs
fonctions pour comprendre les mécanismes cellulaires. Les retombées de ces travaux
sont énormes et concernent aussi bien la biologie, l’épidémiologie et l’industrie
pharmaceutique, pour une meilleure compréhension des maladies et la découverte de
nouvelles réponses thérapeutiques.
I.1 Définition de l’extraction de connaissances à partir de données
biologiques
Le terme ECD (en anglais Knowledge Discovery in Databases) est communément
confondu avec la fouille de données ou « Data Mining ». Ceci s’explique par le fait que
la fouille de données est l’étape principale du processus de l’ECD.
L’ECD a été définie comme suit [Fayyad et al., 1996] : « l’ECD vise à transformer
des données (volumineuses, multiformes, stockées sous différents formats sur des
supports pouvant être distribués) en connaissances. Ces connaissances peuvent
s’exprimer sous forme d’un concept général qui enrichit le champ sémantique de
l’usager par rapport à une question qui le préoccupe. Elles peuvent prendre la forme
d’un rapport ou d’un graphique. Elles peuvent s’exprimer comme un modèle
mathématique ou logique pour la prise de décision. Les modèles explicites quelle que
soit leur forme, peuvent alimenter un système à base de connaissances ou un système
expert ».
Chapitre I : L’extraction de connaissances à partir de données biologiques - 7 -
Cette définition apporte un concept nouveau, celui de modèle et sous entend un autre
celui de motif qui ne seraient pas synonymes. En réalité il existe une différence entre
les deux :
Un modèle est une connaissance qui concerne la totalité des données. Si le Data
Miner possède un modèle, il peut l’appliquer à chaque nouveau cas qui se présente.
Un motif est une connaissance qui concerne une partie des données. On ne peut
l’appliquer à chaque nouveau cas. En d’autres termes, c’est un modèle local, selon
lequel se comporte une partie des données et non pas la totalité.
I.2 Le processus de l’ECD biologiques
Avec le récent développement des études à l'échelle génomique et protéomique, les
données biologiques se sont considérablement multipliées et diversifiées. Ces données
se présentent alors sous la forme de séquences ou d’informations qui proviennent de
soumissions directes effectuées par les auteurs, par l’intermédiaire d’Internet ou
d’autres moyens électroniques appropriés.
Nous trouvons alors des :
des séquences et des données d'expression de gènes (ADN, ARN, Protéines) ;
des informations d'annotations (fonctions, …) de gènes et de protéines, etc.
Ces données biologiques sont stockées dans des banques de données généralistes ou
spécialisées. On trouve alors des banques de données :
d’ADN : GenBank, DDBJ, EMBL, …;
d’ARN : RNAdatabases, QTL, ... ;
de protéines : PIR ,Swiss-Prot, TrEMBL, PDB, SCOP, … ;
de gènes : NCBI, dbEST, UniGene, Gis, … ;
..etc.
L’ECD biologiques est un peu particulière parce qu’en fait les données biologiques sont
souvent dans un format textuel (voir Figure 0.2) et ne se prêtent pas directement à une
exploitation par des systèmes classiques. Pour cela nous présenterons ce processus dans
son contexte biologique. Bien que le processus général de l’ECD est particulièrement
standard, il présente néanmoins des traitements spécifiques d’une étape à une autre et ce
par rapport à la nature des données traitées. Nous allons présenter une démarche qui
comprend les cinq étapes suivantes : la sélection des données, le prétraitement, la
transformation, la fouille de données, l’évaluation et l’interprétation des connaissances,
en montrant d’une étape à une autre, les particularités du processus d’ECD.
Chapitre I : L’extraction de connaissances à partir de données biologiques - 8 -
(1) La sélection des données
L’accès aux données se fait, dans notre cas, à travers Internet via des interfaces
spécialisées pour le téléchargement d’échantillons expérimentaux sélectionnés selon des
critères fixés par l’utilisateur. On utilise alors le système d’accès et de récupération de
données, ENTREZ de NCBI 1. Celui-ci permet d’interroger une collection de séquences
disponibles sous le format texte brut. Il permet aussi la recherche et l’extraction de
données relatives
aux
séquences nucléotidiques
ou protéiques,
aux
références
bibliographiques associées, et aux collections de séquences génomiques et structurales,
à l’aide d’une simple interrogation du serveur de NCBI (National Center for
Biotechnology Information).
Ensuite, ces données sont récupérées sous la forme d’un ensemble de fichiers textes
bruts. À l’intérieur de ces fichiers, chaque séquence est contenue dans une structure
appelée « entrée », celle-ci comprend des informations liées à la séquence considérée :
structure, rôle biologique, organisme d’origine…etc. Les données intéressantes sont
stockées au niveau de « champs » bien définis.
A l’intérieur de ces fichiers, la donnée biologique peut être représentée sous
différents formats. Nous présentons les formats les plus utilisés :
FASTA (le format le plus simple)
PIR (spécifique à la Bdd PIR)
STADEN
Texte Brut.
Format FASTA
FASTA est sans doute le plus répandu et l'un des plus pratiques. La séquence est
décrite sous forme de lignes de 80 caractères maximum, et précédée d'une ligne de titre
(nom, définition, ...) qui doit commencer par le caractère ">". Plusieurs séquences
peuvent être mises dans un même fichier (voir Figure 1.1).
>entête de la séquence 1
Séquence 1
>entête de la séquence 2
Séquence 2
......
1
http://www.ncbi.nlm.nih.gov
Chapitre I : L’extraction de connaissances à partir de données biologiques - 9 -
>gi|22777494|dbj|BAC13766.1| glutamate dehydrogenase [Oceanobacillus iheyensis]
MVADKAADSSNVNQENMDVLNTTQTIIKSALDKLGYPEEVFELLKEPMRILTVRIPVRMDDGNV
LGGSHGRESATAKGVTIVLNEAAKKKGIDIKGARVVIQGFGNAGSFLAKFLHDAGAKVVAISDA
YGALYDPEGLDIDYLLDRRDSFGTVTKLFNNTISNDALFELDCDII
>EM|U03177|FL03177 FELINE LEUKEMIA VIRUS CLONE FELV-69TTU3-16.
AGATACAAGGAAGTTAGAGGCTAAAACAGGATATCTGTGGTTAAGCACCTG
GCCAGCAGTCTCCAGGCTCCCCA
Figure 1.1 : Exemple du format FASTA d’une séquence protéique.
CODE
SIGNIFICATION
">"
Début de séquence.
gi|22777494
GenInfo Identifier
dbj|BAC13766.1|
BAC13766.1|
Un enregistrement de séquence peut être enregistré dans
plusieurs banques de données donc il y aura un
identifiant dans la banque de données dans cet exemple
c’est DNA Database of Japan sous le n° dbj|BAC13766.1
". 1" la séquence a été révisée une fois
"glutamate dehydrogenase"
nom de la protéine
[Oceanobacillus iheyensis]
nom de l’organisme à partir duquel elle a été déterminée.
Tableau 1.1 : Description du fichier FASTA de l’exemple de la Figure 1.1.
Format STADEN
STADEN est le plus ancien et le plus simple. C’est une suite de lettres par ligne terminée par un
retour à la ligne (80 caractères maximum par ligne). Ce format n'autorise qu'une séquence par
fichier (voir Figure 1.2).
lovelace$ more zfmtsec
SESLRIIFAGTPDFAARHLDALLSSGHNVVGVFTQPDRPAGRGKKLMPSPVKVLAEEKGL
PVFQPVSLRPQENQQLVAELQADVMVVVAYGLILPKAVLEMPRLGCINVHGSLLPRWRGA
APIQRSLWAGDAETGVTIMQMDVGLDTGDMLYKLSCPITAEDTSGTLYDKLAELGPQGLI
TTLKQLADGTAKPEVQDETLVTYAEKLSKEEARIDWSLSAAQLERCIRAFNPWPMSWLEI
EGQPVKVWKASVIDTATNAAPGTILEANKQGIQVATGDGILNLLSLQPAGKKAMSAQDLL
NSRREWFVPGNRLV
Figure 1.2 : Exemple du format STADEN d’une séquence protéique.
Format PIR
La première ligne commence par ">" suivi du code de la séquence et du nom de la protéine. La
deuxième ligne contient une description textuelle de la séquence suivent plusieurs lignes
descriptives de la séquence elle-mêm,e et se termine par une marque de fin de séquence "*" (voir
Figure 1.3).
Chapitre I : L’extraction de connaissances à partir de données biologiques - 10 -
>P1;1h7wa1
structureX:1h7wa1: 2 :A: 183 :A:undefined:undefined: 1.90:99.90
APVLSKDVADIESILALNPRTQSHAALHSTLAKKLDKKHWKRNPDKNCFHCEKLENNFD
DIKHTTLGERGALREACLKCADAPCQKSCPTHLDIKSFITSISNKNYYGAAKMIFSDNPLG
LTCGMVCPTSDLCVGGCNLYATEEGSINIGGLQQFASEVFKAMNIPQIRNPCLPSQEKMP*
Figure 1.3 : Exemple du format PIR d’une séquence protéique.
CODE
SIGNIFICATION
">P1"
Début de la ligne
1h7wa1
Code de la protéine
structureX:1h7wa1: 2 :A: 183
:A:undefined:undefined: 1.90:99.90
description textuelle de la
séquence
"*".
Fin de la séquence
Tableau 1.2 : Description du fichier PIR de l’exemple de la Figure 1.3.
Format Texte Brut
L’information biologique est décrite dans un fichier au format texte brut ou chaque
ligne a un sens bien précis, comme par exemple, un code, un nom, etc. (voir Figure 1.4)
1: aac
aminoglycoside 2-N-acetyltransferase [Mycobacterium tuberculosis
CDC1551]
Other Aliases: MT0275
Annotation: NC_002755.2 (314424..314969, complement)
GeneID: 923198
.........
4270: tRNA-Pro-3
tRNA [Mycobacterium tuberculosis CDC1551]
Annotation: NC_002755.1 (4118796..4118872)
GeneID: 922697
This record was discontinued.
...........
Figure 1.4 : Exemple de fichier à l’état brut de de la séquence génomique de
la souche MT CDC1551 au format texte brut.
(2) Le prétraitement des données
Le prétraitement consiste à nettoyer et mettre en forme les données dans un
formalisme approprié pour une exploitation efficiente, i.e. l’élimination des données
sans importances particulières dans le processus d’ECD, et qui sont susceptibles de
réduire l’exactitude des modèles à extraire. Ceci commence par un nettoyage des fichiers
Chapitre I : L’extraction de connaissances à partir de données biologiques - 11 -
par enlèvement des lignes inutiles, des termes ou morceaux de texte, tels que n° ligne,
caractères spéciaux inutiles. La Figure 1.5 montre un morceau de séquence de gène
nettoyé, et la Figure 1.6, montre le résultat final de cette étape.
1: aac
aminoglycoside 2-N-acetyltransferase [Mycobaterium Tuberculosis CDC1551]
GeneID: 923198
2: accD
acetyl-CoA carboxylase, carboxyl transferase, beta subunit [Mycobaterium Tuberculosis
CDC1551]
GeneID: 926242
………………..
Figure 1.5 : Morceau de la séquence génomique nettoyée, de la souche Mt CDC1551.
aac |aminoglycoside 2-N-acetyltransferase | Mycobaterium Tuberculosis CDC1551 | 923198
accD | acetyl-CoA carboxylase, carboxyl transferase, beta subunit | Mycobaterium Tuberculosis CDC1551 |
926242
……………..
Figure 1.6 : Morceau de la séquence génomique mise en forme, de la souche Mt CDC1551.
(3) La transformation des données
Cette étape consiste à transformer les données et les convertir en données appropriées
(voir Figure 1.6), pour exploitation. Ce sera une transformation vers un formalisme
base de données (attribut, valeur), à partir des descripteurs possibles qui peuvent être
dégagées à cette étape. Ces descripteurs ou attributs vont aider à « binariser » les entités
dégagées et serviront ainsi à alimenter une base de données.
aac |aminoglycoside 2-Nacetyltransferase | Mycobaterium
Tuberculosis CDC1551
| 923198
accD | acetyl-CoA carboxylase,
carboxyl transferase, beta subunit |
Mycobaterium Tuberculosis CDC1551 |
926242
aceA-1 | isocitrate lyase |
Mycobaterium Tuberculosis CDC1551 |
923830
…………….
Séquence génomique structurée
code_gene
aac
accD
aceA-1
nom_gene
aminoglycoside
2-Nacetyltransferase
acetyl-CoA
carboxylase,
carboxyl
transferase, beta
subunit
isocitrate lyase
id_gene
923198
926242
923830
Figure 1.7 : Morceau de la séquence génomique structurée, de la souche Mt CDC1551.
Chapitre I : L’extraction de connaissances à partir de données biologiques - 12 -
(4) La fouille de données
C’est le cœur du processus d’ECD biologiques. L’extraction de connaissances est
faite à partir de cette étape. Elle consiste à dégager un ensemble de connaissances
brutes à partir des données prétraitées. Un exemple est la recherche d’associations.
(5) Evaluation et interprétation des connaissances
Dans la plupart du temps, les connaissances extraites au terme de la précédente étape
ne sont pas toutes profitables. En effet, il est difficile d’avoir directement des
connaissances valides et utilisables par l’utilisateur humain, le Data Miner. Il existe,
pour la plupart des techniques de fouille de données, des méthodes d’évaluation des
modèles ou motifs extraits. Ces méthodes peuvent aussi aider à corriger les modèles, et
à les ajuster aux données.
Selon le degré d’exactitude des connaissances retournées par ces méthodes, l’expert du
domaine décide d’arrêter le processus d’ECD ou au contraire le reprendre à partir d’une
étape antérieure (le processus est itératif) jusqu'à ce que les connaissances obtenues
soient nouvelles, interprétables, valides et utiles au Data Miner. Ce dernier peut les
utiliser directement ou les incorporer dans un système de gestion de connaissances.
La Figure 1.8, ci-dessous montre l’aspect itératif du processus, i.e. la possibilité de
retourner à n’importe quelle étape afin d’obtenir des connaissances de qualité.
Selection
Banques de
Données
Biologiques
(NCBI, …)
Prétraitement
1: aac
aminoglycoside 2-N-acetyltransferase
[Mycobacterium tuberculosis
CDC1551]
Other Aliases: MT0275
Annotation: NC_002755.2
(314424..314969, complement)
GeneID: 923198
…………….
aac |aminoglycoside 2-N-acetyltransferase |
Mycobaterium Tuberculosis CDC1551 |
923198
accD | acetyl-CoA carboxylase, carboxyl
transferase, beta subunit | Mycobaterium
Tuberculosis CDC1551 | 926242
Données biologiques
cibles (séquence
génomique, séquence
protéique,..)
souche
CDC1551
Code
gene
aac
Nom
gene
Id
gene
aminoglyco 9231
side 2-N98
acetyltransf
erase
aac -> ackA
ackA -> aac
………
(75.0, 100.0)
(75.0, 100.0)
Motifs
Données
Structurées
Données Nettoyées
et mises en forme
Evaluation,
interpretation
Fouille de
données
Transformation
Figure 1.8 : Processus d’ECD Biologiques.
Connaissances
Chapitre I : L’extraction de connaissances à partir de données biologiques - 13 -
I.3 Notre contribution
Dans notre étude, nous nous proposons d’étudier les aspects physiologiques liés à la
génomique de cette bactérie modèle (Mycobacterium Tuberculosis), à savoir : les gènes,
protéines, et autres données génomiques, ceci afin de mieux connaitre notre terrain
expérimental.
Ensuite, nous étudions les outils de l’ECD pour les utiliser sur les données précitées, et
dégager une approche expérimentale par des moyens informatiques afin de donner à
l’expert du domaine des connaissances qui permettent d’avoir quelques éléments de
réponses possibles aidant à comprendre certains processus biologiques et se fixer de
nouvelles hypothèses et continuer ainsi le processus de compréhension et de recherche
médicale.
En premier
Nous avons établi un état de l’art de l’ECD, où nous présentons les techniques de
l’ECD avec certains détails d’une technique à une autre et qui ne sont pas forcement en
rapport direct avec notre étude. Ceci est justifié par le fait que ce travail est notre
première contribution dans ce domaine, nous avons alors pensé qu’il est utile de faire le
tour du domaine afin de situer la technique de recherche d’associations parmi les
différents outils de l’ECD. Ensuite, une étude comparative des différentes méthodes
existantes a été faite pour nous positionner par rapport à celles-ci et nous fixer sur la
plus appropriée pour notre étude.
Deuxièmement
Nous avons abordé l’étude de l’agent pathogène afin de cerner la nature et le type de
données biologiques qui nous intéressent et ainsi pouvoir localiser d’où puiser nos
données expérimentales pour la fouille de données, i.e. les sources de données
biologiques relatives au Mycobacterium Tuberculosis.
Troisièmement
Nous avons établi notre propre démarche expérimentale par un processus d’ECD pour
générer des connaissances à partir de données biologiques. Ces connaissances vont êtres
profitables et exploitables à deux niveaux :
•
profitables au premier niveau au spécialiste du domaine pour la compréhension
des aspects biologiques liés à la pathologie ;
•
exploitables au deuxième niveau par la machine cellulaire pour l’inférence et la
Chapitre I : L’extraction de connaissances à partir de données biologiques - 14 -
déduction.
Le processus informatique établi procède en deux étapes : une fouille de données est
faite dans un premier temps et donnera des règles d’association, ensuite ces règles sont
transformées dans un deuxième temps pour produire des règles booléennes inductives
qui vont alimenter la base de connaissances de la machine cellulaire CASI, [Atmani et
Beldjilali, 2007], [Abdelouhab et Atmani., 2008], [Benamina et Atmani, 2008]. Cette
machine a été développée pour l’acquisition automatique incrémentale de connaissances
par induction et la prédiction par déduction [Atmani et Beldjilali, 2007].
Ainsi, notre contribution a adopté la démarche suivante :
( 1 ) Etude et sélection des données biologiques relatives au mycobactérium
tuberculosis ;
( 2 ) Extraction des motifs fréquents et recherche des règles d’association ;
( 3 ) Production des règles booléennes inductives pour la machine cellulaire CASI.
I.4 Etat de l’art de l’ECD biologiques
Vu la variété des données biologiques et par la même des banques de données
biologiques, différents travaux de fouilles de données biologiques ont été faits. Nous
présentons quelques uns mais la liste n’est pas exhaustive, et nous mentionnons quand
même que ce qui a été fait à nos jours l’a été à base de séquences biologiques ou de
cohortes et suivent deux orientations principales : certains travaux touchent directement
l’épidémiologie
alors
que
d’autres
la
touchent
indirectement
(génomique
et
protéomique), mais sont d’un grand apport pour la compréhension des maladies et par la
même des phénomènes épidémiologiques. Nous présentons les travaux réalisés dans un
tableau récapitulatif (voir Tableau 1.4) qui donne une vue générale sur les principales
méthodes de fouille de données utilisées en biologie et dans le domaine des maladies.
Ce tableau donne une tendance à priori sur les méthodes de fouille utilisées mais notons
quand même que c’est un tableau qui résume des articles que nous avons pu lire et se
rapportant à notre sujet sans pour autant prétendre à l’exhaustivité, vu les travaux qui se
font continuellement.
