skip to content
Covid-19 virus
COVID-19 Resources

Reliable information about the coronavirus (COVID-19) is available from the World Health Organization (current situation, international travel). Numerous and frequently-updated resource results are available from this WorldCat.org search. OCLC’s WebJunction has pulled together information and resources to assist library staff as they consider how to handle coronavirus issues in their communities.

Image provided by: CDC/ Alissa Eckert, MS; Dan Higgins, MAM
Network and machine learning approaches to dengue omics data Preview this item
ClosePreview this item
Checking...

Network and machine learning approaches to dengue omics data

Author: Iryna NikolayevaBenno SchwikowskiAnavaj SakuntabhaiJean-Philippe VertZohar YakhiniAll authors
Publisher: 2017.
Dissertation: Thèse de doctorat : Interdisciplinaire : Sorbonne Paris Cité : 2017.
Edition/Format:   Computer file : Document : Thesis/dissertation : English
Summary:
Les 20 dernières années ont vu l'émergence de technologies de mesure puissantes, permettant l'analyse omique de diverses maladies. Ils fournissent souvent des moyens non invasifs pour étudier l'étiologie des maladies complexes nouvellement émergentes, telles que l'infection de la dengue, transmise par les moustiques. Ma thèse se concentre sur l'adaptation et l'application d'approches utilisant des réseaux
Rating:

(not yet rated) 0 with reviews - Be the first.

Subjects
More like this

Find a copy online

Links to this item

Find a copy in the library

&AllPage.SpinnerRetrieving; Finding libraries that hold this item...

Details

Genre/Form: Thèses et écrits académiques
Material Type: Document, Thesis/dissertation, Internet resource
Document Type: Internet Resource, Computer File
All Authors / Contributors: Iryna Nikolayeva; Benno Schwikowski; Anavaj Sakuntabhai; Jean-Philippe Vert; Zohar Yakhini; Etienne Patin; Kristel Van Steen; Marie Flamand; Université Sorbonne Paris Cité.; École doctorale Frontières de l'innovation en recherche et éducation (Paris).; Université Paris Descartes (1970-2019).
OCLC Number: 1137066302
Notes: Titre provenant de l'écran-titre.
Description: 1 online resource
Responsibility: Iryna Nikolayeva ; sous la direction de Benno Schwikowski et de Anavaj Sakuntabhai.

Abstract:

Les 20 dernières années ont vu l'émergence de technologies de mesure puissantes, permettant l'analyse omique de diverses maladies. Ils fournissent souvent des moyens non invasifs pour étudier l'étiologie des maladies complexes nouvellement émergentes, telles que l'infection de la dengue, transmise par les moustiques. Ma thèse se concentre sur l'adaptation et l'application d'approches utilisant des réseaux d'interaction de gènes et l'apprentissage automatique pour l'analyse de données génomiques et transcriptomiques. La première partie va au-delà d'une analyse pangénomique précédemment publiée de 4 026 personnes en appliquant une analyse de réseaux d'interaction pour trouver des groupes de gènes qui interagissent dans un réseau d'interactions fonctionnelles et qui, pris ensemble, sont associés à la dengue sévère. Dans cette partie, j'ai d'abord recalculé les valeurs-p d'association des polymorphismes séquencés, puis j'ai travaillé sur le mapping des polymorphismes à des gènes fonctionnellement apparentés, et j'ai enfin exploré différentes bases de données de voies métaboliques et d'interactions génétiques pour trouver des groupes de gènes qui, pris ensemble, sont associés à la dengue sévère. La deuxième partie de ma thèse dévoile une approche théorique pour étudier un biais dans les algorithmes de recherche de réseau actifs. Mon analyse théorique suggère que le meilleur score de sous-réseaux d'une taille donnée devrait être normalisé en fonction de la taille, selon l'hypothèse selon laquelle il s'agit d'un échantillon d'une distribution de valeur extrême, et non un échantillon de la distribution normale, comme c'est généralement le cas dans la littérature. Je propose alors une solution théorique à ce biais. La troisième partie présente un nouvel outil de recherche de sous-réseaux que j'ai co-conçu. Son modèle sous-jacent et l'algorithme évite le biais de taille trouvé dans les méthodes existantes et génère des résultats facilement compréhensibles. Je présente une application aux données transcriptomiques de la dengue. Dans la quatrième et dernière partie, je décris l'identification d'un biomarqueur qui détecte la sévérité de la dengue à l'arrivée à l'hôpital en utilisant une nouvelle approche d'apprentissage automatique. Cette approche combine la régression monotone bidimensionnelle avec la sélection des variables. Le modèle sous-jacent va au-delà des approches linéaires couramment utilisées, tout en permettant de contrôler le nombre de transcrits dans le biomarqueur. Le petit nombre de transcrits accompagné de leur représentation visuelle maximisent la compréhension et l'interprétation du biomarqueur par les professionnels de la biomédecine. Je présente un biomarqueur à 18 gènes qui permet de distinguer, à leur arrivée à l'hôpital, les patients qui vont développer des symptômes de dengue sévères de ceux qui auront une dengue non sévère. Ce biomarqueur a une performance prédictive élevée et robuste. La performance prédictive du biomarqueur a été confirmée sur deux ensembles de données qui ont tous deux utilisé différentes technologies transcriptomiques et différents sous-types de cellules sanguines.

