Etude de cas d’utilisateur :
Un chercheur en mécanique quantique utilise Maple pour affiner le traitement du cancer

L’aptitude à exploiter des données complexes en tant qu’atout stratégique devient de plus en plus critique, mais le marché actuel de l’emploi connaît une pénurie de ressources d’analyses de données volumineuses. Les entreprises doivent faire face à plusieurs défis liés aux ressources inadéquates nécessaires pour traiter les données. Utilisateur Maple de longue date et chercheur en mécanique quantique, Marvin Weinstein, fait référence au problème de comprendre le sens de vastes ensembles de données comme suit : « comment trouver une aiguille dans une botte de foin multidimensionnelle sans savoir ce qu’est une aiguille et s’il y en a une dans la botte de foin ? ».

comment trouver une aiguille dans une botte de foin multidimensionnelle sans savoir ce qu’est une aiguille et s’il y en a une dans la botte de foin ?

Le Groupage Quantique Dynamique (Dynamic Quantum Clustering - DQC) réalise cet exploit en créant une carte de densité de données à l’aide de la bibliothèque Maple propriétaire de DQC et des puissants outils de visualisation de Maple. L’analyse DQC se traduit par une animation Maple fournissant une preuve visuelle des calculs complexes qui se déroulent en coulisses. Selon Marvin, les animations Maple ont constitué une part importante du succès du DQC car elles révèlent des réponses sans les mathématiques complexes. Selon lui, « ces animations vendent notre produit en exploitant l’aptitude de l’être humain à repérer des modèles qui se développent dans le temps et dans l’espace ».

Grâce aux capacités de prototypage et aux fonctionnalités personnalisables de Maple, Marvin a pu lancer et exécuter le DQC en moins d’une semaine. Marvin l’avoue : « chaque fois que je peux éviter de faire les choses [à la main], je le fais ». En utilisant la bibliothèque DQC compilée dans Maple, il a été possible pour Quantum Insights d’obtenir une puissante interface utilisateur graphique sans devoir créer cette interface à partir de rien. Marvin, qui estime qu’on perd souvent du temps en codage inutile et tâches d’analyse, exploite bon nombre des fonctionnalités intégrées de Maple pour accélérer la poursuite de ses recherches.

Le cœur du DQC est constitué d’un algorithme qui établit une cartographie du problème de groupage non supervisé en problème de mécanique quantique. Il fait appel à l’évolution quantique pour identifier les informations corrélées et révéler les détails du processus à travers une animation Maple. Cette animation dévoile typiquement des informations cachées et inattendues relatives à des données complexes. Marvin affirme que l’objet du DQC est de « laisser les données parler d’elles-mêmes ». L’avantage d’un travail sans faire de suppositions et d’hypothèses, sans épurer les données et sans nécessiter de connaissances spécialisées, signifie que le DQC est une méthode d’exploration des données plus rapide, plus efficace et moins onéreuse que les méthodes actuelles.

Figure 1: Les données brutes sont converties en clusters et filaments simplifiés à l’aide de l’algorithme DQC.

L’une des principales réalisations du DQC à ce jour est l’identification de plusieurs biomarqueurs fortement corrélés à plusieurs types de cancers. Selon Marvin, l’analyse de l’Atlas du Génome du Cancer a été choisie comme premier pas vers la recherche du cancer car il s’agit d’un problème dont chacun comprend la gravité et « nous avons tous perdu des proches que nous aimions à cause du cancer ». On espérait que de meilleures méthodes de groupage permettraient à l’ARNm de différents échantillons de tumeurs de mieux classifier les tumeurs dans des groupes biologiquement pertinents. L’étude a identifié 48 des 73000 expressions d’ARNm définissant les cinq différents types de cancers. Cette analyse, publiée dans la revue Nature Scientific Reports, a démontré sa capacité à fournir un diagnostic précis des types de cancer, fondé sur les seules données moléculaires, en révélant par ailleurs d’importants sous-types de cellules cancéreuses, au-delà de ce que les pathologistes sont en mesure d’obtenir actuellement. La sensibilité aux variations de modèles d’expression d’ARNm constitue le « Saint Graal » de la médecine de précision car elle promet de nous dire quelles sont les tumeurs susceptibles de réagir à un médicament donné et celles qui ne le sont pas. L’analyse a en outre montré que le DQC surpassait largement la méthode de référence actuelle de groupage tSNE-HDBScan, utilisée dans l’analyse des données des cancers.

Figure 2: L’algorithme DQC crée des visualisations 3D en regroupant les données dans des sous-ensembles plus significatifs.

Aujourd’hui, Marvin mène des travaux de pharmacogénomique pour offrir de meilleurs diagnostics et méthodes de traitement du cancer et d’autres maladies. Son entreprise, Quantum Insights, s’emploie à élaborer des stratégies efficaces axées sur les données. Quantum Insight, qui concentrait au départ ses activités sur le cancer, a pour objectif d’élargir les recherches à d’autres applications médicales. Marvin estime que le DQC contribuera à sauver des vies là où une meilleure analytique est nécessaire. Parmi les autres applications réussies de ses recherches, figurent des données sur la maladie d’Alzheimer, la détection du matériel nucléaire de contrebande, l’analyse des données du SDSS (Sloan Digital Sky Survey) ainsi que d’autres domaines utilisant de grandes quantités de données.

References
Roche, Kimberly E., et al. "Sorting Five Human Tumor Types Reveals Specific Biomarkers and Background Classification Genes." Figure. Nature Scientific Reports. 25 May 2018. Web. 27 June 2018.

Weinstein, Marvin. “Finding Amazing Structures Hidden In Big, Raw, Dense Data.” Figure. LinkedIN Pulse. 13 July 2015. Web. 27 June 2018.

Weinstein, Marvin. “Quantum Insights: Finding Meaning in the World’s Most Complex Datasets.” Talks at Google. 18 Sept 2017. Lecture.

Contactez Maplesoft pour savoir comment Maple peut être utilisé pour vos projets