Contributions à l'inférence statistique pour des données génomiques

Informations générales
Nom
Neuvial
Prénom
Pierre
Diplôme
HDR
Année
2020
Détails de la thèse/HDR
Jury
Philippe Berthet, Institut de Mathématiques de Toulouse, Université Paul Sabatier (examinateur)
Anne-Laure Boulesteix, Institute for Medical Information Processing, Biometry, and Epidemiology, Ludwig-Maximilians-Universität München (rapportrice)
Elisabeth Gassiat, Laboratoire de Mathématiques d'Orsay, Université Paris Saclay (rapportrice)
Béatrice Laurent, Institut de Mathématiques de Toulouse, INSA de Toulouse (marraine)
Franck Picard, Laboratoire de biométrie et biologie évolutive, Université Claude Bernard Lyon 1 (examinateur)
Patricia Reynaud-Bouret, Laboratoire J.A. Dieudonné, Université Côte d'Azur (examinatrice)
Bertrand Thirion, INRIA Parietal, NeuroSpin (examinateur)
Jean-Philippe Vert, Mines ParisTech et Google Brain (rapporteur)
Résumé en français
Dans ce mémoire, je présente une synthèse de mes recherches sur le développement, l'étude mathématique, et l'application de modèles et méthodes statistiques tirant parti de la complexité et la structure des données génomiques pour répondre à des questions biomédicales. Ces travaux concernent (1) les tests multiples et l'inférence post hoc, (2) l'inférence à partir de données hétérogènes (combinaison de plusieurs types de données correspondant au même ensemble d'observations ou de variables), et (3) l'inférence à partir de données ordonnées (segmentation, classification sous contrainte de contiguïté).
Résumé en anglais
This thesis summarizes my research contributions to the development, mathematical study, and application of statistical models and methods that take advantage of the complexity and structure of genomic data to address biomedical questions. These contributions deal with (1) multiple testing and post hoc inference, (2) inference from heterogeneous data (combining several data types that correspond to the same set of observations or variables) and (3) inference from ordered data (segmentation, classification under contiguity
constraints).