The last 20 years have seen the emergence of powerful measurement technologies, enabling omics analysis of diverse diseases. They often provide non-invasive means to study the etiology of newly emerging complex diseases, such as the mosquito-borne infectious dengue disease. My dissertation concentrates on adapting and applying network and machine learning approaches to genomic and transcriptomic data. The first part goes beyond a previously published genome-wide analysis of 4,026 individuals by applying network analysis to find groups of interacting genes in a gene functional interaction network that, taken together, are associated to severe dengue. In this part, I first recalculated association p-values of sequences polymorphisms, then worked on mapping polymorphisms to functionally related genes, and finally explored different pathway and gene interaction databases to find groups of genes together associated to severe dengue. The second part of my dissertation unveils a theoretical approach to study a size bias of active network search algorithms. My theoretical analysis suggests that the best score of subnetworks of a given size should be size-normalized, based on the hypothesis that it is a sample of an extreme value distribution, and not a sample of the normal distribution, as usually assumed in the literature. I then suggest a theoretical solution to this bias. The third part introduces a new subnetwork search tool that I co-designed. Its underlying model and the corresponding efficient algorithm avoid size bias found in existing methods, and generates easily comprehensible results. I present an application to transcriptomic dengue data. In the fourth and last part, I describe the identification of a biomarker that detects dengue severity outcome upon arrival at the hospital using a novel machine learning approach. This approach combines two-dimensional monotonic regression with feature selection. The underlying model goes beyond the commonly used linear approaches, while allowing controlling the number of transcripts in the biomarker. The small number of transcripts along with its visual representation maximize the understanding and the interpretability of the biomarker by biomedical professionals. I present an 18-gene biomarker that allows distinguishing severe dengue patients from non-severe ones upon arrival at the hospital with a unique biomarker of high and robust predictive performance. The predictive performance of the biomarker has been confirmed on two datasets that both used different transcriptomic technologies and different blood cell subtypes.

Reviews

User-contributed reviews
Retrieving GoodReads reviews...
Retrieving DOGObooks reviews...

Tags

Be the first.
Confirm this request

You may have already requested this item. Please select Ok if you would like to proceed with this request anyway.

