Déceler des motifs dans les données génomiques.
Représenter une séquence n’est qu’un début. La vraie question : la performance du modèle résistera-t-elle à des données qu’il n’a pas vues ?
D’une séquence à des variables.
Une exploration du prétraitement, sans prédiction ni score de modèle.
Une fenêtre de 3 bases avance d’un caractère à la fois. Chaque fragment devient une variable dont on compte les occurrences.
Comptages bruts, sans normalisation ni regroupement des brins complémentaires. Cette séquence synthétique ne représente aucun patient ni jeu de données réel.
Exploration pédagogique créée pour ce portfolio. Les métriques du projet original restent absentes jusqu’à la réévaluation du prétraitement au sein des partitions d’entraînement.
Le problème
Un classificateur a besoin d’une représentation numérique des séquences génomiques. Compter de courts fragments chevauchants, les k-mers, est une possibilité. Le projet pose aussi une question d’évaluation essentielle : le prétraitement expose-t-il accidentellement des informations issues des données réservées au test ?
Fonctionnement
L’explorateur déplace une fenêtre sur une courte séquence ADN fictive et compte les fragments observés. Changer k modifie le vocabulaire et le nombre de fenêtres. Une vraie pipeline apprendrait ses transformations sur l’entraînement, les appliquerait sans modification aux données réservées et évaluerait un modèle ajusté.
Implémentation et attribution
Le compteur de k-mers est une nouvelle exploration TypeScript créée pour ce portfolio. Ce n’est ni le classificateur original, ni sa pipeline exportée, ni un service d’inférence. Les notebooks, données, comparaisons de modèles et contributions d’origine ne sont pas encore connectés ; aucun score de référence n’est revendiqué.
Choix et compromis
Un k plus grand peut capter des motifs locaux plus longs, mais augmente le vocabulaire potentiel (4ᵏ) et la parcimonie. Les comptages bruts peuvent aussi refléter la longueur des séquences. Le choix de k, la normalisation, la sélection de variables et le classificateur doivent donc faire partie d’un protocole documenté d’entraînement et de validation.
Évaluation et prochaines étapes
Le brief demande une réévaluation car les transformations doivent être apprises dans les partitions d’entraînement. Avant de publier des scores : récupérer les données et notebooks, documenter les effectifs par classe et les échantillons liés, construire une pipeline sans fuite, puis comparer les modèles avec les mêmes partitions et graines. Les erreurs par classe et l’incertitude devront accompagner les métriques globales.
Sources et reproduction
La séquence affichée est fictive et entièrement visible. Choisissez k = 2, 3 ou 4 pour reproduire chaque comptage à la main. Aucune donnée de patient, aucun modèle sauvegardé ni score original n’est inclus. La documentation ci-dessous explique les principes d’évaluation ; le dépôt original reste à fournir.
Les notebooks, modèles entraînés et résultats d’évaluation d’origine n’accompagnaient pas le brief. Cette page distingue une exploration fonctionnelle dans le navigateur des résultats restant à intégrer.
Que mettre dans le même panier ?
Une idéeen tête ?
Développement logiciel, IA appliquée ou simplement une discussion sur les projets : écrivez-moi.