I.4.1 La fouille de séquences biologiques
La classification de protéines
Le prétraitement des séquences biologiques permet de préparer les données et de les
Chapitre I : L’extraction de connaissances à partir de données biologiques - 15 -
exploiter par la suite afin d’identifier des gènes, comparer des séquences, rechercher
des motifs, ou détecter des signaux (segment ADN) qui indiquent à la cellule la protéine
qui doit être exportée ou sécrétée. Pour la classification des protéines on commence
souvent par cette phase de prétraitement comme indiquée pour construire des attributs
plus significatifs que la chaîne de caractères originale. Différentes approches ont été
étudiées allant de l’extraction des descripteurs (variables qui décrivent au mieux)
discriminants, à l’extraction des n-grammes [Mhamdi et al., 2006], à d’autres en
utilisant les modèles de Markov cachées [Hergalant et al., 2005].
La prédiction de gène
Les modèles de Markov cachés interviennent dans de nombreux algorithmes d'analyse
de séquence, que ce soit pour la détection de gènes, l'inférence et la détection de motifs,
ou encore la recherche de mots exceptionnels. L’utilisation des modèles de Markov
cachées d’ordre 2 (HMM2) est d’une grande utilité dans la segmentation de grandes
séquences ADN en grandes classes déduites à partir de courtes séquences riches en
sémantiques biologiques. Cette segmentation est utilisée pour prédire des ensembles de
gènes co-régulés donc susceptibles d’avoir des fonctions liées [Hergalant et al., 2002].
La segmentation de séquences biologiques
Les très grandes
séquences
d’ADN qui constituent les génomes ne sont pas
avantageuses directement pour la fouille de données, donc il est nécessaire de dégager
des sous séquences d’ADN significatives pour une exploitation en génomique
fonctionnelle. Les modèles de Markov cachés ont étés utilisés pour permettre la
segmentation de grandes séquences d’ADN en différentes classes pour l’étude d’une
bactérie du sol du genre Streptomyces, important producteur d’antibiotiques. En effet,
l’ADN est stratifiée en différents niveaux de structures, de la plus globale qui reflète
une organisation propre à une espèce considérée, aux portions locales qui décrivent
des constituants fonctionnels particuliers, en passant par des régions intermédiaires qui
délimitent des domaines où réside une certaine homogénéité (par exemple pour les
protéines).
Recherche de similitudes et étude d’alignement
La recherche de similarité de séquences ou de structures est un autre sujet abordé
avec les méthodes de comparaison des séquences ADN et de protéines. Cette
comparaison peut être en local c'est-à-dire entre séquences (Alignement Local) ou
globale (Alignement Global) avec une base de données. Elle a pour but le repérage des
Chapitre I : L’extraction de connaissances à partir de données biologiques - 16 -
endroits où se trouvent des régions identiques ou très proches entre deux séquences et
déduire celles qui sont significatives et qui correspondent à un sens biologique. En
général les algorithmes fonctionnent sur des segments de séquences sur lesquels on
regarde s'il existe ou pas une similitude significative et la comparaison de séquences
s'appuie sur une de ces trois notions : la recherche de segments identiques, de segments
similaires, ou d'alignements. Leur but est de filtrer les données de la banque en étapes
successives, car peu de séquences vont avoir des similitudes avec la séquence comparée.
Ces programmes calculent ensuite un score pour mettre en évidence les meilleures
similitudes locales qu'ils ont observées. Plusieurs programmes ont étés créés dont les
plus connus et les plus utilisés par les biologistes sont les logiciels FASTA et BLAST
[Chervitz et al., 1999].
La recherche de motifs fréquents
La recherche de séquences répétées (motifs fréquents), en tandem ou répétées en
dispersion sur l'ensemble du génome, utilise les Modèles de Markov cachées d’ordre 2.
Une étude a été faite en utilisant cette méthode pour classer un résidu ou un groupe de
résidus nucléotidiques [Hergalant et al., 2002].
La recherche d’hétérogénéité
L’analyse de séquences génomiques à l’aide des modèles de Markov cachés a montré
une grande capacité à détecter des zones hétérogènes dans les génomes, ces zones qui
peuvent renseigner sur l’implication d’un pathogène donné dans une maladie [Hergalant
et al., 2002].
La recherche de séquences exogènes
Un autre aspect, de l’étude des gènes, est le transfert horizontal (échange de matériel
génétique entre bactéries). Des études ont été faites sur le genre Streptococcus parce
qu’il revêt une importance particulière en renfermant les bactéries pathogènes.
L’utilisation des modèles de Markov cachés [Hergalant et al., 2002], a permis
d’identifier certaines séquences exogènes au sein de ces génomes qui sont susceptibles
de contenir des gènes de virulence, caractéristiques d’un
pathogène, ou des gènes
d’adaptation écologique particulière, ces résultats montrent que des bactéries seraient
en mesure de transmettre des gènes de virulence à d’autres bactéries encore
inoffensives. Ce genre de découverte améliore la compréhension du phénomène de
résistance à un antibiotique.
Chapitre I : L’extraction de connaissances à partir de données biologiques - 17 -
I.4.2 fouille du génome
De nombreuses maladies, rares ou fréquentes, dont souffrent les humains ont
une origine génétique tels que le diabète, les maladies cardiovasculaires ou la
mucoviscidose [Maumus et al., 2005]. Ces maladies ont un caractère plus ou moins
héréditaire dans le sens où des anomalies chromosomiques sont à l’origine ou
favorisent l’apparition de ces maladies. Cela signifie qu’un ou plusieurs gènes
anormaux sont là où est la maladie. L’étude du génome ou la génomique structurelle
(recherche de mutation, de délétion, …) peut montrer des anomalies tout comme la
génomique fonctionnelle (compréhension du fonctionnement des gènes et des autres
composantes du génome). Cette étude se situe à plusieurs niveaux depuis l'échelle
nucléique jusqu'à celui de la génomique comparative avec pour objectif la localisation,
de structures, de régions fonctionnelles, la caractérisation d’une fonction biologique
ou la prédiction d’autres gènes, c’est ce qui explique le décryptage du génome par
plusieurs travaux de fouille dont les suivants :
Identification de gènes codants et non codants
Si l’existence de facteurs génétiques de susceptibilité est fortement soupçonnée dans
de nombreuses maladies, leurs identifications sont souvent difficiles ce qui ouvre la
voie à une étude de recherche des facteurs génétiques de susceptibilité aux maladies à
l’échelle de tout le génome. Sur le volet de l’annotation des génomes, c'est-à-dire
l’identification des gènes codants (exon), et non codants (intron), la localisation du
début des gènes ainsi que la détection de petits gènes restent difficiles, et dans le but de
répondre à ces problèmes, on utilise des modèles de Markov cachés couplés à une
estimation par maximisation de la vraisemblance (comptage des mots de m nucléotides)
[Prum et al., 2001].
La classification et l’identification de gènes candidats
L’analyse de séquences sur puces à ADN permet d’obtenir des morceaux de
séquences appelées EST (Expressed Sequence Tags) courtes, de 300-500 nucléotides en
général, ces éléments permettent d’identifier les variations génétiques associées (zone
de susceptibilité) comme par exemple le gène NOD-2 impliqué dans la maladie de
CROHN.
L’approche gène candidat recherche et met en relation des gènes nouveaux, découverts
par le séquençage, avec les pathologies orphelines (dont on ne connaît pas encore le
gène responsable) ou des pathologies complexes, (obésité, arthrose, …). Deux
Chapitre I : L’extraction de connaissances à partir de données biologiques - 18 -
classifications ont été utilisées, l’une pour classer les patients dont la maladie se
ressemble quant à l’expression des gènes, et l’autre qui cherche les gènes ou les
ensembles de gènes dont l’expression est différente chez des patients de mauvais et de
bon pronostic [Maumus et al., 2005].
I.4.3 Fouille de cohortes
Les cohortes fournissent aussi un tas de données médicales et en particulier
biologiques, qui permettent de travailler directement sur des cas réels (sujets exposés,
non exposés) et permettent de montrer le rôle et la contribution des facteurs génétiques
et environnementaux dans une maladie. Les données recueillies sont de 3 types :
cliniques, biologiques, et génétiques.
Les données cliniques. Se divisent en examens cliniques systématiques (taille, poids,
pression artérielle, ….), et en examens cliniques spécifiques (échographie,…..).
Les données biologiques. Sont les dosages systématiques réalisés, la biochimie, NFS
« numération de formule sanguine » et analyse d’urine.
Les données génétiques. Se rapportent à chaque sujet.
On dit que le sujet est génotypé, si l’on procède par le recueillement de toutes ces
données génétiques. Ce génotypage permettra d’avoir des SNPs (Single Nucleotide
Polymorphisms ou polymorphismes génétiques) correspondant à tous les processus
métaboliques impliqués dans la maladie. Une fois ces données recueillis, les premières
expérimentations d’extraction de règles sont utilisées pour permettre la détection
d’interactions de type gène-gène et gène-environnement. Les méthodes de classification
sont aussi très utilisées pour comprendre les maladies, une étude comparative des
différents algorithmes a été faite pour la pertinence de ces méthodes [Chervitz et al.,
1999], et a montré que les réseaux de neurone, et les SVM donnent à peu près les
mêmes résultats comparativement aux K-ppv et les arbres de décision. Ces méthodes de
classification sont aussi utilisées pour étudier la variété des segments ADN et leurs
relations avec des maladies ou symptômes particuliers [Etienne, 2004].
L’extraction de motifs fréquents et recherche d’association
La
technique
d’extraction
de
motifs
fréquents
pour
l’extraction
de
règles
d’association et de profils génétiques pour une maladie a bien montré de bons résultats.
Une étude dans ce sens a été faite sur la cohorte STANISLAS [Maumus et al., 2005],
pour la compréhension de l’athérosclérose et étudier les mécanismes physiopathologies
du syndrome métabolique et déterminer les facteurs influents. Cette technique a permis
Chapitre I : L’extraction de connaissances à partir de données biologiques - 19 -
aussi de mettre en évidence la relation entre un gène en l’occurrence le HLA-DQ
impliqué dans les maladies auto-immunes tel que la maladie cœliaque sur une cohorte
de 470 individus (témoins)
de 3 pays européens [Maumus et al., 2005]. Aussi,
l’apprentissage des règles à partir de données d’une étude épidémiologique « castémoins » a montré une grande utilité pour la compréhension de certaines maladies telle
que le cancer du nasopharynx de 1289 observations. L’objectif était de connaître les
différents facteurs impliqués dans cette maladie [Benabdeslem et al., 2007].
L’association entre un facteur d’exposition et la maladie en question a été aussi utilisé
pour trouver les facteurs liés à une maladie, identifier un facteur d’exposition, mettre en
évidence le lien entre la maladie et ce facteur avec un test statistique approprié, et
ensuite mesurer la force de ce lien avec des indicateurs bien connus en épidémiologie
tels que le RR (Risque relatif), DR (Différence de Risque) et OR (Odds Ratio) [Boutin
et al., 2003].
La recherche de gènes candidats
Pour les maladies multifactorielles (facteurs environnementaux et génétiques) la part
du génétique met souvent en jeu plusieurs gènes de susceptibilité [Etienne, 2004],
[Bahar et Chen, 2004], ce sont ces gènes qui sont mis en évidence par une approche
statistique exploratoire utilisant les modèles de Markov cachés sur une cohorte. En effet
la comparaison des génomes, dans le cadre d’une étude de cohorte familiale consiste à
vérifier le partage génétique le long de chaque chromosome. La description au travers
d’un modèle probabiliste markovien de ce partage génétique permet de déterminer les
gènes impliqués dans une maladie [Maumus et al., 2005].
La recherche de gènes candidats et de marqueurs génétiques
L'épidémiologie génétique a tenté de comprendre le déterminisme génétique
(approche gène candidat / maladie) par l’approche des marqueurs génétiques dans des
familles de malades tels que le cancer par exemple. Cette approche a pu montrer d’une
part l'existence de facteurs génétiques et les identifier. La stratégie était de tester le rôle
éventuel de gènes candidats en utilisant des marqueurs situés sur ces gènes. Un gène
candidat
est
un
gène
dont
la
fonction
est
soupçonnée
dans
le
processus
étiopathogénique. Il a été nécessaire de présenter les liens (associations) existants entre
les gènes et les maladies génétiques. Une constatation à été faite : les quelques trois
mille maladies génétiques connues peuvent recouvrir deux cas : les maladies mono
géniques (dues à un seul gène) et les maladies polygéniques et/ou polyfactorielles.
Chapitre I : L’extraction de connaissances à partir de données biologiques - 20 -
Prédiction de maladies
L’utilisation des réseaux bayésiens a été très utile pour la prédiction des risques de la
maladie coronarienne, une étude a été faite dans ce sens sur une population de 8000
participants, et a montré de bons résultats de prédiction de cette maladie [Maumus et
al., 2005]
I.5 Les méthodes de fouille de données
La fouille de données n’est ni un outil, ni une technique, c’est plutôt une science
encapsulant des méthodes dont le but est d’extraire des connaissances à partir de
données assez structurées. Chaque méthode vise un objectif, i.e. une tâche, qui n’est
réalisable par une seule méthode, mais plus tôt par un ensemble de méthodes
complémentaires, chacune choisie en fonction du domaine d’application, du type des
données à analyser, et du type des connaissances que nous voulons extraire.
Une tâche correspond donc à l’objectif du Data Miner, ainsi par exemple la
classification d’objets, à partir de plusieurs caractéristiques connues, est une tâche de
fouille de données. Les tâches peuvent être catégorisées de plusieurs façons. D’ailleurs,
il n’existe pas de taxonomie standard dans la littérature. Fayyad et al divisent les tâches
en deux [Fayyad et al., 1996] : les tâches descriptives et les tâches prédictives.
D’autres, les divisent en méthodes symboliques et numériques, supervisées ou non
supervisées et par renforcement. D’autres auteurs encore, divisent les tâches de fouille
de données en sept types [Goebel et Gruenland, 1999]: la prédiction, la régression, la
classification, le groupement, l’analyse de liens, les modèles de visualisation et
l’analyse exploratoire de données.
Comme Il n’existe pas de taxonomie standard nous avons donc choisi de décrire les
trois approches qui reviennent souvent dans la littérature et de présenter ensuite une
catégorisation la plus adaptée.
1 er e approche (description, prédiction)
Une distinction est faite selon l’objectif. On a alors les méthodes descriptives
(caractérisation, discrimination, extraction de règles d’association, analyse de cas
extrême) et les méthodes prédictives (classification, groupement).
Chapitre I : L’extraction de connaissances à partir de données biologiques - 21 -
2 em e approche (symbolique, numérique)
Une distinction est faite par type de données traitées en entrée. Nous distinguons
alors :
les méthodes symboliques, notamment l’extraction de motifs fréquents,
l’extraction de règles d’association, la classification par treillis, et la
classification par arbres de décision ;
les méthodes numériques, en particulier, les méthodes statistiques (classification
automatique, ACP), les modèles de Markov cachés d’ordre 1 et 2, les méthodes
neuronales, et les algorithmes génétiques.
3 em e approche (supervisé, non supervisé, par renforcement)
L'apprentissage supervisé est basé sur la construction d’un modèle où l’on considère
un ensemble de classes d’exemples de cas déjà traités, et on cherche l’appartenance
d’un objet à une classe en considérant les similarités entre l’objet et les éléments de la
classe. Ces classes sont nommées préalablement. On essayera d’expliquer et/ou de
prévoir un ou plusieurs phénomènes observables et effectivement mesurés.
L'apprentissage non supervisé utilise un ensemble de données dans lequel aucune
d’elles n'a d'importance particulière par rapport aux autres, i.e. aucune n'est considérée
individuellement comme l'objectif de l'analyse. Cette méthode permet la formation de
groupes d’éléments (clusters) homogènes partageant certaines similarités. Il n’y a pas
de classes à expliquer ou de valeur à prédire, la méthode doit découvrir par elle-même
les groupes d’éléments. Il appartiendra ensuite à l’expert du domaine de déterminer
l'intérêt et la signification des groupes constitués.
L'apprentissage par renforcement a pour but d'apprendre à partir d'expériences acquises
en différentes situations, de façon à optimiser une récompense numérique au cours du
temps. Un exemple est de considérer un agent autonome qui doit prendre des décisions
en fonction de son état courant. En retour, l'environnement récompense l’agent en
positif ou négatif. L'agent cherche un comportement décisionnel (stratégie ou politique)
optimal pour maximiser la somme des récompenses au cours du temps.
Pour notre étude, nous avons donc choisi la catégorisation citée dans l’article de Larose
[Larose, 2005] et nous avons fait une étude comparative sur cette base, car nous
pensons que relativement à celles qui existent dans la littérature c’est la plus utilisée.
Nous avons alors les tâches suivantes :
Chapitre I : L’extraction de connaissances à partir de données biologiques - 22 -
(1) La description
La description explore les données sans forcément chercher à prouver une hypothèse
ou répondre à une question. L’objectif est de décrire les données ou donner des résumés
sur celles-ci. On utilise pour cela, les outils d’analyse exploratoire de données (EAD)
qui sont interactifs et visuels et s’appuient sur des méthodes graphiques. Viens ensuite,
le Data Miner qui interprétera les modèles déduits.
(2) L’estimation
Elle consiste à estimer la valeur d'un champ à partir des caractéristiques d'un objet.
Le champ à estimer est un champ à valeurs continues. Contrairement à la classification,
le résultat d’une estimation permet d’obtenir une valeur pour une variable continue. Par
exemple, on peut estimer le revenu d’un ménage selon divers critères (type de véhicule,
profession, type d’habitation, etc.), il sera ensuite possible de définir des tranches de
revenus pour classifier les individus. Un intérêt de l’estimation est de pouvoir ordonner
les résultats pour ne retenir, si on le désire, que les n meilleures valeurs.
(3) La prédiction
Elle consiste à estimer la valeur future d’un champ à partir des caractéristiques d'un
objet. Cela revient à prédire la valeur d’une variable à partir d’autres variables, dont on
connaît les valeurs, appelées variables prédictrices. Dans ce cas, la construction des
modèles se fait grâce à l’apprentissage à partir d’anciens cas (données dont on connaît
les valeurs de la variable à prédire). Chaque modèle construit est accompagné par une
valeur d’une fonction score indiquant son taux d’erreur (ou son taux d’exactitude).
(4) La classification
Elle consiste à examiner les caractéristiques d’un élément qui se présente afin de
l’affecter à une classe prédéfinie ou connue à l’avance, celle-ci est un champ particulier
à valeurs discrètes. L’utilisation de la classification se fait depuis déjà bien longtemps
pour comprendre notre vision du monde (espèces animales, minérales ou végétales).
Elle permet de repartir en classes des objets ou individus. Ces classes sont discrètes :
homme/femme/bleu/blanc, etc. Un exemple de classification est l’attribution d’un sujet
principal à un article de presse.
Dans un cadre informatique, les objets ou éléments sont représentés par un
enregistrement et le résultat de la classification viendra alimenter un champ. Il est
souvent utilisé les méthodes suivantes : la méthode
arbres de décision, et les réseaux de neurones.