Linked Data


\n\n

Primary Entity<\/h3>\n
<http:\/\/www.worldcat.org\/oclc\/1137066302<\/a>> # Network and machine learning approaches to dengue omics data<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:MediaObject<\/a>, bgn:ComputerFile<\/a>, schema:CreativeWork<\/a>, bgn:Thesis<\/a> ;\u00A0\u00A0\u00A0\nbgn:inSupportOf<\/a> \"Th\u00E8se de doctorat : Interdisciplinaire : Sorbonne Paris Cit\u00E9 : 2017.<\/span>\" ;\u00A0\u00A0\u00A0\nlibrary:oclcnum<\/a> \"1137066302<\/span>\" ;\u00A0\u00A0\u00A0\nlibrary:placeOfPublication<\/a> <http:\/\/id.loc.gov\/vocabulary\/countries\/fr<\/a>> ;\u00A0\u00A0\u00A0\nschema:about<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/biomarqueur<\/a>> ; # Biomarqueur<\/span>\n\u00A0\u00A0\u00A0\nschema:about<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/interactions<\/a>> ; # Interactions<\/span>\n\u00A0\u00A0\u00A0\nschema:about<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Topic\/dengue<\/a>> ; # Dengue<\/span>\n\u00A0\u00A0\u00A0\nschema:about<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Topic\/technologie_medicale<\/a>> ; # Technologie m\u00E9dicale<\/span>\n\u00A0\u00A0\u00A0\nschema:about<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/apprentissage_automatique<\/a>> ; # Apprentissage automatique<\/span>\n\u00A0\u00A0\u00A0\nschema:about<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/genomique<\/a>> ; # G\u00E9nomique<\/span>\n\u00A0\u00A0\u00A0\nschema:about<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/transcriptomique<\/a>> ; # Transcriptomique<\/span>\n\u00A0\u00A0\u00A0\nschema:about<\/a> <http:\/\/dewey.info\/class\/610.28\/<\/a>> ;\u00A0\u00A0\u00A0\nschema:about<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/reseau<\/a>> ; # R\u00E9seau<\/span>\n\u00A0\u00A0\u00A0\nschema:author<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/nikolayeva_iryna_1990<\/a>> ; # Iryna Nikolayeva<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Organization\/ecole_doctorale_frontieres_de_l_innovation_en_recherche_et_education_paris<\/a>> ; # \u00C9cole doctorale Fronti\u00E8res de l\'innovation en recherche et \u00E9ducation (Paris).<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/schwikowski_benno<\/a>> ; # Benno Schwikowski<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/sakuntabhai_anavaj<\/a>> ; # Anavaj Sakuntabhai<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/yakhini_zohar<\/a>> ; # Zohar Yakhini<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Organization\/universite_paris_descartes_1970_2019<\/a>> ; # Universit\u00E9 Paris Descartes (1970-2019).<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/van_steen_kristel<\/a>> ; # Kristel Van Steen<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/patin_etienne_1981<\/a>> ; # Etienne Patin<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/flamand_marie<\/a>> ; # Marie Flamand<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/vert_jean_philippe_1973<\/a>> ; # Jean-Philippe Vert<\/span>\n\u00A0\u00A0\u00A0\nschema:contributor<\/a> <http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Organization\/universite_sorbonne_paris_cite<\/a>> ; # Universit\u00E9 Sorbonne Paris Cit\u00E9.