Mots-Clés
omics
benchmark
data augmentation
HDLSS
Description
## English version bellow ##
Présentation du sujet
Les technologies de séquençage haut-débit ont permis la production massive de données omiques, qu’il s’agisse de génomique, de transcriptomique ou encore de protéomique, générant un nombre toujours croissant de variables biologiques par individu. Dans le domaine de la santé, et plus précisément en cancérologie pour les pathologies rares ou agressives, les études omiques sont structurellement confrontées au défi des données de haute dimensionnalité mais de faible taille d’échantillon, dites HDLSS (High Dimensional Low Sample Size). Les cohortes réelles n’excèdent souvent pas 3 à 10 réplicats biologiques par groupe en raison de la rareté des patients ou du coût élevé de ces technologies. La combinaison d’un échantillonnage réduit et d’un très grand nombre de variables entraîne une perte de puissance statistique critique, conduisant souvent à des résultats peu reproductibles et à des estimations de variance instables au niveau des gènes ou des protéines. La data augmentation consiste à générer artificiellement de nouveaux échantillons pour simuler des « patients virtuels » à partir de la distribution des données réelles. Ces méthodes pourraient permettre d’améliorer la puissance statistique au sein d’une étude et de généraliser des modèles prédictifs sur les données omiques.
État de l’art
L’augmentation de données repose sur un spectre de méthodes allant du rééchantillonnage simple aux modèles génératifs complexes. Le bootstrap avec ajout de bruit constitue une référence de base, bien qu’il puisse limiter la diversité des données synthétiques par rapport à d’autres approches génératives. Des méthodes statistiques comme la distribution normale multivariée (MVND) (Pezoulas et al.), ou les réseaux bayésiens s’avèrent robustes pour capturer les dépendances probabilistes sur de petits effectifs. En analyse différentielle, l’approche de Bayes empirique robustifiée développée par Phipson et al. permet de protéger l’analyse contre les gènes hypervariables en partageant l’information à travers l’ensemble du génome. Sur le plan algorithmique, si la méthode SMOTE par interpolation reste un classique pour l’équilibre des classes, elle passe difficilement à l’échelle de la haute dimension. À l’inverse, la synthèse séquentielle (SEQ) par arbres de décision est actuellement l’une des techniques les plus performantes pour les données tabulaires de santé, surpassant souvent l’apprentissage profond sur de petites cohortes (El Emam et al., El Kababji et al.). Enfin, les architectures d’apprentissage profond comme les GAN et les VAE offrent une grande flexibilité mais présentent des risques de surapprentissage et de production d’échantillons flous en contexte HDLSS. Des architectures spécialisées comme le modèle RHVAE (Chadebec et al.) ont donc été développées pour garantir la qualité des échantillons lorsque les données sont rares. L’étude de Juwara et El Emam souligne également l’intérêt de l’augmentation synthétique pour atténuer les biais de covariables dans les données de santé.
Objectifs
L’objectif de ce stage est de tester différentes approches d’augmentation de données afin d’établir un benchmark sur des données publiques omiques en cancérologie issues de The Cancer Genome Atlas (TCGA). Le protocole s’appuiera sur les données relatives au cancer du sein, en utilisant un jeu complet de 300 échantillons (150 « Normal » vs 150 « Triple Négatif ») pour définir une vérité terrain fiable. Le stagiaire devra simuler des scénarios de rareté par sous-échantillonnage de 3, 5 ou 10 patients par groupe, puis appliquer les méthodes d’augmentation (Bootstrap, SMOTE, SEQ, VAE). L’évaluation portera sur la fidélité des données synthétiques, mesurée notamment par la distance de Hellinger. Pour valider la pertinence des résultats, le stagiaire réalisera une analyse d’enrichissement fonctionnel (GSEA, GO ou KEGG) à partir des gènes différentiellement exprimés identifiés après augmentation. Ces profils d’enrichissement seront comparés à ceux de la vérité terrain afin de mesurer la capacité des méthodes à préserver le signal biologique fonctionnel malgré la rareté initiale des données, s’inscrivant dans la lignée des travaux de Degen et Medo sur la réplicabilité des analyses RNA-Seq.
Outils/langages
Le projet sera développé sous R et Python, mobilisant des environnements de calcul haute performance pour les modèles les plus complexes.
Profil recherché: Etudiant(e) titulaire d’un master 1 de bioinformatique / biostatistique ou assimilé,
disposant des compétences suivantes :
- Connaissances en bioinformatique, (bio)statistique et biologie
- Maîtrise de l’environnement linux/unix
- Maîtrise du langage R ou Python
- Rigueur et esprit de synthèse, ainsi que capacité à travailler en équipe
Environnement de travail: L’étudiant·e travaillera dans la cellule bioinformatique (https://bric-bioinformatics.github.io/homepage.io/) de l’unité BRIC (https://www.bricbordeaux.com/) à Bordeaux.
