Machine learning dans les sciences du vivant apports et challenges

3DS.COM©DassaultSystèmes|ConfidentialInformation|11/13/2018|ref.:3DS_Document_2015
Apports et challenges du
Machine Learning dans les
sciences du vivant
Kévin MERLO
responsable d’applications
Dassault Systèmes BIOVIA
12/11/2018

2
3DS.COM/BIOVIA©DassaultSystèmes|ConfidentialInformation|11/13/2018|ref.:3DS_Document_2015
Cette presentation n’est pas
 Un cours technique sur le machine learning ou le big data
 Un cours sur les sciences du vivant
 Nécessite des connaissances sur les principes de base du machine learning
Mais plutôt
Un résumé des apports du machine learning dans les sciences du vivant
 Un focus sur les outils et frameworks Open-source
 Les plus récents travaux scientifiques réalisés par celles et ceux qui développent et/ou utilisent ces outils
Un résumé des principaux challenges

3
Plan
 Apports du Machine Learning dans les sciences du vivant
 Les technologies utilisées pour encoder les données et construire des modèles prédictifs
 2 exemples de l’imagerie medical
 Industrie du medicament
 Challenges à relever
 Disponibilité et qualité des données
 Qualité des modèles et des predictions
 Règlementation des autorités règlementaires
 Questions

4
Rappel du schéma classique d’apprentissage
 Split the dataset into training and test datasets for evaluating the predicted
performance of the model.
 Calculate numerous molecular descriptors of each compound in the datasets.
 Construct a reliable model of the training dataset to predict the target activity or
property from these calculated descriptors using classification or regression
methods (e.g., multiple regression analysis, partial least squares regression,
support vector machine (SVM), and random forest).
 Evaluate the performance of the constructed model by predicting the target
activities of the compounds in the test dataset that are not used for model
construction.

5
Des sources très variées de données
Data
aggregation
Data
processing
Learning Validation
Prediction on
new instance
 Nombreux formats
Molecule chimique (2D et 3D)
Molecule biologique (3D) Molecule biologique (2D)
IRM (cancer sein)
In vitro
In vivo

6
Data
aggregation
Data
processing
Learning Validation
Prediction
on new
instance
Encodage des données
 Encodage des données avec R

7
Data
aggregation
Data
processing
Learning Validation
Prediction
on new
instance
 Encodage des données avec PADEL

8
Data
aggregation
Data
processing
Learning Validation
Prediction
on new
instance
 Encodage des données avec
Chemistry Development Kit (CDK)
 Javadoc (CheckStyle)
 Testing (23 thousand tests)
 Continuous Integration
(Maven+Jenkins)
 Utilisé dans:
 Cinfony
 R (Rcdk)
 KNIME
 Microsoft Excel

9
Data
aggregation
Data
processing
Learning Validation
Prediction
on new
instance
 Encodage des données avec Mordred

10
Data
aggregation
Data
processing
Learning Validation
Prediction
on new
instance
Apprentissage sur données encodées
 Apprentissage avec R

11
Data
aggregation
Data
processing
Learning Validation
Prediction
on new
instance
 Apprentissage avec KNIME

12
Data
aggregation
Data
processing
Learning Validation
Prediction
on new
instance
 Apprentissage avec Weka

13
Data
aggregation
Data
processing
Learning Validation
Prediction
on new
instance
 Apprentissage avec Scikit-learn

14
Data
aggregation
Data
processing
Learning Validation
Prediction
on new
instance
 Apprentissage: l’approche ensembliste
 H2O
 XGBoost (R, Python, Julia)
 MLxtend (stacked generalization)

15
Exemple de l’imagerie medical: cancer du sein
 But
Détecter et localiser des métastases
 Data
Camelyon16 (270 training + 130 test)
 Techno:
TensorFlow’s image library (Google)
Convolutional Neural Network CNN
 Résultats:
Pathologiste: 73,2% de sensibilité
ML: 92,4% de sensibilité

16
Exemple de l’imagerie medical: cancer de la peau
 But
Détecter les mélanomes et carcinomes (2017)
 Data
129,450 images cliniques
 Techno:
TensorFlow’s image library
Convolutional Neural Network CNN
 Résultats:
Comparables à ceux de 21 dermatologistes