K-ppv (plus proche voisin), les
Chapitre I : L’extraction de connaissances à partir de données biologiques - 23 -
(5) Le groupement
Pour cette tâche, il n'y a pas de classe à expliquer ou de valeur à prédire définie à
priori, il s'agit de créer des groupes d’objets homogènes dans la population, ayant les
mêmes caractéristiques.
(6) La recherche d’association
Elle consiste à trouver des corrélations ou relations entre attributs (items). La
recherche de liens associatifs est utilisée intensivement dans les bases transactionnelles.
Il s’agit de découvrir les items les plus fréquemment en relation. Un exemple, est la
détermination des articles (cahier et stylo bleu, riz et œufs, …) qui se vendent ensemble
dans un supermarché.
Ainsi, pour réaliser l’une ou l’autre des tâches précitées, on utilise une ou plusieurs
méthodes et elles sont nombreuses. Il est difficile de les présenter toutes. Ceci dit,
celles qui sont présentées ci-dessous sont tout de même les plus importantes. Il faut
noter qu’il n’y a pas de méthode meilleure, chacune présente des avantages et des
inconvénients.
(1) Les méthodes de visualisation
Elles permettent la visualisation des données et donc l’analyse l’exploratoire avec
comme objectif le dégagement de motifs, de structures, de synthèses, etc. Elles sont
basées sur des graphiques qui facilitent l’interprétation des résultats. Dans le premier
type de visualisation, l’utilisateur ne connaît pas forcément ce qu’il cherche dans les
données, il essaye de chercher des modèles, des motifs, ou plus généralement des
hypothèses qu’il veut démontrer. Au deuxième type de visualisation, l’utilisateur a une
hypothèse qu’il veut tester et confirmer. Ce type de visualisation est dérivé directement
des statistiques, et ne convient pas vraiment au principe même de la fouille de données
(bien qu’il en fasse partie). Les méthodes les plus utilisées sont : les graphiques de
statistiques élémentaires (moyenne, écart type, variance), les histogrammes, les nuages
de points, et les courbes.
(2) Les réseaux de neurones
Un réseau neuronal est composé de groupes de nœuds (neurones) où chaque groupe
de nœuds correspond à une couche. Il est formé par au moins trois couches : input,
intermédiaire et output. Dans la couche input, chaque nœud correspond à une variable
prédictrice. La couche output contient un ou plusieurs nœuds et les variables à prédire.
Chapitre I : L’extraction de connaissances à partir de données biologiques - 24 -
Le réseau peut avoir plusieurs couches intermédiaires (mais un seul input et un seul
output), appelées aussi couches cachées. Chaque nœud de la couche j est relié à tous les
nœuds de la couche j+1. A chaque arc est associé un poids (une valeur) Wij, c’est le
poids de l’arc entre le nœud i et le nœud j. Les valeurs input des nœuds de la
première couche sont les valeurs des variables prédictrices. Les valeurs internes des
autres nœuds (des couches intermédiaires et de la couche output) sont calculées à
travers une fonction de sommation.
Les réseaux de neurones sont des outils très utilisés pour la classification,
l'estimation, la prédiction et le groupement. Ils permettent de construire un modèle qui
prédit la valeur d’une variable à partir d’autres variables connues appelées variables
prédictrices. Si la variable à prédire est discrète (qualitative) alors il s’agit d’une
classification, si elle est continue (quantitative) il s’agit alors de régression. Les
méthodes les plus utilisés sont : le Perceptron multicouches et les réseaux de Kohonen.
(3) Les arbres de décision
Un arbre de décision est une représentation graphique d'une procédure de
classification. Les nœuds internes de l'arbre sont des tests sur les champs ou attributs, et
les feuilles sont les classes. Lorsque les tests sont binaires, le fils gauche correspond à
une réponse positive au test et le fils droit à une réponse négative.
Un arbre de décision cible la classification i.e. la prédiction de variables discrètes.
La méthode consiste à construire un arbre et pour chaque élément qu’on veut classifier,
il entre par le nœud racine et passe d’un nœud père à un nœud fils, s’il satisfait une
condition posée. Le nœud feuille auquel il arrivera est sa classe. Un arbre de décision
peut donc être perçu comme étant un ensemble de règles qui mènent à une classe. La
construction de l’arbre se fait par un algorithme approprié. Les algorithmes les
plus utilisés sont : ID3, CHAID, CART, QUEST, et C5 [Quinlan, 1986], [Wilkinson,
1992], [Gaussier, 2009], [Quinlan, 1993], [Denison et al., 1998], [Callas, 2009].
(4) SVM (machines à vecteur de support)
Les machines à vecteurs de support sont une classe d’algorithmes d’apprentissage
initialement définis pour la discrimination i.e. la prévision d’une variable qualitative
initialement binaire. Elles ont été ensuite généralisées à la prévision d’une variable
quantitative. Dans le cas de la discrimination d’une variable dichotomique, ils sont
basés sur la recherche de l’hyperplan de marge optimale qui, lorsque c’est possible,
classe correctement les données tout en étant le plus éloigné possible de toutes les
Chapitre I : L’extraction de connaissances à partir de données biologiques - 25 -
observations. Le principe est donc de trouver une fonction de discrimination, dont la
capacité de généralisation (qualité de prévision) est la plus grande possible. Donc les
SVM peuvent être utilisés pour résoudre des problèmes de discrimination (i.e. décider à
quelle classe appartient un échantillon), ou de régression (i.e. prédire la valeur
numérique d'une variable).
(5) K - plus proches voisins (K-ppv)
La méthode des K plus proches voisins (K-ppv, nearest neighbor ou K-nn) est une
méthode dédiée à la classification qui peut être étendue à des tâches d'estimations. La
méthode K-ppv est une méthode de raisonnement à partir de cas. Elle part de l'idée de
prendre des décisions en recherchant un ou des cas similaires déjà résolus en mémoire.
Elle décide de la classe à laquelle appartient un nouveau cas, en examinant les k cas qui
lui sont les plus similaires ou proches. Il n'y a pas d'étape d'apprentissage consistant en
la construction d'un modèle à partir d'un échantillon d'apprentissage. C'est l'échantillon
d'apprentissage qui constitue le modèle. On lui associe une fonction de distance et une
fonction de choix de la classe en fonction des classes des voisins les plus proches.
(6) Les réseaux bayésiens
Un réseau bayésien ou probabilistique est un graphe dirigé, acyclique où chaque
nœud représente une variable continue ou discrète, et chaque arc représente une
dépendance probabilistique. Si un arc relie un nœud Y à un nœud Z, alors Y est le
parent de Z et Z est le descendant de Y. Chaque variable est indépendante des variables
auxquelles elle n’est pas reliée. Les variables peuvent être continues ou discrètes.
Chaque lien entre deux variables est pondéré par la valeur de la dépendance
probabilistique, ainsi la valeur que porte l’arc reliant Y à Z est en fait P (Z/Y).
(7) Induction de règles
C’est une technique qui permet d’identifier des profils, associations ou structures
entre les items ou objets qui sont fréquents dans les bases de données. Autrement dit, il
s’agit d’identifier les items qui apparaissent souvent ensemble lors d’un évènement.
Cette règle d'association est une règle de la forme : « Si X et Y alors Z », règle dont la
sémantique peu être énoncée : « Si X et Y apparaissent simultanément alors Z
apparait ». Pour considérer et exprimer cette association sous forme d’une règle, il faut
définir des quantités numériques qui vont servir à valider son intérêt, d’où : le support
et la confiance.
Le support est la fréquence d'apparition simultanée des éléments qui apparaissent
Chapitre I : L’extraction de connaissances à partir de données biologiques - 26 -
dans la condition et dans le résultat, soit : support=fréquence (condition et résultat), et
la confiance=fréquence (condition et résultat) / fréquence (condition). Ainsi, les règles
dont le support et la confiance sont assez élevés sont alors privilégiées. Les algorithmes
les plus utilisés sont : Apriori, AIS, FP-Growth [Agrawal et al., 1993],[Agrawal et
Srikant., 1994], [Han et al., 2000].
(8) Les techniques de groupement
Ces techniques ou méthodes visent la description des données. Elles consistent à
diviser les données en groupes de manière à ce que les données d’un même groupe
soient similaires et les données de deux groupes différents soient différentes. Le degré
de ressemblance entre les données est calculé par une méthode de similitude. Les
méthodes de groupement se divisent en deux types : le groupement basé sur les
partitions et le groupement hiérarchique. La technique la plus connue du premier type
est la méthode des K-moyenne. Elle consiste à diviser les données en K groupes, K
étant donné par l’utilisateur. Cette méthode commence par un groupement aléatoire des
données (en K groupes), ensuite chaque enregistrement est affecté au plus proche
groupe. Après l’exécution de la première itération, les moyennes des groupes sont
calculées et le processus est répété jusqu’à stabilisation des groupes. L’algorithme le
plus utilisé est : K-moyenne.
(9) Les modèles de Markov cachés
Les modèles de Markov cachés d’ordre 1 ou 2
(HMM1 et HMM2 pour Hidden
Markov Models) sont utilisés pour la classification des différentes données temporelles
ou spatiales. Contrairement aux algorithmes classiques qui fournissent une réponse
exacte, les HMMs permettent un apprentissage automatique, ils interviennent par
exemple dans de nombreux algorithmes d'analyse de séquences biologiques que ce soit
pour, la détection de gènes, l'inférence et la détection de motifs, ou encore la recherche
de mots exceptionnels. En effet, pour toutes ces opérations sur les séquences
biologiques, il est tenu compte des caractéristiques propres de la séquence, de la
position d’une sous séquence i.e. des caractéristiques de ses voisins temporels ou
spatiaux.
(10) Les treillis
Les treillis de concepts formels (ou treillis de Galois) sont une structure
mathématique permettant de représenter les classes non disjointes sous-jacentes à un
ensemble d’objets (exemples, instances, t-uples ou observations) décrits à partir d’un
Chapitre I : L’extraction de connaissances à partir de données biologiques - 27 -
ensemble d’attributs. Ces classes non disjointes sont aussi appelées concepts formels.
Une classe matérialise un concept. Ce concept peut être défini formellement par une
extension (exemples du concept) ou par une intension (abstraction du concept). Les
treillis sont utilisés en classification.
(11) Autres méthodes
La régression linéaire (méthode statistique)
C’est une technique qui vise la prédiction de la valeur d’une variable continue. Son
objectif est de définir le meilleur modèle qui associe une variable quantitative
« output » à plusieurs variables prédictrices « input ». Cette opération s’appelle
ajustement du modèle aux données. Les modèles linéaires sont les plus fréquemment
utilisés. C’est ce qu’on appelle la régression linéaire. La relation qui relie une variable
à prédire Y à p autres variables prédictrices est une équation de régression souvent sous
cette forme :
Y = a 0 + a 1 X 1 + a 2 X 2 + ... + a p X p
Les méthodes les plus utilisés sont : régression simple, régression multiple.
Les algorithmes génétiques
Les algorithmes génétiques ne constituent pas une méthode de fouille de données à
part entière et ne ciblent directement aucune tâche. Ils viennent aider le processus de
fouille de données. Ce sont des heuristiques qui guident la recherche de bons modèles
dans un espace de recherche très vaste. Les algorithmes génétiques se basent sur les
principes de sélection, enjambement, et mutation qui sont des notions issues de la
génétique.
I.6 Etude comparative
Après avoir passé en revu les différentes tâches et méthodes, nous avons établi un
tableau récapitulatif (voir Tableau 1.4), mentionnant les principales caractéristiques des
différentes méthodes de l’ECD. Mais il restera toujours à l’utilisateur de bien fixer ses
choix pour telle ou telle méthode en fonction de ses objectifs et de la nature des
données qu’il se propose de fouiller. Le récapitulatif donne aussi un aperçu global sur
l’utilisation des différentes méthodes de fouille de données par tâche, mais notons
quand même que ce n’est pas un tableau exhaustif, il résume les techniques les plus
utilisées et qui apparaissent souvent dans la littérature relative au domaine que nous
avons abordé. Nous avons aussi établi un tableau comparatif (voir Tableau 1.6) qui
mentionne les principaux avantages et inconvénients des différentes tâches de l’ECD.
Chapitre I : L’extraction de connaissances à partir de données biologiques - 28 -
Méthodes de FDD
PROTEOMIQUE
GENOMIQUE
COHORTE
MALADIE
√
Autres
méthodes
√
Treillis
Réseaux
Bayésiens
√
Induction
de règles
Arbre de
décision
√
Réseaux de
neurones
K - ppv
K - Moyenne
Interaction gène /
environnement
Recherche gène
candidat
Recherche cause
SVM
Identification de
sequences
Comparaison de
séquences
Segmentation de
sequences
Classification
Prédiction
structure
Prédiction
domaine
Recherche de
motifs fréquents
Recherche
d’aberration
Recherche
séquence exogène
Recherché
hétérogénéité
Identification
groupe gene
Expression de
gènes
Identification de
gènes
Prediction de gène
Comparaison de
séquences
Groupement
Recherche de
règles
d’association
Recherche de
gènes candidats
Fouille de données
médicales
HMM
Domaines d’utilisation
Alignement
, similitude
√
√
n-gramme.
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
similarité
√
√
√
√
√
√
Motifs
frequents
Marqueurs
génétiques
√
√
√
√
√
√
√
√
√
√
√
Tableau 1.4 : Les méthodes de FDD utilisées en ECD biologiques.
Chapitre I : L’extraction de connaissances à partir de données biologiques - 29 -
Types
Treillis
Induction de
règles
Algorithmes
génétiques
Réseaux
bayésiens
Arbre de
décision
Réseaux de
neurones
K - ppv
K - Moyenne
SVM
Régression.
linéaire.
HMM
AED
Non Superv.
Recherche
Association
√
Supervisée
Estimation
Prédiction
Classification
Groupement
Prédictive
Description
Descriptive
Tâches de
l’ECD
Méthodes de FDD
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
√
Tableau 1.5 : Les tâches et méthodes utilisées en ECD.
Tâches de
l’ECD
Description
Estimation
Prédiction
Classification
Groupement
Recherche
d’association
Caractéristiques / Objectifs
• Il s’agit de décrire les données pour
essayer de découvrir et de
comprendre le processus qui est à
l’origine de ces données.
• Consiste à estimer la valeur d’une
variable à valeurs continues à partir
des valeurs d’autres attributs.
• Consiste à prédire la valeur future
d’un attribut en fonction d’autres
attributs ;
• Se base sur le présent pour trouver
des résultats dans le futur ;
• Assimilable à l’estimation mais les
objets sont classés en fonction d’un
comportement futur prédit.
• Consiste
à
examiner
les
caractéristiques d'un objet et lui
attribuer une classe ;
• Les classes sont connues à l’avance
avec des profils particuliers.
• Il s’agit de grouper des objets en se
basant sur leurs similarités ;
• Les objets sont les plus similaires
possibles dans un groupe et moins
similaires possibles
entre deux
groupes ;
• La similarité peut être calculée pour
différents types de données. Elle
dépend des données utilisées et du
type de similarité recherchée.
• Déterminer les attributs qui sont
corrélés, i.e. découvrir des relations
plus fines entre les données.
Apprentissage
Avantages
Inconvénients
Facile à mettre en
œuvre.
Difficiles à évaluer en
cas de beaucoup de
variables.
•
•
•
•
En cas
d’estimation
numérique le
résultat est
numérique.
Nécessite un tas
de données assez
énorme pour
pouvoir faire une
prédiction assez
précise.
Besoin d’un ensemble
d’exemples
• Régression ;
• Réseaux de neurones ;
• Kppv.
On ne peut vérifier la
précision du résultat
tout de suite.
• Arbre de décision ;
• Réseaux de neurones ;
• Réseaux bayesiens.
supervisé
supervisé
supervisé
Robustesse
(bruit, données
manquantes,...) ;
supervisé
Interprétabilité
simple.
Peut traiter #
types de
données ;
non supervisé
Peut traiter les
données bruitées
et isolées ;
Peut découvrir
des clusters de #
formes ;
non supervisée
Pour les attributs
numériques, la
distance est bien
définie.
Itemsets de tailles
variables ;
Résultats clairs.
Taux d’erreur non
négligeable ;
Temps d’exécution
(construction,
utilisation)
conséquent.
L’interprétation des
groupes identifiés est
plus difficile que la
classification car les
groupes ne sont pas
connus à l’avance ;
Algorithmes utilisés
•
•
•
•
•
Stat. élémentaire ;
Histogramme ;
moy, écart-type ;
ACP….
Kppv ;
Arbre de décision ;
Réseaux de neurones ;
Algo. Génétique ;
HMM.
• K moyennes ;
• Réseaux de neurones.
Pour les attributs
énumératifs ou mixtes
la distance est difficile
à définir.
Produit énormément
de règles ;
Nécessite un posttraitement humain.
Tableau 1.6 : Tableau comparatif des tâches de l’ECD.
• Apriori ;
• AIS ;
• FP-Growth.
Chapitre I : L’extraction de connaissances à partir de données biologiques - 30 -
I.7 Discussion sur l’ECD Biologiques
L’ECD est un domaine qui a connu une émergence remarquable pendant la dernière
décennie. Ce succès s’est réalisé sur le champ scientifique et s’est prolongé au champ
commercial. En effet, plusieurs éditeurs d’outils de fouille de données ont formé un
marché riche de logiciels fiables implémentant pratiquement la totalité des méthodes de
la littérature et ciblant toutes les tâches de fouille de données. On trouve alors : WEKA
et TANAGRA.
Ceci dit, l’ECD n’est pas du tout une clé avec laquelle on fait jaillir les
connaissances. Un outil de l’ECD n’est pas aussi une boîte noire qu’on utilise ou un
système totalement automatique, son caractère interactif nécessite l’intervention d’un
humain et préférablement une personne ayant une expertise dans son domaine
d’application. Bien que l’ECD ait aidé à répondre à plusieurs questions dans plusieurs
domaines, il reste un travail considérable à réaliser. Cet immense travail de recherche,
couramment présenté dans la littérature, montre que l’ECD est un champ en cours
d’émergence et qu’il
reste quelques défis que la communauté de fouille de données
essaye de relever et en particulier au niveau de l’ECD biologique. Nous citons quelques
uns :
Le traitement des données complexes
En effet, la plupart des recherches dans le domaine de l’ECD se focalisent sur
l’extraction de connaissances à partir de données simples, souvent sous la forme d’une
table dont les colonnes correspondent aux variables (items) et les lignes correspondent
aux entités décrites. Cependant, les banques de données biologiques contiennent des
données de différents formats et de plus en plus complexes et non structurées telles que
les données textuelles et graphiques. Bien que des outils d’extraction de connaissances
à partir de textes (texte Mining), d’images (Image Mining) ont vu le jour, ils ne
semblent pas être aussi évolués pour permettre l’extraction aisée de connaissances à
partir de données biologiques telles quelles se présentent aujourd’hui. Des travaux
novateurs ont été réalisés [Bahar et Chen, 2004], [Abdelouhab et Atmani., 2008],
[Benamina et Atmani, 2008], mais beaucoup reste à faire.