Presentation
High-throughput sequencing technologies have enabled mass production of omics data, whether genomic, transcriptomic, or proteomic, generating an ever-increasing number of biological variables per individual. In the health domain, and more precisely in oncology for rare or aggressive pathologies, omics studies are structurally confronted with the challenge of high-dimensional but low-sample-size data, known as HDLSS (High Dimensional Low Sample Size). Real cohorts often do not exceed 3 to 10 biological replicates per group due to patient rarity or the high cost of these technologies. The combination of reduced sampling and a very large number of variables leads to critical statistical power loss, often resulting in poorly reproducible findings and unstable variance estimates at the gene or protein level. Data augmentation consists of artificially generating new samples to simulate “virtual patients” from the distribution of real data. These methods could improve statistical power within a study and generalize predictive models on omics data.
State of the Art
Data augmentation relies on a spectrum of methods ranging from simple resampling to complex generative models. Bootstrap with noise addition constitutes a baseline reference, although it may limit the diversity of synthetic data compared to other generative approaches. Statistical methods such as multivariate normal distribution (MVND) (Pezoulas et al.) or Bayesian networks prove robust for capturing probabilistic dependencies on small sample sizes. In differential analysis, the robustified empirical Bayes approach developed by Phipson et al. protects against hyper-variable genes by sharing information across the entire genome. On the algorithmic side, while the SMOTE method by interpolation remains a classic for class balancing, it scales poorly to high dimensions. Conversely, sequential synthesis (SEQ) by decision trees is currently one of the most performing techniques for tabular health data, often outperforming deep learning on small cohorts (El Emam et al., El Kababji et al.). Finally, deep learning architectures like GANs and VAEs offer great flexibility but present risks of overfitting and production of fuzzy samples in HDLSS contexts. Specialized architectures like the RHVAE model (Chadebec et al.) have therefore been developed to ensure sample quality when data are scarce. The study by Juwara and El Emam also highlights the interest of synthetic augmentation for mitigating covariate biases in health data.
Objectives
The objective of this internship is to test different data augmentation approaches to establish a benchmark on public omics data in oncology from The Cancer Genome Atlas (TCGA). The protocol will be based on breast cancer data, using a complete dataset of 300 samples (150 “Normal” vs 150 “Triple Negative”) to define a reliable ground truth. The intern will simulate scarcity scenarios by subsampling 3, 5, or 10 patients per group, then apply augmentation methods (Bootstrap, SMOTE, SEQ, VAE). Evaluation will focus on the fidelity of synthetic data, measured notably by the Hellinger distance. To validate result relevance, the intern will perform functional enrichment analysis (GSEA, GO or KEGG) from differentially expressed genes identified after augmentation. These enrichment profiles will be compared to those from the ground truth to measure the methods’ ability to preserve functional biological signal despite initial data scarcity, continuing the work of Degen and Medo on RNA-Seq replicability.
Tools/Languages
The project will be developed under R and Python, utilizing high-performance computing environments for the most complex models.
Profile: Student holding a Master 1 degree in bioinformatics/biostatistics or equivalent, possessing the following skills:
- Knowledge in bioinformatics, (bio)statistics and biology
- Mastery of the Linux/Unix environment
- Proficiency in R or Python language
- Rigor and synthesis skills, as well as ability to work in a team
Work Environment: The intern will work within the bioinformatics cell (https://bric-bioinformatics.github.io/homepage.io/) of the BRIC unit (https://www.bricbordeaux.com/) in Bordeaux.
Références :
Pezoulas et al., Synthetic data generation methods in healthcare : A review on open-source tools and methods, Computational and Structural Biotechnology Journal (2024), 2892-2910
Degen et Medo, Replicability of bulk RNA-Seq differential expression and enrichment analysis results for small cohort sizes, PLOS Computational Biology (2025), e1011630
Phipson et al., Robust hyperparameter estimation protects against hypervariable genes and improves power to detect differential expression, Annals of Applied Statistics (2016), 946-963
El Kababji et al., Augmenting insufficiently accruing oncology clinical trials using generative models : a validation study, Journal of Medical Internet Research (2025), e66821
Chadebec et al., Data Augmentation in High Dimensional Low Sample Size Setting Using a Geometry-Based Variational Autoencoder, IEEE Transactions on Medical Imaging (2021)
Juwara et El Emam, An evaluation of synthetic data augmentation for mitigating covariate bias in health data, Patterns (2024), 100946
Liu et al., Synthetic Data Generation for Augmenting Small Samples, arXiv preprint (2025)
El Emam et al., Optimizing the synthesis of clinical trial data using sequential trees, Journal of the American Medical Informatics Association (2021), 3-13