<\/span>\n\u00A0\u00A0\u00A0\nschema:datePublished<\/a> \"2017<\/span>\" ;\u00A0\u00A0\u00A0\nschema:description<\/a> \"Les 20 derni\u00E8res ann\u00E9es ont vu l\'\u00E9mergence de technologies de mesure puissantes, permettant l\'analyse omique de diverses maladies. Ils fournissent souvent des moyens non invasifs pour \u00E9tudier l\'\u00E9tiologie des maladies complexes nouvellement \u00E9mergentes, telles que l\'infection de la dengue, transmise par les moustiques. Ma th\u00E8se se concentre sur l\'adaptation et l\'application d\'approches utilisant des r\u00E9seaux d\'interaction de g\u00E8nes et l\'apprentissage automatique pour l\'analyse de donn\u00E9es g\u00E9nomiques et transcriptomiques. La premi\u00E8re partie va au-del\u00E0 d\'une analyse pang\u00E9nomique pr\u00E9c\u00E9demment publi\u00E9e de 4 026 personnes en appliquant une analyse de r\u00E9seaux d\'interaction pour trouver des groupes de g\u00E8nes qui interagissent dans un r\u00E9seau d\'interactions fonctionnelles et qui, pris ensemble, sont associ\u00E9s \u00E0 la dengue s\u00E9v\u00E8re. Dans cette partie, j\'ai d\'abord recalcul\u00E9 les valeurs-p d\'association des polymorphismes s\u00E9quenc\u00E9s, puis j\'ai travaill\u00E9 sur le mapping des polymorphismes \u00E0 des g\u00E8nes fonctionnellement apparent\u00E9s, et j\'ai enfin explor\u00E9 diff\u00E9rentes bases de donn\u00E9es de voies m\u00E9taboliques et d\'interactions g\u00E9n\u00E9tiques pour trouver des groupes de g\u00E8nes qui, pris ensemble, sont associ\u00E9s \u00E0 la dengue s\u00E9v\u00E8re. La deuxi\u00E8me partie de ma th\u00E8se d\u00E9voile une approche th\u00E9orique pour \u00E9tudier un biais dans les algorithmes de recherche de r\u00E9seau actifs. Mon analyse th\u00E9orique sugg\u00E8re que le meilleur score de sous-r\u00E9seaux d\'une taille donn\u00E9e devrait \u00EAtre normalis\u00E9 en fonction de la taille, selon l\'hypoth\u00E8se selon laquelle il s\'agit d\'un \u00E9chantillon d\'une distribution de valeur extr\u00EAme, et non un \u00E9chantillon de la distribution normale, comme c\'est g\u00E9n\u00E9ralement le cas dans la litt\u00E9rature. Je propose alors une solution th\u00E9orique \u00E0 ce biais. La troisi\u00E8me partie pr\u00E9sente un nouvel outil de recherche de sous-r\u00E9seaux que j\'ai co-con\u00E7u. Son mod\u00E8le sous-jacent et l\'algorithme \u00E9vite le biais de taille trouv\u00E9 dans les m\u00E9thodes existantes et g\u00E9n\u00E8re des r\u00E9sultats facilement compr\u00E9hensibles. Je pr\u00E9sente une application aux donn\u00E9es transcriptomiques de la dengue. Dans la quatri\u00E8me et derni\u00E8re partie, je d\u00E9cris l\'identification d\'un biomarqueur qui d\u00E9tecte la s\u00E9v\u00E9rit\u00E9 de la dengue \u00E0 l\'arriv\u00E9e \u00E0 l\'h\u00F4pital en utilisant une nouvelle approche d\'apprentissage automatique. Cette approche combine la r\u00E9gression monotone bidimensionnelle avec la s\u00E9lection des variables. Le mod\u00E8le sous-jacent va au-del\u00E0 des approches lin\u00E9aires couramment utilis\u00E9es, tout en permettant de contr\u00F4ler le nombre de transcrits dans le biomarqueur. Le petit nombre de transcrits accompagn\u00E9 de leur repr\u00E9sentation visuelle maximisent la compr\u00E9hension et l\'interpr\u00E9tation du biomarqueur par les professionnels de la biom\u00E9decine. Je pr\u00E9sente un biomarqueur \u00E0 18 g\u00E8nes qui permet de distinguer, \u00E0 leur arriv\u00E9e \u00E0 l\'h\u00F4pital, les patients qui vont d\u00E9velopper des sympt\u00F4mes de dengue s\u00E9v\u00E8res de ceux qui auront une dengue non s\u00E9v\u00E8re. Ce biomarqueur a une performance pr\u00E9dictive \u00E9lev\u00E9e et robuste. La performance pr\u00E9dictive du biomarqueur a \u00E9t\u00E9 confirm\u00E9e sur deux ensembles de donn\u00E9es qui ont tous deux utilis\u00E9 diff\u00E9rentes technologies transcriptomiques et diff\u00E9rents sous-types de cellules sanguines.