Tenir compte des connaissances à priori
Les systèmes d’ECD devraient permettre à l’utilisateur d’exploiter ses connaissances
à priori, non seulement dans la sélection des données, mais aussi dans la phase de
fouille de données, car plus cette phase est guidée, plus les connaissances dégagées
Chapitre I : L’extraction de connaissances à partir de données biologiques - 31 -
seraient potentiellement utiles, et cet aspect revêt une importance particulière en
biologie parce que l’expert capitalise une expertise qui peut très bien guider le
processus de fouille de données.
Optimisation
À cause de la très grande taille des données (séquences génomiques, etc..), les
algorithmes de fouille de données devraient être performants. Le temps d’exécution doit
être pris en considération pour être plus ou moins acceptable.
Variabilité des données
Une particularité des données biologiques, c’est qu’elles se trouvent sous divers
formats définis par les biologistes pour leurs besoins spécifiques. Ceci fait que du point
de vue traitements automatiques, nous nous retrouvons en face de divers formats
complexes et divers types de données : fichier texte, images, puce à ADN, etc. Ceci,
pose la question de la normalisation des formats des données biologiques.
Evaluation des motifs
L’extraction de motifs dans des données de grandes tailles (séquence biologique),
donne généralement un nombre très élevé de motifs. Peut être qu’il faudra trouver des
mesures du domaine de la biologie (en plus du support et de la confiance) qui
permettent l’évaluation des motifs pour dégager ceux qui sont réellement intéressants.
I.8 Conclusion
Il est évident que l’ECD biologiques soit un processus complexe. Cette complexité
est induite par les formats de données qui ne sont pas souvent les formats standards
connus usuellement en informatique. De plus cette complexité se traduit au niveau de
l’implémentation des différentes méthodes utilisées : HMM, réseaux de neurones, etc.
Ce qui rend la fouille de données assez couteuse en particulier pour certaines méthodes
telle que la recherche d’association. De plus, les travaux de fouille en biologie sont
assez variés : prédiction de gènes, recherche de motifs fréquents, etc. Peu de travaux
sont consacrés à l’optimisation des méthodes de fouille de données dans un contexte
biologique, et ce pour la spécificité des données utilisées.
Notre travail porte précisément sur l’extraction des règles d’association dans un
contexte biologique, avec post-traitement des résultats par optimisation par la machine
cellulaire, dont l’efficacité a été prouvée [Atmani et Beldjilali, 2007], [Benamina et
Atmani, 2008]. Le chapitre 2 est consacré à l’extraction des règles d'association et au
Chapitre I : L’extraction de connaissances à partir de données biologiques - 32 -
processus utilisé pour les produire, et le chapitre 3 étalera leurs modélisations
booléennes par le système BRI.
Chapitre II : L’extraction de règles d’association - 33 -
Chapitre II.
L’extraction de règles d’association
L’extraction des règles d'association est une méthode descriptive de fouille de
données qui a reçu beaucoup d’intérêt de la part des chercheurs. On peut la définir
comme étant la recherche de relations entre des Items dans un ensemble de données.
Cette technique est très utilisée pour l’analyse des paniers. Il s’agit d’analyser
l’ensemble des achats effectués par les clients d’une entreprise commerciale. Chaque
achat contient un ensemble d’Items (articles), il correspond à un panier. Pour cela,
l’entreprise doit archiver les achats (transactions) effectués dans une base de données
binaire (Transaction, Items) où l’attribut Transaction est une clé et Items est l’ensemble
de n articles article 1 , article 2 , ….article n .
Plusieurs algorithmes d’extraction de règles d’association à partir de bases de
données ont été proposés [Agrawal et al., 1993], [Agrawal et Srikant., 1994], [Savasere et al.,
1995], [Hip et al., 2000].
Motivations
L’ECD est un domaine relativement récent. Plusieurs recherches intéressantes ont été
faites et ont produit des résultats satisfaisants. Il s’agit de techniques et de méthodes
nouvelles qui concernent chacune des phases du processus d’ECD, en particulier la
fouille de données. Il existe alors plusieurs travaux développés pour l’extraction de
motifs et particulièrement les règles d’association. Dans la section qui suit, nous
présentons l’extraction de ce type de motifs et nous expliquons nos choix, mais bien
avant et pour la clarté nous donnons quelques définitions.
Les Itemsets et les règles d’association. Ils sont le produit du processus d’extraction
des règles d’association et ils tirent leurs origines des Items.
Définition 1 : Item
Un Item est un article au sens où il est pris en extraction de règles d’association.
Définition 2 : Itemset
Un Itemset est un ensemble de n Items noté : {A, B, C, D….}. L’ensemble de tous les Itemsets
possiblement formés par les éléments d’Items est 2n.
Chapitre II : L’extraction de règles d’association - 34 Définition 3 : le support
Le support d’un Itemset k dans une base de données, est l’ensemble de toutes les transactions qui
supportent k, il est noté supp(k).
Définition 4 : la confiance
La confiance dans une règle, notée conf(X→Y) est la probabilité qu'une transaction supportant X
supporte également Y.
Exemple :
Etant donné une base de données, chaque instance est un ensemble d’Items:
Transaction
1
2
3
4
5
6
A
C
A
A
A
C
Item
CTW
DW
CTW
CDW
CDTW
DT
Support
100 % (6)
85 % (5)
67 % (4)
50 % (3)
Items Set
C
CW
A, D, T, AC, AW,CD, CT, ACW
AT, DW, TW, ACT, ATW, DW,
CTW, ACTW,CDW
Item sets Frequent Maximum: ACTW, CDW
Sous-Itemsets : CDW (3), CD (4), CW (5), DW (3), C (6), D(4), W (5)
CD ⇒ W, conf = 3/4 = 75%
CW ⇒ D, conf = 3/5 = 60%
DW ⇒ C, conf = 3/3 = 100%
C ⇒ DW, conf = 3/6 = 50%
D ⇒ CW, conf = 3/4 = 75%
W ⇒ CD, conf = 3/5 = 60%
II.1
Les règles d’association
Une règle d'association est une relation d'implication X → Y entre deux ensembles
d'Items X et Y tel que X∩Y =Ø et X≠Ø. X est appelé corps de la règle et Y est la tête.
Cette règle indique que les transactions qui contiennent les articles de l'ensemble X ont
tendance à contenir les articles de l'ensemble Y. X est appelé condition ou prémisse et
Y est appelé résultat ou conclusion. Ces règles sont de la forme :
Si {Item 1, Item 2, ..., Item j } Alors { Item k,….,Item p }
Exemple :
Si {gene1 = "1"} Alors {gene5="1"}
Cette règle est interprétée de la manière suivante :
"Si la séquence possède gene1 Alors elle possède gene5"
Chapitre II : L’extraction de règles d’association - 35 -
Les règles d’association induisent deux notions :
− le support qui est le pourcentage (%) d’instances de la base vérifiant la règle ou
fréquence d’apparition ensemble de la partie gauche et la partie droite de la règle.
Support(X → Y) = p(X∪
∪ Y) = support ({X,Y})
− la confiance qui est la probabilité que la partie droite de la règle soit vérifiée, si
partie gauche de la règle est vérifiée.
Confiance(X → Y) = p(Y|X) = p(X∪
∪ Y) / p(X) = support({X,Y}) / support({X})
II.2
L’induction et l’évaluation des règles
L’induction est en effet l’extraction de règles qui satisfont des seuils minimums
prédéfinis de support et de confiance à partir d’une base de données volumineuse
[Agrawal et Srikant., 1994]. Cette extraction se déroule en deux phases :
(1) extraction des Itemsets fréquents ;
(2) génération des règles d’association confiantes.
Le nombre d’Itemsets possibles pour une base de données stockant n Items est 2 n . Ceci
rend le nombre de règles encore plus énorme. Il en découle que l’extraction de la
totalité des Itemsets (pour ensuite tester leurs fréquences) soit une opération très
coûteuse voir impossible. Les deux mesures qui évaluent le degré d’intérêt de
l’utilisateur envers un motif sont : le support et la confiance. L’utilisateur mentionne
alors un seuil minimal de support et un seuil minimal de confiance, et les règles dont les
confiances sont supérieures au seuil fixé sont acceptées et les autres sont alors rejetées.
On peut dire alors que ces deux seuils sont des contraintes d’extraction de règles. Ainsi,
le problème d’extraction de règles d’association est décomposé en deux étapes :
− la première consiste à dégager les Itemsets fréquents, i.e., les Itemsets dont le
nombre d’occurrences est supérieur au seuil minimum de support ;
− la seconde consiste à générer des règles d’association à partir de ces Itemsets
fréquents qui respectent un seuil minimum de confiance. Cette seconde étape est
beaucoup plus simple. En effet, une fois les Itemsets fréquents trouvés, il y a
génération des règles possibles pour chaque Itemset.
Génération des règles
La génération des règles est donc une opération de transformation des ensembles
d’Items en règles de manière efficace. De ce fait, à partir d’un ensemble de n Items, on
Chapitre II : L’extraction de règles d’association - 36 -
peut générer 2 n -1 règles potentielles, et on ne gardera que les règles avec une confiance
supérieure au minimum fixé par l’utilisateur.
On peut alors dire : Etant donné deux seuils minimaux, s de support et c de confiance,
l’extraction de règles d’association se fait en deux étapes :
(1) Extraction des Itemsets fréquents (dont la fréquence est supérieure à s)
(2) Extraction des règles d’associations confiantes (dont la confiance est supérieure
à c) à partir des Itemsets fréquents.
Ce traitement se traduit par :
(1) un calcul coûteux des supports;
(2) une génération coûteuse des règles ;
(3) un calcul coûteux de la confiance ;
(4) un parcours des données initiales récurrent.
Évaluation des règles
La méthode d'extraction de règles d'association peut produire des règles d'association
triviales ou inutiles. Ces règles triviales sont des règles évidentes (par exemple : Si
marié Alors non-célibataire) qui n'apporte pas d'information supplémentaire. Les règles
inutiles sont des règles difficiles à interpréter qui peuvent provenir de particularités
propres à la liste des t-uples ayant servi à l'apprentissage. De plus, une règle
d'association est destinée à être utilisée par la suite dans un but décisionnel, il est
nécessaire d'évaluer sa qualité. Il faut qu’à l’étape de fouille, il y ait suffisamment
d'exemples vérifiant cette règle, et une quantité de contre-exemples qui ne porte pas
préjudice au sens que prend cette règle dans son contexte d'extraction.
De nombreux critères d'évaluation existent [Hip et al., 2000]. Ils peuvent être aussi
subjectifs. L'expert du domaine sait quels attributs il souhaite avoir dans les règles
d'association, mais ce cas de figure est très rare, car contraire au but de l'ECD qui est la
découverte des connaissances dont on ignore à priori l'existence. Il existe également de
nombreux critères beaucoup plus objectifs qui consistent à étudier le nombre d'exemples
et de contre-exemples afin que la règle obtenue ne soit pas trop générale ou évidente,
car dans ce cas il n'y a rien de nouveau. Les statistiques sont utilisées pour associer à
chaque règle d'association de la forme X → Y des mesures permettant d'avoir une idée
de sa qualité :
- le support est une mesure dite d'utilité. C'est la probabilité p (X, Y) pour que X et
Y soient vrais en même temps ;
Chapitre II : L’extraction de règles d’association - 37 -
- la confiance est une mesure dite de précision. C'est la probabilité pour que Y soit
vrai lorsque l'on a X vrai, soit la probabilité conditionnelle p (Y | X).
Suivant le contexte dans lequel est extraite cette règle, le taux d'erreur admissible
dépend du facteur risque. Par exemple, on exigera une qualité de cette règle
d'association beaucoup plus importante dans le domaine médical. Dans ce cas, les
valeurs des seuils minimaux de support et de confiance seront élevées afin de ne retenir
que les règles les plus fiables dans le sens où elles ont très peu de contre-exemples
(dont l'existence peut être dangereuse). De nombreux autres indices de mesure de la
qualité d'une règle d'association existent [Agrawal et al., 1993].
II.3
Les algorithmes d’extraction des règles d’association
Dans cette section, nous essayons de présenter quelques algorithmes d’extraction de
règles association les plus utilisés. Ils sont classés selon [Hip et al., 2000]:
•
la stratégie de parcours de l’espace de recherche ;
•
la stratégie de calcul des supports des Itemsets.
AIS [Agrawal et al., 1993],[Agrawal et Srikant., 1994]
Cet algorithme fut le premier proposé pour l’extraction de règles d’association. Il
extrait des règles d’association dont la tête est formée par un seul Item. Une règle est
alors de la forme X→Y avec Y un élément de Items. Pour cela, la base de données est
parcourue plusieurs fois afin de dégager les Itemsets fréquents. Le k ème parcours est
réalisé pour extraire les Itemsets de cardinalité k qu’on appellera dorénavant k-Itemsets.
Pendant le premier parcours, c’est l’extraction des 1-Itemsets fréquents (F1) qui se fait.
Pour extraire les 2-Itemsets fréquents (F2), l’algorithme parcourt la base de données
pour tester les supports des 2-Itemsets appartenant à l’ensemble des 2-Itemsets
candidats noté C 2 . C 2 est généré à partir de F 1 , ensemble des 1-Itemsets fréquents. Les
2-Itemsets candidats sont générés en étendant les 1-Itemsets fréquents par un Item de la
même transaction. Pour généraliser, cet algorithme parcourt deux fois la base de
données pour générer les k-Itemsets fréquents :
- la première fois sert à générer les k-Itemsets candidats ;
- la deuxième fois sert à calculer le support de chaque candidat, le candidat ayant un
support supérieur au seuil minimum est inséré dans l’ensemble F k , sinon il est
rejeté.
Chapitre II : L’extraction de règles d’association - 38 -
L’inconvénient de l’algorithme AIS est le fait qu’il scanne la base de données plusieurs
fois et qu’il génère trop de candidats.
Algorithme : AIS
Début
Input :
L1 = { large 1-Itemsets }
C1= data base D
min_sup
min_conf
Output :
association rules R
L1 = { large 1-Itemsets }
for ( k=2 ; Lk-1 ≠ Ø ; k++) faire
=Ø
Forall transaction t ∈ D do begin
Lt=subset(Lk-1 , t)
forall large itemsets lt ∈ Lt do begin
if ( c ∈ ) then
add 1 to the count of c inthe corresponding entry in else
add 1 to with a count of 1
end
end
Lk={c ∈ Ck / c.support ≥ min_sup}
end
L = Uk Lk ;
R=Generate_Rules(L)
Fin
FP-Growth [Han et al., 2000]
C’est un algorithme qui réalise la tâche après deux parcours de la base de données en
s’appuyant sur une structure d’arbre.
Le processus d’extraction de patterns se déroule en deux grandes étapes :
(1) la construction de l’arbre appelée FP-Tree (une représentation condensée de la
base de données) ;
(2) la génération des patterns fréquents à partir de cette structure, l’arbre FP-Tree.
La racine de l’arbre ne porte aucune information (‘null’), alors qu’un nœud autre que la
racine porte deux informations, l’Item qu’il représente et son support. Un index est
associé à l’arbre FP-Tree, et il contient tous les Items fréquents. A chaque Item est
associé un pointeur vers le premier noeud de l’arbre qui le contient.
Chapitre II : L’extraction de règles d’association - 39 -
La première étape qui consiste à construire l’arbre FP-Tree, se déroule comme suit :
(a) la base de données est parcourue pour calculer le support des Items. Les Items
fréquents sont générés dans un ensemble qu’on notera F 1 ;
(b) la base de données est parcourue une deuxième fois, et chaque transaction
(ensemble d’Items) est triée selon le support des Items de manière décroissante.
Chaque transaction t est représentée par sa tête p (l’Item le plus fréquent dans ce
panier) et par la queue Q (ensemble trié des Items moins fréquents que p). Pendant
le même parcours, pour chaque transaction, une fonction Insert(p,Q,T) procède
ainsi : Si la racine T a un noeud fils N tel que N.Item=t.p alors son support est
incrémenté, sinon un noeud fils N est créé avec un support égal à 1. Ensuite, on
affecte récursivement à p le premier Item de Q, et à Q le reste des Items, on vérifie
s’il existe un noeud N’ fils de N tel que N’.Item=t.p, si oui on incrémente son
support, sinon on créé un nouveau noeud N’ (fils de N) avec un support égal à 1.
Cette fonction est exécutée récursivement jusqu’à ce que Q soit vide.
Il faut noter que l’objectif de tri des Items (dans l’ordre décroissant de leur
fréquence) est de réduire la taille de l’arbre, ainsi les Items les plus fréquents seraient
partagés par les transactions.
Algorithme : FP-Growth
Début
Entrée :
L’arbre FP-Tree noté T
Seuil minimum de support min_s
Sortie :
Ensemble des Itemsets Fréquents : F(D,min_s)
FP-Growth (T, α)
Si T contient un seul chemin Alors
Pour chaque combinaison β des nœuds du chemin faire
Générer le pattern β U α avec support=support minimum des nœuds dans β
FinPour
Sinon
Pour chaque ai de l’index de T faire
Générer le pattern β = ai U α avec support = ai.support
Construire le pattern de base de β
Construire le FP-Tree conditionnel de β et l’affecter à T
FinPour
Si T ≠ Ø Alors FP-Growth (T,β)
Fin
Chapitre II : L’extraction de règles d’association - 40 Apriori [Agrawal et Srikant., 1994]
Cet algorithme fut une évolution dans l’histoire de l’extraction des règles
d’association. Il fonctionne selon le principe suivant :
(1) générer les Itemsets ;
(2) calculer les fréquences des Itemsets générés;
(3) garder les Itemsets qui ont un support minimum i.e. les Itemsets fréquents ;
(4) générer et ne garder que les règles avec une confiance minimale.
Apriori est plus efficient que AIS au niveau de la génération des Itemsets candidats,
du moment où il élague encore plus l’espace de recherche. Le dégagement des Itemsets
fréquents se fait sur deux étapes : tout d’abord, les Itemsets candidats sont générés,
ensuite la base de données est parcourue pour calculer les supports des candidats, et
accepter les candidats dont le support est supérieur au seuil minimum comme étant des
Itemsets fréquents. L’apport d’Apriori réside dans la génération des candidats. En effet,
un k-Itemset candidat n’est généré que si tous ses sous-ensembles de cardinal k-1 sont
fréquents. Cependant, Apriori «s’étouffe» sans aucun doute sur deux phases : la
génération des candidats qui est un processus complexe, et le calcul des supports des
Itemsets candidats qui nécessite plusieurs parcours de la base de données.
