Une introduction aux approches d'apprentissage automatique pour la recherche biomédicale

Résumé :

Les approches d'apprentissage machine (ML) sont un ensemble d'algorithmes qui tentent d'extraire des modèles de données et d'associer ces modèles à des classes discrètes d'échantillons dans les données - par exemple, étant donné une série de caractéristiques décrivant des personnes, un modèle ML prédit si une personne est malade ou en bonne santé, ou étant donné des caractéristiques d'animaux, il prédit si un animal est traité ou contrôlé, ou si des molécules ont le potentiel d'interagir ou non, etc. Les approches ML peuvent également trouver de tels modèles de manière agnostique, c'est-à-dire sans avoir d'informations sur les classes. Ces méthodes sont respectivement appelées ML supervisée et ML non supervisée. Un troisième type de ML est l'apprentissage par renforcement, qui tente de trouver une séquence d'actions qui contribue à atteindre un objectif spécifique. Toutes ces méthodes sont de plus en plus populaires dans la recherche biomédicale, dans des domaines très divers, notamment la conception de médicaments, la stratification des patients, l'analyse d'images médicales, les interactions moléculaires, la prédiction des résultats des traitements, etc. Nous décrivons plusieurs techniques de ML supervisées et non supervisées, et illustrons une série d'exemples prototypiques en utilisant des approches informatiques de pointe. Compte tenu de sa complexité, l'apprentissage par renforcement n'est pas abordé en détail dans cet ouvrage. Les lecteurs intéressés sont invités à consulter les excellentes revues consacrées à ce sujet. Nous nous concentrons sur les concepts plutôt que sur les procédures, car notre objectif est d'attirer l'attention des chercheurs en biomédecine sur la pléthore de méthodes puissantes de ML et sur leur potentiel à tirer parti des programmes de recherche fondamentale et appliquée.