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

Département Informatique
MEMOIRE DE MAGISTER
Option : Informatique et Automatique
THEME :
F OUILLE DE DONNEES BIOLOGIQUES : E TUDE 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 6
I.2 Le processus de l’ECD biologiques 7
I.3 Notre contribution 13
I.4 Etat de l’art de l’ECD biologiques 14
I.5 Les méthodes de fouille de données 20
I.6 Etude comparative 27
I.7 Discussion sur l’ECD Biologiques 30
I.8 Conclusion 31
Chapitre II. Extraction de règles d’association 33
II.1 Les règles d’association 34
II.2 L’induction et l’évaluation des règles 35
II.3 Les algorithmes d’extraction des règles d’association 37
II.4 Conclusion 42
Chapitre III. Modélisation booléenne des règles d’association 44
III.1 Le moteur d’inférence cellulaire : architecture et principe de 44
fonctionnement
III.2 La modélisation booléenne 47
III.3 Exemple d’illustration d’induction des règles booléennes 48
III.4 La dynamique du moteur d’inférence cellulaire 50
III.5 Conclusion 52
Chapitre IV. Conception et expérimentation du système BIODM 54
IV.1 Etude et choix des données biologiques pour expérimentation 54
IV.2 Architecture du système BIODM (BIOlogical Data Mining) 55
IV.3 Le processus de l’ECD biologiques 57
IV.4 Le logiciel réalisé 63
IV.5 L’expérimentation 66
IV.6 Conclusion 70
Conclusion générale 71
Références bibliographiques 73
Annexe B 77