Algorithme : Apriori
Début
Entrée :
Base de données D
Seuil minimum de support min_s
Seuil minimum de confiance min_c
Sortie :
Ensemble des règles d’association R
F1 = 1-Itemsets fréquents;
Pour ( k=2; Fk-1≠Ø; k++ ) faire
Ck =Apriori_gen(Fk-1);
Pour ( chaque transaction t de D ) faire
Pour ( chaque candidat c de Ck ) faire
Si ( c est inclus dans t ) alors
c.support++ ;
Finsi
Finpour
Finpour
Fk={c∈Ck / c.support ≥ min_s} ;
Finpour
F = Uk Fk ;
R=Generer_Regles(F) ;
Fin
Chapitre II : L’extraction de règles d’association - 41 Discussion
Nous avons consulté des articles dont l’objet est l’étude comparative des algorithmes
d’extraction de motifs fréquents [Goethals et Van den Bussche, 2002], [Zaki et al.,
1997], [Hip et al., 2000]. Il est dit que l’application de ces algorithmes sur une même
base de données avec les mêmes seuils de support et de confiance, donne globalement
les mêmes résultats (les mêmes règles d’association). Ceci est dû au fait que les
algorithmes d’extraction de règles d’association sont tous plus ou moins proche l’un de
l’autre. Il en découle que la comparaison concerne seulement les performances des
algorithmes et non la qualité des résultats.
Nous avons constaté que ces études sont subjectives car les conclusions tirées ne sont
pas les mêmes. Cette subjectivité est due au fait que le même algorithme peut être
implémenté de plusieurs manières différentes d’où la différence de point de vue
performance et efficience.
Ceci
dit,
nous
présentons
ici
quelques
conclusions
se
rapportant
à
Apriori
communément tirées par les études que nous avons consultées, ceci du fait que cet
algorithme est communément jugé plus ou moins efficace par rapport aux autres :
Apriori parcourt la base de données k fois, k étant le cardinal du plus long Itemset
fréquent. Ceci entraîne beaucoup d’opérations d’entrée/sortie qui sont coûteuses. Il
faut noter aussi que dans le cas de bases de données volumineuses, Apriori met du
temps pour générer les Itemsets fréquents. En effet dans ce type de base de
données, le nombre d’Itemsets fréquents est très grand, ce qui augmente le coût de
la génération des Itemsets candidats et du calcul de leurs supports. En général,
lorsque le nombre d’Itemsets fréquents est grand, le coût d’extraction est élevé. Le
nombre d’Itemsets fréquents dépend du seuil minimum de support (plus le seuil est
petit, plus le nombre d’Itemset fréquent est grand) et du volume de la base de
données ;
Apriori est l’algorithme le plus approprié à l’exploration des bases de données. Sa
puissance réside dans son élagage, plus le minimum support est petit plus
l’élagage est faible.
Chapitre II : L’extraction de règles d’association - 42 -
II.4
Conclusion
Le processus de l’ECD biologiques adopté par notre système est composé de 7 étapes
majeures :
1ere étape : Sélection et prétraitement des données
A partir de la banque de donnée NCBI 1, il y a récupération des données biologiques
relatives aux souches ciblées par notre étude sous leurs formats originaux. Les souches
ciblées sont ceux dont l’annotation a été finie à savoir : Mt H37Rv, Mt CDC1551, Mt
F11, Mt H37Ra. Un nettoyage et une mise en forme sont effectués afin de dégager des
descripteurs « attributs » possibles.
2eme étape : Transformation des données
La transformation des données du format original vers un formalisme approprié est
faite et suivra alors une «binarisation».
3eme étape : Production et évaluation des règles d’association
La recherche des Itemsets et des règles d’association est faite par l’algorithme
Apriori [Agrawal et Srikant., 1994] avec calcul systématique du support et de la
confiance pour ne retenir que les règles ayant une confiance dépassant la valeur fixée
par l’utilisateur.
4eme étape : Transformation
Les règles d’association trouvées sont transformées puis représentées selon un
formalisme transitoire aidant à la production d’un graphe d’induction.
Ainsi la règle d’association R i se verra traduite en une règle booléenne transitoire selon
le principe suivant :
( R i , Antécédent i , Conséquent i , support , confiance )
( Rt i , Prémisse i ( Antécédent i ) , Conclusion i ( Conséquent i ) )
5eme étape : Production du graphe d’induction
Un graphe d’induction est construit selon le principe suivant : un sommet désigne un
nœud sur lequel on fait un test, avec les résultats possibles binaires ou à valeur
multiple.
1
http://www.ncbi.nlm.nih.gov/Database/
http://www.ncbi.nlm.nih.gov/genomes/genlist.cgi?taxid=2&type=0&name=Complete%20Bacteria
Chapitre II : L’extraction de règles d’association - 43 -
6eme étape : Production des règles cellulaires
(1) Génération des règles cellulaires : Elles sont déduites à partir du graphe d’induction et
auront la forme suivante:
Rck : Si { Prémissek } Alors { Conclusionk , Sommetk }
où Prémissek et Conclusionk sont composée d’Items et Sommetk le nœud du graphe d’où la
règle est déduite.
(2) Représentation cellulaire : Les règles générées auparavant (6.1) sont représentées en
couches cellulaires selon le principe cellulaire (voir III.3). Schématiquement nous aurons :
{ Rck }
REGLES
et
{ Prémissek , Conclusionk , Sommetk }
FAITS
7eme étape : Intégration
La machine cellulaire intégrera et exploitera la représentation cellulaire et les
matrices d’E/S à travers une inférence en chaînage avant pour enrichir la base de
connaissances.
Le chapitre suivant nous montrera le processus de génération et d’intégration des
règles booléennes par le système BRI. Ce processus commence à partir de l’étape 4, la
transformation et fini à l’intégration des résultats dans la base de connaissances.
Chapitre III : Modélisation booléenne des règles d’association - 44 -
Chapitre III.
Modélisation booléenne des règles d’association
Les règles d’association aident le spécialiste du domaine à interpréter ou expliquer certains
phénomènes biologiques liées à une pathologie donnée, comme par exemple la cooccurrence de
gènes liés. Mais pour un système d’inférence, ces règles ne se prêtent pas directement pour un
stockage dans sa base de connaissance. Pour cela, elles seront modélisées selon le principe adopté
par la machine cellulaire CASI [Atmani et Beldjilali, 2007], pour réduire la complexité de
stockage et le temps de réponse lors de leurs utilisations.
Le système BRI développé adopte la démarche suivante : transformation puis production de
règles booléennes inductives. Ainsi, les règles d’association sont prétraitées et transformées en
règles transitoires nécessaires à la création d’un graphe d’induction qui permettra de produire les
règles booléennes inductives dans une étape finale, et elles seront représentées en couches
cellulaires. Ainsi, BRI procède selon le principe schématisé par la Figure 3.1 suivante :
Règles d’association
Règles transitoires
Graphe d’induction
CIE (Cellular Inference Engine)
Règles Booléennes
Figure 3.1: Le système BRI (Boolean Rule Induction).
III.1 Le moteur d’inférence cellulaire : architecture et principe de
fonctionnement
Le module CIE (Cellular Inference Engine) simule le fonctionnement du cycle de base d’un
moteur d’inférence en utilisant deux couches finies d’automates finis. La première couche,
CELFAIT, pour la base des faits, et la deuxième couche, CELREGLE, pour la base de règles.
Chapitre III : Modélisation booléenne des règles d’association - 45 -
Chaque cellule au temps t+1 ne dépend que de l’état des ses voisines et du sien au temps t. Dans
chaque couche, le contenu d’une cellule détermine si et comment elle participe à chaque étape
d’inférence : à chaque étape, une cellule peut être active (1) ou passive (0), c’est-à-dire participe ou
non à l’inférence.
Atmani et Beldjilali (2007) ont supposés qu’il y a l cellules dans la couche CELFAIT, et r
cellules dans la couche CELREGLE. Toute cellule i de la première couche CELFAIT est considérée
comme fait établi si sa valeur est 1, sinon, elle est considérée comme fait à établir. Toute cellule j de
la deuxième couche CELREGLE est considérée comme une règle candidate si sa valeur est 1, sinon,
elle est considérée comme une règle qui ne doit pas participer à l’inférence.
Les états des cellules se composent de trois parties : EF, IF et SF, respectivement ER, IR et SR,
sont l’entrée, l’état interne et la sortie d’une cellule de CELFAIT, respectivement d’une cellule de
CELREGLE. L’état interne, IF d’une cellule de CELFAIT indique le rôle du fait : dans le cas d’un
graphe d’induction IF = 0 correspond à un fait du type sommet ( ), IF = 1 correspond à un fait du
type attribut=valeur ( ). Pour une cellule de CELREGLE, l’état interne IR peut être
utilisé comme coefficient de probabilité que nous n’aborderons pas dans ce mémoire.
Pour illustrer l’architecture et le principe de fonctionnement du module CIE, cœur du système
BRI, nous considérons la partie du graphe, extraite de l’article Benamina et Atmani (2008), obtenue
en utilisant les partitions , , et , , (voir Figure 3.2).
Base de connaissances
: Si alors ( é) et : Si alors ( ) et : Si alors ( ) et : Si alors ( ) et : Si alors ( ) et Figure 3.2. Les partitions , et .
Le Tableau 3.1 montre comment la base de connaissance extraite à partir de ce graphe
d’induction est représentée par les couches CELFAIT et CELREGLE. Initialement, toutes les
entrées des cellules dans la couche CELFAIT sont passives (EF = 0), exceptées celles qui
représentent la base des faits initiale (EF(1) = 1).
Les matrices d’incidence et ! représentent la relation entrée/sortie des Faits et sont utilisées
en chaînage avant. On peut également utiliser ! comme relation d’entrée et comme relation de
Chapitre III : Modélisation booléenne des règles d’association - 46 -
sortie pour lancer une inférence en chaînage arrière. Notez qu’aucune cellule du voisinage d’une
cellule qui appartient à CELFAIT (respectivement à CELREGLE) n’appartient pas à la couche
CELFAIT (respectivement à CELREGLE).
CELFAIT( Faits)
é
EF
1
0
0
0
0
0
0
0
0
0
0
IF
0
1
0
1
0
1
0
1
0
1
0
SF
0
0
0
0
0
0
0
0
0
0
0
CELREGLE
(Règles)
ER
IR
SR
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
Tableau 3.1 : Représentation Cellulaire de la base de connaissances de la Figure 3.2.
Le voisinage est introduit par la notion de matrice d’incidence. Dans le Tableau 3.2 sont
respectivement représentées les matrices d’incidence d’entrée R $ et de sortie R % de l’automate
cellulaire. La relation d’entrée, notée iR $ j, est formulée comme suit : (i ) *1, l-, (j ) *1, r-, si (le
Fait i ) à la Prémisse de la règle j) alors R $ /i, j0 1 1. De même la relation de sortie, notée iR % j,
est formulée comme suit : (i ) *1, l-, (j ) *1, r-, si (le Fait i ) à la Conclusion de la règle j) alors
R % /i, j0 1 1.
23
é
1
1
1
1
1
24
é
1
1
1
1
1
1
1
1
1
1
Tableau 3.2 : Les matrices d’incidences d’Entrée et de sortie ! pour la Figure 3.2.
Pour définir la dynamique du CIE, nous allons rappeler que le cycle de base d’un moteur
d’inférence, pour établir un fait F en chaînage avant, fonctionne traditionnellement comme suit :
Recherche des règles applicables (évaluation et sélection) ;
Choisir une parmi ces règles, par exemple R (filtrage) ;
Appliquer et ajouter la partie conclusion de R à la base des faits (exécution).
Le cycle est répété jusqu’à ce que le fait F soit ajouté à la base des faits, ou s’arrête
lorsqu’aucune règle n’est applicable.
Chapitre III : Modélisation booléenne des règles d’association - 47 -
La dynamique de l’automate cellulaire CIE, est assurée par deux fonctions de transitions δ5678 et
δ9:;< , où δ5678 correspond à la phase d’évaluation, de sélection et de filtrage, et δ9:;< correspond à
la phase d’exécution.
la fonction de transition =>?@A :
DEFGH
/
B, CB, B, , C, 0 IJJK /
B, CB, B, L / M N B0, C, 0
la fonction de transition =OPQR :
D
STUV
WWWW 0
/
B, CB, B, , C, 0 IJJK /
B L /! N 0, CB, B, , C, Où la matrice M désigne la transposé de la matrice .
Nous
considérons
X la
configuration
initiale
de
l’automate
cellulaire
DEFGH
et,
que
DSTUV
Y =OPQR ° =>?@A la fonction de transition globale : Y/X 0 X si X IJJK X′ et X′ IJJK X
Supposons que X X , X , … , X[ est l’ensemble des configurations de notre automate cellulaire.
L’évolution discrète de l’automate, d’une génération à une autre, est définie par la séquence X ,
X , ..., X[ , où X\ Y/X 0.
III.2 La modélisation booléenne
Les règles d’association produites sont transformées selon le principe suivant :
les Items de Antécédent vont servir à constituer la Prémisse de la règle ;
les Items de Conséquent vont servir à créer la Conclusion de la règle.
Les règles transitoires sont stockées dans une base de données qui servira à produire le graphe
d’induction selon le principe suivant : un sommet désigne un nœud sur lequel on fait un test avec
les résultats possibles, binaires ou multivalués. Ainsi, le graphe d’induction permettra de produire
les règles cellulaires ( Rc ) sous la forme :
Rci : Si
Premissei Alors
Conclusioni
Avec une représentation cellulaire selon le principe suivant :
les Items des Premissei et des Conclusioni vont constituer les faits : CELFAIT ;
les Rci vont constituer les règles : CELREGLE.
Ces règles produites seront intégrées dans la base de connaissance de CIE pour exploitation en
inférence.
Chapitre III : Modélisation booléenne des règles d’association - 48 -
Règle
R1
R2
…..
Antécédent
Conséquent
aceA-2=1
pstS-3=1
….
pstS-3=1
Aacd=1
………..
Support %
Confiance %
45
60
……
77
80
……
Rt1 : Si aceA-2=1
Alors pstS-3=1
Rt2 : Si pstS-3=1 , aacd= 1 Alors rpsG=1, aroK=1
….
Graphe d’induction
Rc1 : Si {s0} Alors {pstS-3=1, s1}
Rc2 : Si {s0} Alors {rpsG=1, aroK=1, s2}
……
CELFAIT
EF
FAITS
IF SF
s0
1
0
0
pstS-3=0
......
0
......
1
.....
0
.....
RE
Rc1
Rc2
s0
1
1
pstS-3=1
........
0
....
0
...
.....
...
CELREGLE
REGLES
ER IR SR
R1
......
0
.....
1
...
….
RS
Rc1
Rc2
s0
0
0
pstS-3=1
.....
1
...
0
...
1
.....
...
Figure 3.3 : Illustration du principe d’induction des règles booléennes
inductives par BRI.
III.3 Exemple d’illustration d’induction des règles booléennes
Le processus général que notre système d’apprentissage applique à un échantillon est illustré par
un exemple à partir de la 3eme étape du processus de l’ECD adopté (Chapitre II-Section 4). Nous
supposons avoir obtenu les 3 règles d’association suivantes, avec les gènes suivants : aceA-2, asd,
pstS-3, rpsG, aroK, argC, et phhB.
3eme étape : Production et évaluation des règles d’association
Règle
R1
R2
R3
Antécédent
aceA-2=1
asd=1
aceA-2=1, phhB=1
Conséquent
pstS-3=1
rpsG=1, aroK=1
argC=1
Support %
45 %
80 %
45 %
Confiance %
77 %
90 %
70 %
Chapitre III : Modélisation booléenne des règles d’association - 49 4eme étape : Transformation
Règle
Rt1
Rt2
Rt3
Prémisse
aceA-2=1
asd=1
aceA-2=1, phhB=1
Conclusion
pstS-3=1
rpsG=1, aroK=1
argC=1
5eme étape : Production du graphe d’induction
s0
aceA-2
nul
s2
pstS-3=1
asd
s1
phhB
argC=1
S4
rpsG=1, aroK=1
s3
6eme étape : Production des règles cellulaires ( Rci )
Génération des règles cellulaires
Rc1 : Si {s0 } Alors {pstS-3=1, s1 }
Rc2 : Si {s0 } Alors {nul, s2 }
Rc3 : Si {s1 } Alors {argC=1, s3 }
Rc4 : Si {s2 } Alors {rpsG=1, aroK=1, s4 }
Représentation des règles cellulaires
Les règles cellulaires extraites à partir du graphe (5eme étape) sont représentées par les
couches CELFAIT et CELREGLE et les matrices d’E/S.
Les couches cellulaires de l’automate cellulaire CASI
(1) La couche CELFAIT
FAITS
s0
pstS-3=1
s1
nul
s2
argG=1
s3
rpsG=1
aroK=1
S4
EF
1
0
0
0
0
0
0
0
0
0
CELFAIT
IF
SF
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
1
0
0
0
(2) La couche CELREGLE
REGLES
Rc1
Rc2
Rc3
Rc4
CELREGLE
ER IR
SR
0
1
1
0
1
1
0
1
1
0
1
1
Chapitre III : Modélisation booléenne des règles d’association - 50 -
(3) La matrice d’incidence d’entrée
RE(relation d’entrée)
RE
s0
pstS-3=1
s1
nul
s2
argC=1
s3
rpsG=1
aroK=1
S4
Rc1
1
0
0
0
0
0
0
0
0
0
Rc2
1
0
0
0
0
0
0
0
0
0
Rc3
0
0
1
0
0
0
0
0
0
0
Rc4
0
0
0
0
1
0
0
0
0
0
(4) La matrice d’incidence de sortie
RS(relation de sortie)
RS
s0
pstS-3=1
s1
nul
s2
argC=1
s3
rpsG=1
aroK=1
S4
Rc1
0
1
1
0
0
0
0
0
0
0
Rc2
0
0
0
1
1
0
0
0
0
0
Rc3
0
0
0
0
0
1
1
0
0
0
Rc4
0
0
0
0
0
0
0
1
1
1
Pour CELFAIT
A l’état initial :
Si cellule (i)
base de faits initiale : fait déjà établi
Alors
EF(i)=1.
Si cellule (i) ∉ base de faits initiale : fait à établir
Alors
EF(i)=0.
Si un fait est du type attribut = valeur
Alors
IF(i)=1.
Si un fait est du type sommet
Alors
IF(i)=0.
Pour CELREGLE
Si cellule(i) =1 Alors
Ri candidate i.e. participe à l’inférence
Si cellule(i) =0 Alors
Ri non candidate i.e. ne participe pas à l’inférence
Pour la matrice d’entrée RE :
Si faiti ∈ à Prémisse de Rj
Alors RE(i,j) =1
Pour la matrice de sortie RS :
Si faiti ∈ à Conclusion de Rj Alors RS(i,j) =1
III.4 La dynamique du moteur d’inférence cellulaire
La dynamique de l’automate cellulaire CIE, pour simuler le fonctionnement d’un Moteur
d’Inférence, utilise deux fonctions de transitions δ5678 et δ9:;< , où δ5678 correspond à la phase
d’évaluation, de sélection et de filtrage, et δ9:;< correspond à la phase d’exécution.