17
Discovery
and
Development
Preclinical
Research
Clinical
Research
FDA Review
FDA Post-
Market Safety
Monitoring
Exemple de l’industrie du medicament: workflow
 Median cost of a drug development: $648.0 millions*
 Median time to develop a drug of 7.3 years (range, 5.8-15.2 years)*
 Brevet valable 20 ans
*https://jamanetwork.com/journals/jamainternalmedicine/article-abstract/2653012
Research for a new
drug begins in the
laboratory
Drugs undergo
laboratory and animal
testing to answer
basic questions about
safety.
Drugs are tested on
people to make sure
they are safe and
effective.
Examine all of the
submitted data
related to the drug
or device and
make a decision
to approve or not
to approve it.
FDA monitors all
drug and device
safety once
products are
available for use by
the public.

18
Discovery
and
Development
Preclinical
Research
Clinical
Research
FDA Review
FDA Post-
Market Safety
Monitoring
Exemple de l’industrie du medicament: workflow
 Molecular structure In vitro
 In vitro In vivo
Prédire les propriétés de la molécule
dans l’organisme de l’animal
 In vivo In vivo
Prédire les propriétés de la molécule
dans l’organisme humain

20
Challenge: disponibilité et qualité des données
 “On the order of hundreds of ADME/Tox models have been described in the
literature in the last decade which are more often than not inaccessible to
anyone but the authors. Public accessibility is also an issue with
computational models for bioactivity, and a major challenge limiting drug
discovery still remains the ability to share such models”

21
 “To increase the applicability domain we need to increase the diversity of the
training set. This can be achieved by combining data from diverse sources.
Public data can be easily included; however, proprietary data may be more
difficult to add due to intellectual property concerns”

22
Qualité des modèles et des predictions
In the Setubal Workshop (Jaworska, Comber, Van Leeuwen, & Auer, 2003), the AD of a
QSAR model was defined as “the physico-chemical, structural, or biological space,
knowledge or information on which the TS of the model has been developed, and for
which it is applicable to make predictions for new compounds[…]. Ideally, the QSAR
should only be used to make predictions within that domain by interpolation not
extrapolation”

23
Domaine d’applicabilité
 Definition:
“Ideally, the QSAR should only be used to make predictions within that domain by
interpolation not extrapolation”
 En pratique:
Distance au training set
 Centre du training set
 Points les plus proches du training set (marche bien sur données bio)
Valeurs min et max des
 Descripteurs
 Composantes principales des descripteurs (permet une visualization souvent demandée par
l’utilisateur scientifique)

24
Domaine d’applicabilité: un exemple
 Nouvelles estimations des performances de modèles existants
Biais: les trainingsets étaient très similaires aux tests sets utilisés pour calculer les
performances
Conclusion: 80% des 728 models échouent à atteindre un coefficient de correlation R2
= 0.3

25
 “To increase the applicability domain we need to increase the diversity of the
training set.
 Besoin d’explorer de nouveaux espaces chimiques
Pas de brevet
Molécules différentes de celles déjà explorées
Modèles actuels peuvent difficillement extrapoler sur de nouvelles molecules
 Le besoin de résultats expérimentaux est crucial sur les nouvelles molecules
Cycles “real experiments  virtual experiments”
 Il ne s’agit pas de remplacer les experiences in-vitro/in-vivo par des modèles in-
silico!

26
Qualité de notre interprétation des modèles
 “Un test permettant de détetecter une maladie donne 5% de faux positifs. La
maladie frappe 1/1000 de la population. Les gens sont testés au hasard, sans
avoir s’ils sont ou non susceptibles d’avoir cette maladie. On teste 1000
personnes et le test d’un des patient est positif: quelle est la probabilité pour
que ce patient soit affecté par la maladie?”
 95%?
 Bonne réponse est 2%
P = Nombre de personnes affectés / Nombre de vrais et faux positifs
P = 1 / (1+5%*1000) = 1/(1+50) = 1/51

27
Merci pour votre attention. Des questions
ou des remarques?
Kevin.merlo@3ds.com
Application manager chez Dassault Systèmes BIOVIA

Machine learning dans les sciences du vivant apports et challenges

Recommandé

Recommandé

Contenu connexe

Similaire à Machine learning dans les sciences du vivant apports et challenges

Similaire à Machine learning dans les sciences du vivant apports et challenges (20)

Plus de TelecomValley

Plus de TelecomValley (20)

Machine learning dans les sciences du vivant apports et challenges