<\/span>\" ;\u00A0\u00A0\u00A0\nschema:description<\/a> \"The last 20 years have seen the emergence of powerful measurement technologies, enabling omics analysis of diverse diseases. They often provide non-invasive means to study the etiology of newly emerging complex diseases, such as the mosquito-borne infectious dengue disease. My dissertation concentrates on adapting and applying network and machine learning approaches to genomic and transcriptomic data. The first part goes beyond a previously published genome-wide analysis of 4,026 individuals by applying network analysis to find groups of interacting genes in a gene functional interaction network that, taken together, are associated to severe dengue. In this part, I first recalculated association p-values of sequences polymorphisms, then worked on mapping polymorphisms to functionally related genes, and finally explored different pathway and gene interaction databases to find groups of genes together associated to severe dengue. The second part of my dissertation unveils a theoretical approach to study a size bias of active network search algorithms. My theoretical analysis suggests that the best score of subnetworks of a given size should be size-normalized, based on the hypothesis that it is a sample of an extreme value distribution, and not a sample of the normal distribution, as usually assumed in the literature. I then suggest a theoretical solution to this bias. The third part introduces a new subnetwork search tool that I co-designed. Its underlying model and the corresponding efficient algorithm avoid size bias found in existing methods, and generates easily comprehensible results. I present an application to transcriptomic dengue data. In the fourth and last part, I describe the identification of a biomarker that detects dengue severity outcome upon arrival at the hospital using a novel machine learning approach. This approach combines two-dimensional monotonic regression with feature selection. The underlying model goes beyond the commonly used linear approaches, while allowing controlling the number of transcripts in the biomarker. The small number of transcripts along with its visual representation maximize the understanding and the interpretability of the biomarker by biomedical professionals. I present an 18-gene biomarker that allows distinguishing severe dengue patients from non-severe ones upon arrival at the hospital with a unique biomarker of high and robust predictive performance. The predictive performance of the biomarker has been confirmed on two datasets that both used different transcriptomic technologies and different blood cell subtypes.<\/span>\" ;\u00A0\u00A0\u00A0\nschema:exampleOfWork<\/a> <http:\/\/worldcat.org\/entity\/work\/id\/9934855433<\/a>> ;\u00A0\u00A0\u00A0\nschema:genre<\/a> \"Th\u00E8ses et \u00E9crits acad\u00E9miques<\/span>\" ;\u00A0\u00A0\u00A0\nschema:inLanguage<\/a> \"en<\/span>\" ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Network and machine learning approaches to dengue omics data<\/span>\" ;\u00A0\u00A0\u00A0\nschema:productID<\/a> \"1137066302<\/span>\" ;\u00A0\u00A0\u00A0\nschema:url<\/a> <https:\/\/tel.archives-ouvertes.fr\/tel-02426271<\/a>> ;\u00A0\u00A0\u00A0\nschema:url<\/a> <http:\/\/www.theses.fr\/2017USPCB032\/document<\/a>> ;\u00A0\u00A0\u00A0\nschema:url<\/a> <http:\/\/www.theses.fr\/2017USPCB032\/abes<\/a>> ;\u00A0\u00A0\u00A0\nschema:url<\/a> <http:\/\/app.parisdescartes.fr\/cgi-bin\/WebObjects\/TheseWeb.woa\/wa\/show?t=1934&f=11793<\/a>> ;\u00A0\u00A0\u00A0\nwdrs:describedby<\/a> <http:\/\/www.worldcat.org\/title\/-\/oclc\/1137066302<\/a>> ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n\n