(1) Évaluation, sélection et filtrage (application de δ5678 )
DEFGH
/
B, CB, B, , C, 0 IJJK /
B, CB, B, L / M N B0, C, 0
(2) Exécution (application de δ9:;< )
D
STUV
WWWW 0
/
B, CB, B, , C, 0 IJJK /
B L /! N 0, CB, B, , C, Chapitre III : Modélisation booléenne des règles d’association - 51 -
Nous montrons une simulation sur CELFAIT et CELREGLE de l’exemple illustré auparavant,
en considérant que ^_ est la configuration initiale de l’automate cellulaire
`_
FAITS
s0
pstS-3=1
s1
nul
s2
argG=1
s3
rpsG=1
aroK=1
S4
EF
1
0
0
0
0
0
0
0
0
0
CELFAIT
IF
SF
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
1
0
0
0
REGLES
CELREGLE
ER
IR SR
0
1
1
0
1
1
0
1
1
0
1
1
Rc1
Rc2
Rc3
Rc4
DEFGH
(1) Application de : /
B, CB, B, , C, 0 IJJK /
B, CB, B, L / M N B0, C, 0
FAITS
s0
pstS-3=1
s1
nul
s2
argG=1
s3
rpsG=1
aroK=1
S4
EF
1
0
0
0
0
0
0
0
0
0
CELFAIT
IF
SF
0
1
1
0
0
0
1
0
0
0
1
0
0
0
1
0
1
0
0
0
REGLES
CELREGLE
ER IR
SR
1
1
1
1
1
1
0
1
1
0
1
1
Rc1
Rc2
Rc3
Rc4
D
STUV
WWWW 0
(2) Application de : /
B, CB, B, , C, 0 IJJK /
B L /! N 0, CB, B, , C, `a
FAITS
s0
pstS-3=1
s1
nul
s2
argG=1
s3
rpsG=1
aroK=1
S4
EF
1
1
1
1
1
0
0
0
0
0
CELFAIT
IF
SF
0
1
1
0
0
0
1
0
0
0
1
0
0
0
1
0
1
0
0
0
REGLES
CELREGLE
ER IR
SR
1
1
0
1
1
0
0
1
1
0
1
1
Rc1
Rc2
Rc3
Rc4
(3) Application de la fonction de transition globale Y =OPQR ° =>?@A
La machine cellulaire passe de ^a à ^b
DEFGH
DSTUV
avec Y/X 0 X si X IJJK X′ et X′ IJJK X
Chapitre III : Modélisation booléenne des règles d’association - 52 -
`b
FAITS
s0
pstS-3=1
s1
nul
s2
argG=1
s3
rpsG=1
aroK=1
S4
EF
1
1
1
1
1
1
1
1
1
1
CELFAIT
IF
SF
0
1
1
1
0
1
1
1
0
1
1
0
0
0
1
0
1
0
0
0
REGLES
CELR
CELREGLE
ER IR
SR
1
1
0
1
1
0
1
1
0
1
1
0
Rc1
Rc2
Rc3
Rc4
Le cycle s’arrête car aucune règle n’est applicable.
III.5 Conclusion
Deux motivations concurrentes nous ont amenés à adopter
adopt le principe des automates cellulaires
cellulaire
pour les systèmes à base de règles d’association. En effet, nous avons non seulement souhaité avoir
une base de règles booléenne optimale, mais nous avons également souhaité améliorer la gestion
des connaissances par le moteur d’inférence cellulaire CIE.
Quand il s’agit de l’induction booléenne des règles d’association, nous devons impérativement
passer par les étapes suivantes :
1) Importer dans BRI les règles d’association produite par la fouille de données ;
2) Transformer les règles d’association importées en règles transitoires selon un format simplifié
aidant à l’étape suivante ;
3) Produire un graphe, à partir des règles transitoires, qui permet de générer des règles
cellulaires ;
4) Produire les règles cellulaires à partir du graphe induit ;
5) Représenter ces règles cellulaires selon le
le principe de la machine CASI (CELFAIT,
CELREGLE, RE, RS).
Les inférences du moteur CIE dans BRI se résume comme suit :
Initialisation de la BC par automate cellulaire : Cela revient à initialiser les couches CELFAIT
et CELREGLE et générer les matrices d’incidences
et
;
Inférence des règles en avant : C’est le rôle du CIE ; Pour déduire les faits buts le module
d’inférence utilise les fonctions de transition
et
;
Chapitre III : Modélisation booléenne des règles d’association - 53 -
Inférence des règles en arrière : C’est le rôle du même CIE ; Pour induire les faits hypothèses
le module d’inférence utilise les mêmes fonctions
fonctions de transition
permutant les deux matrices d’incidences
d’entrée et
et
mais en
de sortie.
Les avantages de ce principe booléen basé sur l’automate cellulaire peuvent être récapitulés selon
Benamina et Atmani (2008) comme suit :
La représentation de la connaissance ainsi que son contrôle sont simples, sous forme de
matrices binaires exigeant un prétraitement minimal ;
La facilité de l’implémentation des fonctions de transition
et
qui sont de basse
complexité, efficaces et robustes
robu
pour des valeurs extrêmes ;
Les résultats sont simples pour être insérés et utilisés par un système expert ;
La matrice d’incidence, RE, facilite la transformation de règles dans des expressions
équivalentes booléennes, qui nous permet d’utiliser l’algèbre de Boole élémentaire pour
examiner d’autres simplifications.
Chapitre IV : Conception et expérimentation du système BIODM - 54 -
Chapitre IV.
Conception et expérimentation du système BIODM
Une étude préalable des caractéristiques des séquences biologiques était nécessaire
afin de comprendre les mécanismes régissant la structure et le contenu des fichiers des
séquences, et poser par la suite des hypothèses de travail quant aux données (séquences)
utilisées. Cette étude a permis donc de dégager des éléments importants, tels que les
attributs, les types de données utilisés, la taille, etc. Ces éléments aident à structurer
les données nécessaires au futur système.
IV.1
Etude et choix des données biologiques pour expérimentation
Nous avons fait une étude des caractéristiques des séquences des souches du
Mycobacterium Tuberculosis à travers les gènes et protéines associées. Cette étude a
permis de cibler les données à importer (voir Tableau 0.2), de la banque de données
NCBI, et qui pourraient réellement faire profiter notre expérimentation. Pour cela, nous
avons utilisé les souches complètement annotées (voir Figure 0.2).
Ensuite, nous avons pris en considération non seulement les gènes mais aussi les
protéines. Il s’agit en fait d’augmenter le gisement de données afin d’obtenir des
connaissances diversifiées et potentiellement utiles au spécialiste du domaine.
1er aspect d’étude : les gènes
La pathogénicité s’exprime par les gènes responsables de l'invasion. Les gènes qui
codent pour des toxines impliquées dans les transferts horizontaux (gènes de virulence),
co-régulés, sur exprimés, ou sous exprimés sont autant de cibles potentiels pour étudier
cet aspect. De ce fait, une étude de la structure du fichier des gènes a été faite afin de
savoir les nettoyer pour ne garder que les données informatives et les exploiter, tels que
le nom du gène, son identifiant, etc.
2eme aspect d’étude : les protéines
D’après la structure des protéines, il est constaté que beaucoup s'organisent en
domaines ayant une structure et remplissant des fonctions diverses dont celles de la
virulence ou la résistance à certains antibiotiques. Une étude des fichiers des protéines a
été faite afin de déterminer les données élémentaires à prendre en considération dans
notre processus d’ECD, à savoir le nom de la protéine, son code, sa localisation, etc.
Chapitre IV : Conception et expérimentation du système BIODM - 55 3eme aspect d’étude : les RDs et MIRUs
La génomique comparative a montré l’utilité des MIRUs en tant qu’éléments qui
renseignent beaucoup sur les souches bactériologiques, et aussi l’existence des RDs
« Région de Différence », qui sont présentes chez une souche et absentes chez une
autre, ces régions codent pour de petites protéines qui appartiennent à des familles
reconnues par leurs virulences [Yokoyama et al., 2007]. Dès lors, ces familles de
protéines sont très intéressantes du point de vue préventif (antigène protecteur) et
thérapeutique (cibles de médicaments). Une confirmation a été faite récemment que les
gènes de ces régions RDs pourraient être impliqués dans la virulence du Mycobacterium
Tuberculosis [Ferdinand et al., 2004]. Donc, les données sur les RDs et MIRU sont très
intéressantes, néanmoins, elles sont écartées de notre étude à cause de la complexité de
ces types de données, qu’il faudra étudier en profondeur, et aussi de la non disponibilité
des données à l’état brut en quantités suffisantes dans les banques de données
biologiques.
IV.2
Architecture du système BIODM ( BIOlogical Data Mining)
Notre système est composé de deux grands modules, le premier produit des règles
d’association et les transmet au deuxième module (BRI) pour générer des règles
booléennes.
Boolean Rules Induction
NCBI
……
Graphe d’induction
Séquences
génomiques
Séquences
protéiques
Données
structurées
Règles
d’association
Règles.
Transitoires
CASI
Knowledge
Base
CELFACT
REGLES
RD
CELRULE
MIRU
Sélection,
Prétraitement
FAITS
Transformation
Production Transformation
Evaluation.
Production
Graphe
d’induction
Production de
règles cellulaires
Figure 4.1: Architecture du système BIODM.
Intégration
Chapitre IV : Conception et expérimentation du système BIODM - 56 -
Le système BIODM fonctionne selon les 7 principales étapes suivantes :
1ere étape : Sélection et prétraitement des données
Récupération des données biologiques relatives aux souches concernées par notre
étude, sous leurs formats originaux, à partir de la banques de données biologiques
NCBI, avec nettoyage et mise en forme de celles-ci (voir Tableau 0.2).
2eme étape : Transformation des données
Transformation des données du format original vers un formalisme base de données.
3eme étape : Production et évaluation des règles d’association
Recherche des Itemsets et des règles d’association par
l’algorithme Apriori. Les
règles d’association auront le formalisme suivant :
( Ri , Antécédenti , Conséquenti , support , confiance)
4eme étape : Transformation des règles d’association
Transformation des règles d’association selon un formalisme transitoire aidant à la
production d’un graphe d’induction. Les règles transformées auront le formalisme
suivant :
( Rt i , Prémisse i , Conclusion i )
5eme étape : Production du graphe d’induction
Production d’un graphe d’induction aidant à la génération des règles booléennes
inductives.
6eme étape : Production des règles cellulaires
Génération des règles cellulaires ( Rc ) à partir du graphe d’induction. Elles auront la
forme suivante :
Rc k : Si { Prémisse k } Alors { Conclusion k , Sommet k }
Elles seront représentées selon le formalisme cellulaire. (Chapitre III-Section2).
7eme étape : Intégration
Enfin, on intégrera les règles générées dans la machine cellulaire CASI qui les
exploitera à travers une inférence en chaînage avant pour enrichir sa base de
connaissances.
Chapitre IV : Conception et expérimentation du système BIODM - 57 -
IV.3
Le processus de l’ECD biologiques
Le processus de fouille de données adopté par notre système suivra les 7 étapes
majeures définies auparavant:
1ère étape : Sélection et prétraitement des données
A cette étape, nous récupérerons les séquences génomiques et protéiques des souches
concernées par l’expérimentation, à partir la banque de données NCBI 1 (National Center
for Biotechnology Information). Pour le choix des souches cibles, nous nous sommes
fixés dans un premier temps sur les souches pathogènes dont l’annotation a été finie à
savoir : Mt H37Rv, Mt CDC1551, Mt F11, Mt H37Ra (voir Tableau 0.2). Par la suite les
autres souches (voir Tableau 0.3) peuvent êtres prises en compte au fur et à mesure de
leurs complètes annotations.
Ensuite, un prétraitement nécessaire est effectué pour l’épuration, la préparation, et
le formatage des données afin de les rendre exploitables lors de l’expérimentation. Les
données brutes utilisées sont constituées de plusieurs fichiers sous le format original i.e.
texte brut. Cette étape de prétraitement utilise le pseudo code suivant :
Algorithme : Pretraitment_sequence
Début
Entrée :
le fichier des gènes (fichier_gene)
Sortie :
le fichier des gènes nettoyé (fichier_gene_nettoyé)
Variables : ligne, sous_chaine ,code_gene, nom_gene, nom_souche, Crochet1, Crochet2 : chaîne
taille, pos1, pos2 : entier
Crochet1="[" , Crochet2="]"
Lire (fichier_gene)
Tant que (NFF fichier_gene ) faire
Si ( ligne[0] = chiffre ) alors
code_gene =trouver_code_gene(ligne_courante)
ecrire_fichier(fichier_gene_nettoyé ,code_gene
Sinon
sous_chaine=ligne(debut,5)
Si ( sous_chaine # "Other" et sous_chaine # "Annot" et sous_chaine #"This") alors
pos1=trouver_ligne(ligne,Crochet1)
pos2=trouver_ligne(ligne,Crochet2)
nom_gene=trouver_gene(ligne,pos1)
nom_souche=trouver_souche(ligne,pos1,pos2)
ecrire_fichier(fichier_gene_nettoyé ,nom_gene)
ecrire_fichier(fichier_gene_nettoyé ,nom_souche)
Finsi
Finsi
FinTant que
Fermer_fichier(fichier_gene)
Fermer_fichier(fichier_gene_nettoyé)
Fin
1
http://www.ncbi.nlm.nih.gov/Database/
http://www.ncbi.nlm.nih.gov/genomes/genlist.cgi?taxid=2&type=0&name=Complete%20Bacteria
Chapitre IV : Conception et expérimentation du système BIODM - 58 -
Les Figures 4.2, et 4.3 montrent (en flèche) sur quelques morceaux de fichiers, les
descripteurs les plus importants dans la définition d’une séquence biologique.
1: aac
aminoglycoside 2-N-acetyltransferase [Mycobacterium Tuberculosis CDC1551]
Other Aliases: MT0275
Annotation: NC_002755.2 (314424..314969, complement)
GeneID: 923198
………...
4257: tRNA-Arg-4
tRNA [Mycobacterim Tuberculosis CDC1551]
Annotation: NC_002755.1 (4209177..4209249, complement)
GeneID: 922623
This record was discontinued.
…………….
Figure 4.2 : Morceaux de la séquence génomique du Mt CDC1551.
1: AAK44224
chromosomal replication initiator protein DnaA [Mycobacterium Tuberculosis CDC1551]
gi|13879042|gb|AAK44224.1|[13879042]
2: AAK44225
DNA polymerase III, beta subunit [Mycobacterium Tuberculosis CDC1551]
gi|13879043|gb|AAK44225.1|[13879043]
………………………
7880: NP_338144
virulence factor mce family protein [Mycobacterium Tuberculosis CDC1551]
gi|15843107|ref|NP_338144.1|[15843107]
………………
Figure 4.3 : Morceaux de séquence protéique du Mt CDC1551.
2ème étape : Transformation des données
La transformation des données, du format original vers un formalisme base de données (attribut,
valeur), est faite à partir des descripteurs possibles dégagés auparavant. Cependant, les
caractéristiques dégagées n’ont pas des valeurs binaires, ce qui nécessitera une opération de
« binarisation » afin que les algorithmes d'extraction de règles puissent les traiter. Il y a évidemment
de très nombreuses manières d'effectuer cette "binarisation", celle adoptée par notre processus est
de vérifier la présence ou non du gène ou de la protéine dans les séquences en question. Ainsi, un
gène présent sera noté "1" et absent par "0". On peut aussi proposer de choisir d’autres valeurs,
néanmoins nous pouvons dire que cette étape de prétraitement est longue, complexe, et nécessite de
Chapitre IV : Conception et expérimentation du système BIODM - 59 -
faire de nombreux choix.
De plus, il est difficile de déterminer dans quelle mesure ces choix ont une influence sur le
résultat des extractions de connaissances. Les traitements de cette étape sont décrits par le pseudo
code suivant :
Algorithme : Transformation
Début
Entrée :
fichier des gènes nettoyé (fichier_gene_nettoyé)
Sortie :
table des gènes (T_gene)
chaine ligne_courante
Lire (fichier_gene_nettoyé)
Tant que (NFF fichier_gene_nettoyé) faire
Cas de ( lig )
lig =1 : xcode=ligne_courante , lig=2
lig =2 : xgene=ligne_courante , lig=3
lig =3 : xsouche=ligne_courante , lig=1
Fin cas
ecrire_table(T_gene, xcode,xgene, xsouche)
Fin Tant que
Fermer_fichier(fichier_gene_nettoyé)
Fermer_table(T_gene)
Fin
3ème étape : Production et évaluation des règles d’association
Production.
Cette phase concerne l'utilisation de l’algorithme d'extraction de motifs sur les
données préparées pendant l'étape précédente. Dans cette phase, l'utilisateur doit définir les
contraintes sur ces motifs et fixer les paramètres de l’algorithme i.e. support et confiance. Cette
définition des contraintes est importante car souvent l'ensemble des motifs possibles est tellement
grand qu'il n'est pas calculable, il faut donc le restreindre.
L’algorithme Apriori est alors utilisé pour rechercher les Itemsets. Ensuite un traitement approprié
est effectué sur les Itemsets valables afin de trouver les règles d’association par une opération de
combinaison.
Evaluation. La production des règles d'association peut donner des règles non intéressantes, il
est donc nécessaire d'évaluer leurs qualités. Cette évaluation sera faite en utilisant la confiance et le
support pour ne retenir que les règles dont le support et la confiance dépassent les seuils fixés par
l’utilisateur.
Il existe aussi d’autres méthodes d’évaluation qui viennent renforcer le choix des règles
produites. Ces méthodes utilisent des fonctions d’évaluations, elles ne sont pas abordées dans le
cadre de cette étude.
A un autre niveau, l’évaluation du spécialiste est nécessaire. En effet, les algorithmes
Chapitre IV : Conception et expérimentation du système BIODM - 60 -
d'extraction de motifs fréquents ou de construction de modèles permettent de découvrir des
propriétés sur les données. Néanmoins, ces propriétés ne peuvent être considérées comme de
nouvelles connaissances tant qu'elles n'ont pas été interprétées et validées par un expert du domaine.
Ces propriétés découvertes par les algorithmes peuvent être non intéressantes, incomplètes voir
même provenir d'erreurs dans les données, mais seul le spécialiste du domaine saura les interpréter.
Les traitements de cette étape sont décrits par le pseudo code suivant :
Algorithme : Production des règles d’association
Début
Entrée :
table des gènes (T_gene)
Sortie :
fichier des règles d’association (fichier_RA)
fichier_RA = Apriori (T_gene)
Fermer_fichier(fichier_RA )
Fermer_table(T_gene)
Fin
4eme étape : Transformation des règles d’association
Les règles trouvées sont transformées par élagage de toutes les informations inutiles puis
représentées selon un formalisme transitoire aidant par la suite à la production d’un graphe
d’induction, nécessaire au passage à une modélisation par le principe booléen. Une règle
d’association Ri se verra traduite en une règle transitoire Rti selon le schéma suivant :
( Ri , Antécédenti , Conséquenti , support , confiance)
Rti , { Prémissei ( Antécédenti ) } , { Conclusioni ( Conséquenti ) }
Les traitements de cette étape sont décrits par le pseudo code suivant :
Algorithme : Transformation_RA
Début
Entrée :
fichier des règles d’association ( fichier_RA )
Sortie :
fichier des règles transitoires ( fichier_RT )
chaine ligne_courante
Lire (fichier_RA)
Tant que (NFF fichier_RA) faire
Num_regle= extraire_num_regle(ligne_courante)
Prémisse= extraire_antecedent(ligne_courante)
Conclusion= extraire_conclusion(ligne_courante)
ecrire_fichier(Fichier_RT, Num_regle, Prémisse, Conclusion)
Fin Tant que
Fermer_fichier(fichier_RA)
Fermer_fichier(fichier_RT)
Fin
Chapitre IV : Conception et expérimentation du système BIODM - 61 5eme étape : Production du graphe d’induction
Les règles transitoires vont aider à construire un graphe d’induction par un traitement approprié
selon le principe suivant : un sommet désigne un nœud sur lequel on fait un test, avec les résultats
possibles binaires ou multivalués. L’algorithme suivant en pseudo code illustre la production de ce
graphe. Les traitements de cette étape sont décrits par le pseudo code suivant :
Algorithme : Création_Graphe
Début
Entrée :
fichier des règles transitoire (Fichier_RT)
Sortie :
fichier du graphe (Fichier_Graphe)
Chaine sommet1, sommet2
Fichier intermédiaire ( Fichier_inter)
Lire (fichier_RT)
Tant que (NFF Fichier_RT) faire
P=Extraire_ prémisse (ligne_courante)
C=Extraire_conclusion (ligne_courante)
ecrire_fichier (fichier_inter, P, " ", C, " ")
Fin tantque
Initialiser_graphe (Fichier_Graphe)
Lire (fichier_inter)
Tant que (NFF fichier_inter) faire
Sommet1=Calculer_noeud_depart (P)
Sommet2=Calculer_noeud_arrivée (C)
ecrire_noeud_graphe (sommet1, sommet2)
Fin tantque
Effacer (Fichier_inter)
Fermer (Fichier_RT)
Fermer (Fichier_Graphe)
Fin
6eme étape : Production des règles cellulaires
(1) Génération des règles cellulaires
A partir du graphe d’induction, on produira les règles cellulaires sous la forme :
Rck : Si { Prémissek } Alors { Conclusionk , Sommetk }
où Prémissek et Conclusionk sont composées des Items de la règle d’association, et Sommetk
le nœud du graphe d’où est produite la règle cellulaire.
(2) Représentation cellulaire
Les règles générées auparavant (étape 6.1) sont représentées en couches cellulaires. Les
Items des Prémissek , des Conclusionk et les Sommetk vont constituer les faits (CELFAIT) et
les Rck vont constituer les règles (CELREGLE).
Schématiquement nous aurons :
{ Rck }
CELREGLE
et
{ Prémissek , Conclusionk, , Sommetk }
CELFAIT
Chapitre IV : Conception et expérimentation du système BIODM - 62 -
avec k 1, n. Ces ensembles seront représentés sous le format de couches cellulaires
suivant :
Les couches CELFAIT et CELREGLE
CELFAIT
Fait1
……
Faitsn
EF
1
0
......
FAITS
IF SF
0
0
1
0
..... .....
CELREGLE
R1
R2
REGLES
ER IR SR
0
1
1
.....
...
.....
Les traitements de cette étape sont décrits par le pseudo code suivant :
Algorithme : Production des règles cellulaires
Début
Entrée :
fichier graphe (Fichier_Graphe)
Sortie :
le fichier des faits (fichier_fait)
le fichier des regles (fichier_regles)
les fichiers CELFAIT, CELREGLE, RE, RS
Lire (Fichier_Graphe)
Pour chaque nœud
Sommet=nœud
Suc = extraire_Suc (nœud)
val = extraire_val (Suc)
ecrire_fait (fichier_fait , sommet, val, suc, type)
ecrire_regle (fichier_regles, sommet_noeud, val, Suc)
Fin pour
Pour chaque regle
Fait=Extraire_fait (regle)
type=Calculer_ type (Fait)
Si (type=valeur) Alors if = "1" Fin si
Si (type=sommet) Alors if = "0" Fin si
Si (fait="s0") Alors ef = "1" Sinon ef= "0" Fin si
Ecrire_CELFAIT (Fait, if, ef, "0")
Num_regle=Extraire_num_regle (regle)
Ecrire_CELREGLE (Num_regle, "0","1","1" )
Fin Pour
Pour chaque fait
type=Extraire_ type (fait)
num_regle=Extraire_num_regle (fait)
Si (type="Prémisse") Alors Re = "1" sinon Re="0" Fin si
Ecrire_RE (fait, num_regle, Re)
Si (type="Conclusion") Alors Rs = "1" sinon Rs="0" Fin si
Ecrire_RS (fait, num_regle, Rs)
Fin Pour
Fermer_fichier Fichier_Graphe, fichier_fait , fichier_regles , CELFAIT, CELREGLE, RE, RS
Fin
Chapitre IV : Conception et expérimentation du système BIODM - 63 7eme étape : Intégration
La machine cellulaire intégrera et exploitera la représentation cellulaire et les matrices d’E/S à
travers une inférence en chaînage avant (recherche des règles applicables, choix d’une règle à
appliquer, ajouter la conclusion à la base de faits pour enrichir la base de connaissances).
La dynamique de la machine cellulaire utilise les deux fonctions de transition citées auparavant
(Chapitre III – Section 1), à savoir :
La fonction de transition δfact :
δfact (EF, IF, SF, ER, IR, SR) = (EF, IF, EF, ER+(RET.EF), IR, SR)
La fonction de transition δrule :
δrule (EF, IF, SF, ER, IR, SR) = (EF+(RS.ER), IF, SF, ER, IR, ^ER)
Nous considérons G0 la configuration initiale de notre machine cellulaire et que ∆=δrule ° δfact la
fonction de transition globale : ∆(G0)=G1 si δfact(G0)=G’0 et δrule(G’0)=G1. Supposons que G={G0,
G1, ….,Gq} est l’ensemble des configurations de la machine cellulaire. L’évolution discrète de la
machine d’un génération à une autre est définie par la séquence G0, G1, ….,Gq, où Gi+1 =∆(Gi).
IV.4 Le logiciel réalisé
IV.4.1 Présentation fonctionnelle du logiciel
Le logiciel que nous avons réalisé permet de produire des règles d’association, ensuite celles-ci
subiront un post-traitement pour produire des règles booléennes inductives, ceci bien entendu avec
une visualisation des résultats. Le schéma que nous présentons montre les fonctionnalités sans pour
autant fixer une quelconque chronologie dans les opérations. Ce schéma représente les principales
classes java et les différentes interactions possibles entre elles, i.e. une classe supérieure
(schématiquement) interagit avec les classes subordonnées à l’aide de fonctions ou procédures
internes. Les classes de moindres importances ne seront pas explicitées pour présenter un schéma
simplifié et compréhensible.
Chapitre IV : Conception et expérimentation du système BIODM - 64 -
BIODM
Frame.One
Experiment
Explore_
Biological_Data
Association_
Rules_Procedure
s
Data_Base_
Procedures
Graph_Induction_ Cellular_Rules_
Generation
Creation
Save_
Experiment
Figure 4.4 : Architecture fonctionnelle du système BIODM.
IV.4.2 Les différentes classes
(1) Classe BIODM
C’est la classe qui lance toute l’application. Elle ne contient qu’une instance de la
classe FRAME_ONE.
(2) Classe FRAME_ONE
C’est la fenêtre principale du programme. Elle contient trois panels (Selection_Panel,
Panel1, Panel2) et une barre de menu. Toutes les opérations passent par celle-ci. C’est
la classe la plus importante du système car elle gère toutes les opérations sur les
séquences biologiques par le biais de la barre de menu. Elle contient trois Jtable avec
scrollbars et permet l’affichage des résultats de l’expérimentation.
(3) Classe EXPLORE_BIOLOGICAL_DATA
Elle permet de visualiser les données expérimentales (séquences biologiques) pour
une possible vérification ou pour simple lecture des données avant sélection de celles-ci
par l’utilisateur.
(4) Classe EXPERIMENT
C’est la classe qui permet de démarrer l’expérimentation à l’aide d’une boite de
dialogue qui
permet
l’expérimentation.
à l’utilisateur de
sélectionner les
fichiers
choisis
pour
Chapitre IV : Conception et expérimentation du système BIODM - 65 (5) Classe ASSOCIATION_RULES _PROCEDURES
C’est la classe qui contient toutes les méthodes de production des règles
d’association telles que la recherche des Itemsets, calcul de fréquence, calcul de
support. Elle permet la recherche des règles d’association. Elle fait appel à ses propres
méthodes et à celles
stockées dans la classe DATA_BASE_PROCEDURES. Cette
classe fait aussi appel à une méthode Visualisation_Regles, qui permet de présenter à
l'utilisateur les règles d'association obtenues, sous une forme textuelle. Une possibilité
de validation des règles est offerte à l’utilisateur, pour décider de sauvegarder son
expérimentation ou pas.
(6) Classe DATA_BASE_PROCEDURES
Elle regroupe toutes les méthodes de gestion de la base de données telles que la
création d’une connexion à la base de données, la fermeture de la connexion, lecture et
écriture dans une table, et toutes les différentes requêtes.
(7) Classe GRAPHE_INDUCTION_CREATION
Elle permet de créer le graphe d’induction en utilisant les règles d’association
transformées
pour
créer
un
graphe
sur
lequel
se
base
la
classe
CELLULAR_RULES_GENERATION pour produire des règles cellulaires.
(8) Classe CELLULAR_RULE_ GENERATION
Elle permet de créer les règles cellulaires et de les intégrer dans la base de
connaissances selon le formalisme expliqué auparavant. Elle contient toutes les
méthodes de création des couches CELFAIT et CELREGLE.
(9) Classe SAVE_EXPERIMENT
Elle permet de sauvegarder les résultats de l’expérimentation, sous les formats
appropriés pour chaque type de donnée à savoir le format texte et base de données.
L'utilisateur aura ainsi la possibilité de visualiser les résultats de son expérimentation
ultérieurement.
IV.4.3
L’interface
L’interface
permet
à
l’utilisateur
d’explorer
les
séquences
de
données
biologiques manipulées ceci afin de lire directement les données sur une séquence
choisie.
De plus, l’utilisateur a la possibilité d’expérimenter l’ECD sur les séquences qu’il
aura bien avant sélectionnées, puis paramétrera son expérimentation à travers le support
Chapitre IV : Conception et expérimentation du système BIODM - 66 -
et la confiance. Une fois l’expérimentation réalisée, les résultats sont affichés pour une
interprétation possible par l’expert du domaine.
Figure 4.5 : Interface du système BIODM.
IV.5 L’expérimentation
Nous avons implémenté l’algorithme Apriori en langage JAVA sur une plate-forme Windows.
Les tests expérimentaux ont été conduits sur une machine Intel Celeron CPU 540 à 186 GHz 512
Mo RAM. Pour examiner l’efficacité pratique de notre algorithme, nous avons mené une sérié
d’expérimentations sur des données réelles, dont les caractéristiques sont détaillées dans ce qui suit.
La base de test
En se basant sur les souches complètement annotées (voir Tableau 0.2), que nous avons
considérées comme souches échantillon, nous relevons le nombre de gènes total par souches ainsi
que les gènes constituant l’échantillon de l’ECD sur le Tableau 4.1 et la Figure 4.6.
Souche
1
2
3
4
Mt CDC1551
Mt F11
Mt H37Ra
Mt H37Rv
Nombre de
gènes existants
4293
3998
4084
4048
Nombre de gènes de
l’échantillon expérimental
20
20
20
20
Tableau 4.1 : Base de test servant à l’expérimentation.
Chapitre IV : Conception et expérimentation du système BIODM - 67 -
Nous nous sommes fixés un nombre convenable et suffisant pour notre expérience vu le
problème combinatoire de l’algorithme qui génère un nombre assez important d’Itemsets fréquents
à chaque itération. Nous avons alors pris les 15 premiers de chaque séquence, avec la supposition
que ces quinze gènes sont assez représentatifs et distinctifs de chaque souche prise séparément. Par
la suite l’expérience pourra être tentée en réel sur une machine suffisamment puissante du genre
station de travail.
1 ) aac accD aceA-1 aceA-2 aceB aceE ackA acnA acp-1 acp-2 acpP acpS acs adh adk
2 ) aceE acpP acpS adk alaS alr argC argD argJ argS aroB aroE aroK aspS atpC
3 ) aac aao accA1 accA2 accA3 accD1 accD2 accD3 accD4 accD5 accD6 aceAa aceAb aceE acg
4 ) 35kd_a aac aao accA1 accA2 accA3 accD1 accD2 accD3 accD4 accD5 accD6 aceAa aceAb aceE
Figure 4.6 : Echantillon de gènes servant à la fouille de données.
Les résultats expérimentaux
On se basant sur l’échantillon expérimental cité auparavant (voir Figure 4.6), le système BIODM
donne des résultats intéressants qui resteront à consolider avec de nouvelles souches en cours de
séquençage (voir Tableau 1.3) et qui seront prises en considération par notre système au fur et
mesure de leur publication définitive sur leurs sites d’origines, NCBI.
De plus, d’après l’algorithme Apriori, un principe de base de la génération de règles est celui de
la génération de combinaisons possibles d’Items pour trouver les Itemsets, ce traitement prend
énormément de temps, ce qui risque de mobiliser la machine pour un temps assez conséquent, du
fait qu’à chaque itération il génère 2n Itemsets possibles.
Ainsi, par exemple pour 15 gènes nous notons un ordre de grandeur de plus de 835000 de règles
avec un temps d’exécution machine de avoisinant les 5 secondes, ce qui est énorme. Ce qui à fait
que nous avons limité notre échantillon d’apprentissage à une vingtaine de gènes i.e. Items, ceci
pour éviter un temps de calcul énorme pour une machine modeste. Nous avons aussi noté la
constatation suivante :
Plus l’échantillonnage est grand (> 15), plus le temps de calcul croit énormément arrivant
jusqu’à réduire le temps de réponse de notre machine.
Chapitre IV : Conception et expérimentation du système BIODM - 68 -
Prémisse -> Conclusion
Support
Confiance
acpP
-> aceE
100.0
100.0
aac ackA
- > aceE
75.0
100.0
aac aceE
-> ackA
75.0
100.0
ackA aceE
-> aac
75.0
100.0
aac ackA
-> acpP
75.0
100.0
aac acpP
-> ackA
75.0
100.0
ackA acpP
-> aac
75.0
100.0
aac aceE
-> acpP
75.0
100.0
aac acpP
-> aceE
75.0
100.0
ackA aceE
-> acpP
75.0
100.0
ackA acpP
-> aceE
75.0
100.0
acpS aceE
-> acpP
75.0
100.0
acpS acpP
-> aceE
75.0
100.0
aac ackA aceE
-> acpP
75.0
100.0
aac ackA acpP
-> aceE
75.0
100.0
Tableau 4.2 : Exemple de règles générées par Apriori pour un support
de 60% et une confiance de 80%.
Règles cellulaires
Rc1 : s0 -> aac=1 , s1
Rc2 : s0 -> accA1=1 , s2
Rc3 : s0 -> accA2=1 , s3
Rc4 : s0 -> accA3=1 , s4
Rc5 : s0 -> accD1=1 , s5
Rc6 : s0 -> accD2=1 , s6
Rc7 : s0 -> accD3=1 , s7
Rc8 : s0 -> accD4=1 , s8
Rc9 : s0 -> accD5=1 , s9
Rc10 : s0 -> accD6=1 , s10
Rc11 : s11 -> aac=1 , s12
Rc12 : s11 -> accA2=1 , s13
Tableau 4.3 : Exemple de règles cellulaires générées par BRI.
Chapitre IV : Conception et expérimentation du système BIODM - 69 -
Temps de traitement.
En utilisant la base de test, le système BIODM donne des résultats intéressants et montre
l’évolution exponentielle du temps d’exécution (voir tableau 4.4). Nous pouvons constater
également que l’exécution de l’algorithme Apriori prend une part importante en temps d’exécution
du système en totalité, i.e. dans ses phases les plus importantes de l’expérimentation à savoir : la
génération des règles d’association par Apriori et la génération des règles booléennes par BRI.
Confiance
%
Support
%
Nombre
de Gènes
Items
générés
10
70
15
41
30
50
15
50
30
70
10
Nombre de
règles
Temps d’exécution
Apriori
Temps d’exécution
global
69
0.00 s
0.00 s
41
147701
0.86 s
2.23 s
15
41
147687
0.86 s
2.23 s
15
41
835284
4.92 s
10.26 s
Tableau 4.4 : Nombre de règles et temps d’exécution d’Apriori
sur l’échantillon Figure 4.6.
Espace de stockage.
Nous constatons qu’à titre indicatif pour un ensemble de 147687 règles d’association, le fichier
occupe un espace de stockage de 8.65 MO alors que pour les règles cellulaires correspondantes, le
fichier est de 6.13 MO.
Nous constatons qu’une représentation cellulaire est plus intéressante du point de vue espace de
stockage et que sur un ensemble de règles encore plus conséquent, nous aurons un gain en espace de
stockage assez significatif qui se répercutera positivement sur la performance du système, et
mentionnons là aussi que ce ne sont que des résultats partiels qu’il faudra consolider avec un
échantillon plus important.
Nombre de règles
d’association produites
Espace de Stockage
(règles d’association)
Espace de stockage (représentation
booléenne)
69
1.78 KO
0. 81 KO
147701
8.65 MO
6.11 MO
147687
8.65 MO
6.12 MO
835284
48.8 MO
39.14 MO
Tableau 4.5 : Evolution de l’espace de stockage.
Chapitre IV : Conception et expérimentation du système BIODM - 70 -
IV.6 Conclusion
Nous avons défini un système qui permet à un spécialiste du domaine, en l’occurrence le
biologiste, de procéder à la fouille de données dans un contexte biologique. Nous avons pu procéder
à des tests selon une configuration machine bien modeste, néanmoins nous signalons qu’un
problème de taille auquel nous étions confronté celui des données biologiques ciblés qui ne sont pas
toujours disponibles en continue vu le problème d’annotation des génomes qui prend du temps.
C’est pour cela que nous avons bien choisi nos échantillons de test et nous avons pu vérifier,
combien même avec un échantillonnage réduit, le processus est couteux en temps de traitement.
Enfin, nous pouvons dire que le système prototype que nous venons de réaliser était dans un
objectif expérimental. Nous avons proposé une interface simple qui montre les principales
manipulations que peut faire un biologiste pour procéder aisément à une fouille de données
biologiques.
Conclusion générale - 71 -
Conclusion générale
Nous avons abordé dans ce mémoire une nouvelle problématique qui consiste à
fouiller des données biologiques avec post-traitement des règles extraites pour optimiser
le stockage et la gestion. L’objectif que nous nous sommes fixé était de proposer une
solution appuyée par des travaux antérieurs de modélisation booléenne selon le principe
cellulaire de la machine CASI.
Nous nous sommes basés sur une fouille à l’aide de l’algorithme Apriori qui
fonctionne par itération, i.e., l’extraction des
k-itemsets fréquents à partir des k-1
Itemsets fréquents. Alors, n itérations sont faites pour extraire la totalité des itemsets
fréquents, avec n-1 la taille du plus long itemset fréquent. A chaque itération, un
ensemble d’items candidats est généré à partir des itemsets fréquents du niveau
précédent.