Related Entities<\/h3>\n
<http:\/\/dewey.info\/class\/610.28\/<\/a>>\u00A0\u00A0\u00A0\u00A0a \nschema:Intangible<\/a> ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Organization\/ecole_doctorale_frontieres_de_l_innovation_en_recherche_et_education_paris<\/a>> # \u00C9cole doctorale Fronti\u00E8res de l\'innovation en recherche et \u00E9ducation (Paris).<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Organization<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"\u00C9cole doctorale Fronti\u00E8res de l\'innovation en recherche et \u00E9ducation (Paris).<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Organization\/universite_paris_descartes_1970_2019<\/a>> # Universit\u00E9 Paris Descartes (1970-2019).<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Organization<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Universit\u00E9 Paris Descartes (1970-2019).<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Organization\/universite_sorbonne_paris_cite<\/a>> # Universit\u00E9 Sorbonne Paris Cit\u00E9.<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Organization<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Universit\u00E9 Sorbonne Paris Cit\u00E9.<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/flamand_marie<\/a>> # Marie Flamand<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Person<\/a> ;\u00A0\u00A0\u00A0\nschema:familyName<\/a> \"Flamand<\/span>\" ;\u00A0\u00A0\u00A0\nschema:givenName<\/a> \"Marie<\/span>\" ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Marie Flamand<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/nikolayeva_iryna_1990<\/a>> # Iryna Nikolayeva<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Person<\/a> ;\u00A0\u00A0\u00A0\nschema:birthDate<\/a> \"1990<\/span>\" ;\u00A0\u00A0\u00A0\nschema:deathDate<\/a> \"\" ;\u00A0\u00A0\u00A0\nschema:familyName<\/a> \"Nikolayeva<\/span>\" ;\u00A0\u00A0\u00A0\nschema:givenName<\/a> \"Iryna<\/span>\" ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Iryna Nikolayeva<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/patin_etienne_1981<\/a>> # Etienne Patin<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Person<\/a> ;\u00A0\u00A0\u00A0\nschema:birthDate<\/a> \"1981<\/span>\" ;\u00A0\u00A0\u00A0\nschema:deathDate<\/a> \"\" ;\u00A0\u00A0\u00A0\nschema:familyName<\/a> \"Patin<\/span>\" ;\u00A0\u00A0\u00A0\nschema:givenName<\/a> \"Etienne<\/span>\" ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Etienne Patin<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/sakuntabhai_anavaj<\/a>> # Anavaj Sakuntabhai<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Person<\/a> ;\u00A0\u00A0\u00A0\nschema:familyName<\/a> \"Sakuntabhai<\/span>\" ;\u00A0\u00A0\u00A0\nschema:givenName<\/a> \"Anavaj<\/span>\" ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Anavaj Sakuntabhai<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/schwikowski_benno<\/a>> # Benno Schwikowski<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Person<\/a> ;\u00A0\u00A0\u00A0\nschema:familyName<\/a> \"Schwikowski<\/span>\" ;\u00A0\u00A0\u00A0\nschema:givenName<\/a> \"Benno<\/span>\" ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Benno Schwikowski<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/van_steen_kristel<\/a>> # Kristel Van Steen<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Person<\/a> ;\u00A0\u00A0\u00A0\nschema:familyName<\/a> \"Van Steen<\/span>\" ;\u00A0\u00A0\u00A0\nschema:givenName<\/a> \"Kristel<\/span>\" ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Kristel Van Steen<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/vert_jean_philippe_1973<\/a>> # Jean-Philippe Vert<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Person<\/a> ;\u00A0\u00A0\u00A0\nschema:birthDate<\/a> \"1973<\/span>\" ;\u00A0\u00A0\u00A0\nschema:deathDate<\/a> \"\" ;\u00A0\u00A0\u00A0\nschema:familyName<\/a> \"Vert<\/span>\" ;\u00A0\u00A0\u00A0\nschema:givenName<\/a> \"Jean-Philippe<\/span>\" ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Jean-Philippe Vert<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Person\/yakhini_zohar<\/a>> # Zohar Yakhini<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Person<\/a> ;\u00A0\u00A0\u00A0\nschema:familyName<\/a> \"Yakhini<\/span>\" ;\u00A0\u00A0\u00A0\nschema:givenName<\/a> \"Zohar<\/span>\" ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Zohar Yakhini<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/apprentissage_automatique<\/a>> # Apprentissage automatique<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Thing<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Apprentissage automatique<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/biomarqueur<\/a>> # Biomarqueur<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Thing<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Biomarqueur<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/genomique<\/a>> # G\u00E9nomique<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Thing<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"G\u00E9nomique<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/interactions<\/a>> # Interactions<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Thing<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Interactions<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/reseau<\/a>> # R\u00E9seau<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Thing<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"R\u00E9seau<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Thing\/transcriptomique<\/a>> # Transcriptomique<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Thing<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Transcriptomique<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Topic\/dengue<\/a>> # Dengue<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Intangible<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Dengue<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/experiment.worldcat.org\/entity\/work\/data\/9934855433#Topic\/technologie_medicale<\/a>> # Technologie m\u00E9dicale<\/span>\n\u00A0\u00A0\u00A0\u00A0a \nschema:Intangible<\/a> ;\u00A0\u00A0\u00A0\nschema:name<\/a> \"Technologie m\u00E9dicale<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/id.loc.gov\/vocabulary\/countries\/fr<\/a>>\u00A0\u00A0\u00A0\u00A0a \nschema:Place<\/a> ;\u00A0\u00A0\u00A0\ndcterms:identifier<\/a> \"fr<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n
<http:\/\/www.theses.fr\/2017USPCB032\/document<\/a>>\u00A0\u00A0\u00A0\nrdfs:comment<\/a> \"Acc\u00E8s au texte int\u00E9gral<\/span>\" ;\u00A0\u00A0\u00A0\u00A0.\n\n\n<\/div>\n