Ceci dit, l’objectif de ce mémoire était aussi de présenter l’état de l’art de notre
thème de recherche, de faire une étude comparative afin de soulever la problématique de
la représentation des données biologiques qui ne sont en fait dans une structure de
donnée standard, connue et théorisée en informatique. Nous avons alors consacré le
premier chapitre pour l’ECD biologiques qui travaille sur un nouveau type de donnés si
l’on peut dire « non usuel » et nous avons visé particulièrement des données se
rapportant à une épidémie qui est la tuberculose afin de tester ultérieurement en réel, ce
qui nous à fait faire une prospection de ces données et tirer des constatations utiles pour
la suite de notre étude surtout pour les étapes nettoyage et prétraitement de l’ECD.
Ensuite, nous avons fait une étude comparative et avons abordé l’extraction des
règles d’association, et leur optimisation par le module BRI qui constitue le support de
notre solution pour le post-traitement en fouille de données.
Notre étude se voulait être assez novatrice, dans la mesure où nous avons été incités
à utiliser des techniques prouvées de la machine cellulaire CASI, combinées à une
fouille de données. De ce fait, deux objectifs nous ont guidés dans la proposition d’un
automate cellulaire pour l’optimisation, la génération, la représentation et la gestion
d’une base de règles d’association. En effet, le premier c’est d’avoir une base de règles
optimisée et des temps de traitements assez réduits grâce aux principes de
représentation booléenne, et le deuxième c’est d’apporter une contribution à la
construction des systèmes à base de connaissances en adoptant une nouvelle technique
Conclusion générale - 72 -
cellulaire.
Perspectives
La solution que nous avons préconisée utilise Apriori couplé avec un post-traitement
des règles d’association par une modélisation booléenne. La perspective que nous nous
proposons est de tester le système avec d’autres algorithmes, tels qu’AIS et FP-Growth,
afin de comparer les résultats du point de vue gain de temps. Ensuite on pourra aussi
faire guider le processus de fouille par le spécialiste du domaine en introduisant par
exemple ces préférence par un ou plusieurs paramètre qui seront pris en compte lors du
processus de fouille, ceci afin de limiter la taille des résultats qui comme nous le savons
est très volumineux. L’idée est de faire un processus d’ECD biologiques sous
contrainte. Ce volet nous semble prometteur vu les travaux de recherches déjà faits avec
ce concept.
Et finalement, nous pensons carrément à adapter la modélisation booléenne à
l’algorithme Apriori, et proposer un automate cellulaire pour la fouille de données.
Références bibliographiques - 73 -
Références bibliographiques
[Abdelouhab et atmani., 2008]
Abdelouhab, F. _ Atmani, B.: Intégration automatique des données semi-structurées dans un entrepôt
cellulaire, Troisième atelier sur les systèmes décisionnels, 10 et 11 octobre 2008, Mohammadia –
Maroc, pp. 109-120. (2008).
[Agrawal et al., 1993]
Agrawal, R. _ Swami, A. _ Imielinski, T.: Mining Association Rules Between Sets of Items in Large
Databases. In Proceedings ACM SIGMOD International Conference on Management of Data, pp207,
Washington DC (1993).
[Agrawal et Srikant., 1994]
Agrawal, R. _ Srikant, R.: Fast Algorithms for Mining Association Rules. In Proceedings of the 20th
International Conference on Very Large Data Bases (VLDB’94), pp 487-499, Santiago, Chile (1994).
[Atmani et Beldjilali, 2007]
Atmani, B. _ Beldjilali, B.: Knowledge Discovery in Database : Induction Graph and Cellular
Automaton. Computing and Informatics Journal, Vol. 26 N°2 171-197. (2007).
[Bahar et Chen, 2004]
Bahar, I. _ Chen, S.S.: Mining frequent patterns in protein structure: a study of protease family. Vol. 20
Suppl. 1, pages i1–i9 DOI: 10.1093/bioinformatics/bth912 (2004).
[Benabdeslem et al., 2007]
Benabdeslem, K. _ Lebbah, M. _ Aussem, A. _ Corbex. M.: Approche connexionniste pour
l'extraction de profils cas-témoins du cancer du Nasopharynx à partir des données issues d'une étude
épidémiologique", EGC 2007, RNTI, 2007 Volume E-9 N°2, Pages : 445-454 (2007).
[Benamina et Atmani, 2008]
Benamina, B. _ Atmani, B.: WCSS: un système cellulaire d'extraction et de gestion des connaissances,
Troisième atelier sur les systèmes décisionnels, 10 et 11 octobre 2008, Mohammadia – Maroc, pp. 223234. (2008).
[Boutin et al., 2003]
Boutin, J.P. _ Spiegel, A. _ Michel, R. _ Ollivier, L.: Les mesures d’association en épidémiologie. Med
Trop; 63 : 75-78 (2003).
[Broad]
Broad Institute.: http://www.broad.mit.edu
[Callas, 2009]
Calas, G.: Études des principaux algorithmes de data mining. SCIA EPITA (2009).
[Carbonelle et al., 2003]
Carbonnelle, B. _ Dailloux, M. _ Lebrun, L. _ Maugein, J. _ Pernot, C.: Cahier de formation en biologie
médicale N°29 (2003).
[Chen et al., 2003]
Chen, H. _ Fuller, S.S. _ Friedman, C. _ Hersh, W.: Knowledge management, data mining, and text
mining in medical informatics. Medical Informatics, volume 8, Springer US. (2003).
Références bibliographiques - 74 -
[Chervitz et al., 1999]
Chervitz, S.A. _ Hester, E.T., Ball, C. _ Dolinski, K. _ Dwight, S.S. _ Haris, M.A. _ Juvik, G. _
Malekian, A. _ Roberts, S. _ Roe T. _ Cafe, C., Shroeder, M. _ Sherlock, G. _ Weng, S. _ Zhu, Y. _
Cherry, J.M. _ Botstein, D.: Using the Sacharomyces genome databases (SGD) for analysis of protein
similarities and structure ( Nucleic Acids Research, Vol 27 N° 1). (1999).
[Denison et al., 1998]
Denison, D.G. _ Mallick, B.K _ Smith. A. F. M.: A Bayesian CART algorithm. Biometrika, 85:363
377, 1998.
[Elloumi et Maddouri, 2002]
Elloumi, M. _ Maddouri, M.: A Data Mining Approach based on Machine Learning Techniques to
Classify Biological Sequences, Knowledge Based Systems Journal, Vol. 15, Issue 4, Elsevier Publishing
Co., Amsterdam, North-Holland (Publisher) : p217-223,(Mai 2002).
[Etienne, 2004]
Etienne, M.P.: Une approche statistique pour la détection de gènes impliqués dans les maladies
multifactorielles. Actes de Jobim juin (2004).
[Fayyad et al., 1996]
Fayyad, U. _ Piatetsky-Shapiro, G. _ Smyth, P.: From Data Mining to Knowledge Discovery: An
Overview. In Fayyad, U. _ Piatetsky- Shapiro, G. _ Amith, Smyth, P. _ and Uthurnsamy, R.: (eds.)
Advances in Knowledge Discovery and Data Mining. MIT Press, 1-36, Cambridge (1996).
[Ferdinand et al., 2004]
Ferdinand, S. _ Valetudi, G. _ Sola, C. _ Rastogi, N. : Data mining of mycobacterium Tuberculosis
complexe genotyping results using mycobacterial intersepted repetitive units validates the clonal
structure of spolygotyping-defined families. Research in Microbiology 155(8): 647-654 (2004).
[Fleiishman et al, 2002]
Fleiishman, R.D. _ Alland, D. _ Eisen, J.A _ Carpenter, L. _ White, O. _ Petersen, J. _ Deboy, R. _
Dodson, R. _ Gwinn M. _ Haft, D. _ Hickey, E. _ Kolonay, J.F. _ Nelson, W.C. _ Umayam, L.A. _
Ermolayeva, M. _ Salzberg, S.L. _ Delcher, A. _ Utterback, T. _ Weidman, J. _ Khouri, H. _ Gill, J. _
Mikula, A. _ Bishai, W. _ Jacobs, W.R. _ Venter, J.C. _ Fraser, C.M.: Whole-Genome comparaison of
Mycobacterium Tuberculosis clinical and laboratory stains. Journal of Bacteriology, October 2002, p.
5479-5490, Vol. 184, No. 19 (2002).
[Gaussier, 2009]
Gaussier, E. : Arbres de décision Notes de cours Université de Grenoble 1 - Lab. Informatique Grenbole
[Gibas et Jambeck, 2002]
Gibas, C. _ Jambeck, P.: Introduction à la bioinformatique. Oreilly, ISBN10 : 2-84177-144-X (2002).
[Goebel, et Gruenland, 1999]
Goebel, M. _ Gruenwald. L.: A survey of Data Mining and Knowledge Discovery Software Tools.
ACM SIGKDD, Volume 1, Issue 1, page 20-33 (1999).
[Goethals et Van den Bussche, 2002]
Goethals, B. _ Van den Bussche, J.: Relational Association Rules: Getting WARMeR. Proceedings of
the ESFExploratory Workshop on Pattern Detection and Discovery, pages 125–139, (2002).
[Han et Kamber, 1998]
Han, J. _ Kamber, M. : Data mining : Concepts and techniques. SIGMOD'98, Seattle, Washington.
(1998).
Références bibliographiques - 75 -
[Han et al., 2000]
Han, J., Pei, J., Yin, Y. « Mining Frequent Patterns without Candidate Generation ». In Proceedings of
the 2000 ACM-SIGMOD Int’l Conf. On Management of Data, Dallas, Texas, USA, May (2000).
[Hergalant et al., 2002]
Hergalant, S. _ Aigle, B. _ Leblond, P. _ Mari, J.F. _ Decaris, B.: Fouille de données à l'aide de HMM
: application à la détection de réitérations intragénomiques. JOBIM'02, p.269-273, (2002).
[Hergalant et al., 2005]
Hergalant, S. _ Aigle, B. _ Leblond, P. _ Mari, J.F.: Fouille de données du génome à l’aide de modèles
de Markov cachées. EGC 2005, Paris, France, Atelier fouille de données complexes dans un processus
d'extraction de connaissances, Jan 2005, p. 141 – 148. (2005).
[Hip et al., 2000]
Hipp, J. _ Güntzer, U. _ Nakhaeizadeh, G.: Algorithms for Association Rule Mining - A General Survey
and Comparaison. In Proceedings, ACM SIGKDD 2000, Volume2, Issue 1, pp58-64 (2000).
[Labbe, 2007]
Labbe, A. : Introduction à l’épidémiologie génétique. Notes de cours, STT-66943. (2007).
[Larose, 2005]
Larose, D. T.: Discovering Knowledge in Data: An Introduction to Data Mining. ISBN 0-471-666572
Copyright C_ 2005 John Wiley & Sons, Inc. (2005).
[Maumus et al., 2005]
Maumus, S. _ A. Napoli, A. _ Szathmary, L., Visvikis-Siest. S.: Exploitation des données de la cohorte
STANISLAS par des techniques de fouille de données numériques et symboliques utilisées seules ou en
combinaison, in: Atelier Fouille de Données Complexes dans un Processus d'Extraction des
Connaissances - EGC 2005, Paris, France, Feb 2005, p. 73-76. (2005).
[Mhamdi et al., 2006]
Mhamdi, F. _ Elloumi, M. _ Rakotomalala, R.: Extraction et Sélection des n-grammes pour le
Classement de Protéines, in Atelier Extraction et Gestion des Connaissances Appliquées aux Données
Biologiques, EGC-2006, Lille, pp.25-37, Janvier (2006).
[Ncbi]
National Center for Biotechnolgy Information.: http://www.ncbi.nlm.nih.gov.
[Oms]
Organisation Mondiale de la Santé.: http://www.who.int/fr/
[Preux, 2008]
Preux, Ph.: Fouille de données : Notes de cours. Université de Lille 3. (2008).
[Prum et Turi-Majoube, 2001]
Prum, B. _ Turi-Majoube, F.: Une approche statistique de l’analyse des génomes. SMF – Gazette – 89,
Juillet (2001).
[Quinlan, 1986]
Quinlan, J.R.: Induction on decision trees. Machine Learning , vol. 1, pp. 81-106 (1986).
[Quinlan, 1993]
Quinlan, J.R. : C4.5: Programs for Machine Learning. Morgan Kaufmann, San Mateo, CA, 1993.
Références bibliographiques - 76 -
[Rakotomalal, 1997]
Rakotomalala, R.: Graphes d’induction. Thèse de DOCTORAT. Université Claude. Bernard - Lyon I.
Décembre (1997).
[Remvikos, 2004]
Remvikos, Y.: Epidémiologie analytique : Etudes de cohortes. Med Trop pp 207-212. (2004).
[Sanger]
Sanger Institut.: http://www.sanger.ac.uk.
[Savasere et al., 1995]
Savasere, A. _ Omiecinski, E. _ Navathe, S.: An Efficient Algorithm for Mining Association Rules in
Large Databases ». In Proceedings of the 21th conference on VLDB (VLDB’95), Zurich, Switzerland
(1995).
[Tzanis et al., 2005]
Tzanis, G. _ Berberidie, C. _ Vlahavas, I.: Biological Data Mining. Encyclopedia of Database
Technologies and Applications : 35-41. (2005).
[Wikipedia]
Wikipedia, http://www.fr.wikipedia.org.
[Wilkinson, 1992]
Wilkinson, L.: Tree Structured Data Analysis: AID, CHAID and CART. Sun Valley, ID,
Sawtooth/SYSTAT Joint Software Conference (1992)
[Yokoyama et al., 2007]
Yokoyama, E. _ Kishida, K. _ Ishinohe, S.: Improved Molecular Epidemiological Analysis of
Mycobacteriem Tuberculosis Strains Using Multi-Locus Variable Number of Tandem Repeats typing.
Jpn. J. Infect. 60. (2007).
[Zaki et al., 2004]
Zaki, M.J _ Shinichi, M. _ Rigoutsos, I.: Workshop on data mining in bioinformatics. Report
BioKDD04, SIGKDD Explorations. Volume 6,Issue 2 - Page 153-154 (2004).
[Zaki et al., 1997]
Zaki, M.J. _ Parthasarathy, S. _ Ogihara, M. _ Li, W. : New Algorithms for fast discovery of
Association Rules. In Proceedings of the 3rd Int’l Conference on KDD and data mining (KDD’97),
Newport Beach, California, (1997).
[Zuker, 2008]
Zucker, J.D.: Introduction à la fouille de données en bioinformatique. Cours master EID- P13. IRD UR
GEODES. (2008).
Annexe B - 77 -
Souche du Mycobacterium Tuberculosis
1: Mycobacteriem Tuberculosis '98-R604 INH-RIF-EM' [Broad Institute]
Strain for comparative analysis
2: Mycobacterium tuberculosis 02_1987 [Broad Institute]
Strain being sequenced for comparative analysis
3: Mycobacteriem Tuberculosis 210 [TIGR]
Causative agent of tuberculosis
Size: 4 Mb; Chromosome: 1
4: Mycobacteriem Tuberculosis 94_M4241A [Broad Institute]
Isolate from China
5: Mycobacteriem Tuberculosis C [Broad Institute]
Drug-susceptible strain
6: Mycobacteriem Tuberculosis CDC1551 [TIGR]
Causative agent of tuberculosis.
Size: 4 Mb; Chromosome: 1
7: Mycobacteriem Tuberculosis EAS054 [Broad Institute]
Sequenced for comparative analysis
8: Mycobacteriem Tuberculosis F11 [Broad Institute]
Predominant strain in South African epidemic
Size: 4 Mb; Chromosome: 1
9: Mycobacteriem Tuberculosis GM 1503 [Broad Institute]
Strain used for comparative genome analysis.
10: Mycobacteriem Tuberculosis H37Ra [Beijing Genomics Institute]
An attenuated strain used in mycobacterial virulence research
11: Mycobacteriem Tuberculosis H37Ra [Chinese National HGC, Shanghai/Fudan University, P.R. China,
Shanghai/Johns Hopkins University, Department of Molecular Microbiology & Immunology, Bloomberg School of
Public Health, USA, Baltimore]
An avirulent strain derived from its virulent parent strain H37
Size: 4 Mb; Chromosome: 1
12: Mycobacteriem Tuberculosis H37Rv [Sanger Institute]
Causative agent of tuberculosis.
Size: 4 Mb; Chromosome: 1
13: Mycobacteriem Tuberculosis KZN 1435 [Broad Institute]
Multidrug-resistant clinical isolate
14: Mycobacteriem Tuberculosis KZN 4207 [Broad Institute]
Drug-susceptible clinical isolate
15: Mycobacteriem Tuberculosis KZN 605 [Broad Institute]
Extensively drug-resistant clinical isolate
16: Mycobacteriem Tuberculosis T17 [Broad Institute]
Strain will be sequenced for comparative genome analysis
17: Mycobacteriem Tuberculosis T85 [Broad Institute]
Susceptible strain
18: Mycobacteriem Tuberculosis T92 [Broad Institute]
Clinical isolate
19: Mycobacteriem Tuberculosis str. Haarlem [Broad Institute]
A drug resistant strain found in crowded human populations
Genome
sequencing
status
draft assembly
draft assembly
in progress
draft assembly
draft assembly
complete
draft assembly
complete
draft assembly
draft assembly
complete
complete
draft assembly
draft assembly
draft assembly
draft assembly
draft assembly
draft assembly
draft assembly
Tableau 0.1 : Les différentes souches du Mycobacterium Tuberculosis. [Source NCBI] 1.
(*) Draft assembly = Projet(Contingent) d'assemblage
1
http://www.ncbi.nlm.nih.gov/Database/
http://www.ncbi.nlm.nih.gov/genomes/genlist.cgi?taxid=2&type=0&name=Complete%20Bacteria
Annexe B - 78 -
Taille(nt) 2
Souche
protéines
gènes
Date création
Date maj
Mt CDC1551
4403837
4189
4293
Oct 2 2001
Jul 18 2008
Mt
F11
4424435
3941
3998
Jun 14 2007
Jul 25 2008
Mt
H37Ra
4419977
4034
4084
Jun 6 2007
Jul 9 2008
Mt
H37Rv
4411532
3989
4048
Sep 7 2001
Jul 18 2008
Tableau 0.2 : Tableaux informatif sur ls caractéristiques des souches du Mycobacterium
Tuberculosis complètement annotées. [Source NCBI] 3.
Souches en cours d’annotation
Mt
Mt
Mt
Mt
Mt
Mt
Mt
Mt
Mt
Mt
Mt
10403-1
10403-10
10403-11
10403-4
10403-7
10403-8
11105-2
11105-3
15304-1B
15304-3A
210
Mt
Mt
Mt
Mt
Mt
Mt
Mt
Mt
Mt
Mt
Mt
6404-1B
6404-3B
6404-A1
7404-1
7604-2
7604-4
7904-1
7904-2
8104-1C
8104-2A
subsp. tuberculosis
Tableau 1.3 : Les souches du Mycobacterium Tuberculosis en cours d’annotation.
[Source NCBI]
2
3
nt :nucléotide.
http://www.ncbi.nlm.nih.gov