Kevin DRADJAT soutient sa thèse de doctorat le vendredi 6 novembre 2026, 14h, Université d’Évry site IBGBI, petit amphithéâtre. (English version below)

Kevin DRADJAT soutient sa thèse de doctorat le vendredi 6 novembre 2026, 14h, Université d’Évry site IBGBI, petit amphithéâtre.

Vous êtes également cordialement invités au pot qui suivra la soutenance.

Titre: Apprentissage et transfert de représentations pour la prédiction de phénotypes à partir de données d’expression de gène

Résumé

Les données d’expression de gènes issues du séquençage ARN (RNA-seq) occupent une place centrale en médecine de précision pour la prédiction de phénotypes, la stratification des patients et l’identification de biomarqueurs. Toutefois, l’application des méthodes d’apprentissage profond à ces données est limitée par la faible disponibilité des données annotées, leur forte dimensionnalité et l’hétérogénéité des jeux de données. Cette thèse étudie différentes approches d’apprentissage par transfert afin de pallier à ces limitations. Dans un premier temps, nous analysons l’apprentissage par transfert supervisé appliqué aux données transcriptomiques bulk. Plusieurs scénarios de transfert associés à plusieurs types de pré-entraînement sont évalués, incluant le pré-entraînement pan-cancéreux, mono-tâche et multi-tâche, sur plusieurs tâches de classification cliniques. Les résultats permettent d’identifier les conditions favorisant un transfert efficace entre tâches de prédiction de phénotypes. Afin d’exploiter également les données transcriptomiques non-annotées, nous évaluons ensuite plusieurs méthodes d’apprentissage auto-supervisé. Les résultats montrent qu’elles permettent d’apprendre des représentations informatives, améliorant la prédiction de phénotypes lorsque peu de données annotées sont disponibles. Enfin, l’hétérogénéité des jeux de données constituant une autre difficulté majeure pour le transfert de représentations, nous proposons une approche d’adaptation de domaine fondée sur l’apprentissage adversarial pour transférer efficacement les représentations entre jeux de données hétérogènes. En apprenant des représentations invariantes au domaine tout en préservant les informations discriminantes, cette approche améliore significativement les performances dans les scénarios de faible disponibilité des données. Ces travaux montrent que les méthodes d’apprentissage par transfert constituent des approches pertinentes afin d’exploiter efficacement les données transcriptomiques disponibles et ouvrent la voie au développement de modèles plus robustes, généralisables et adaptés aux applications de médecine de précision.

Composition du jury de thèse/Composition of the doctoral thesis jury

Membre du jury	Titre	Lieu d’exercice	Fonction dans le jury
Laurent JACOB	Directeur de Recherche	CNRS, Sorbonne Université	Rapporteur
Mohamed ELATI	Professeur des Universités	Université de Lille	Rapporteur
Alessandra CARBONE	Professeure des Universités	Sorbonne Université	Examinatrice
Dominique FOURER	Maître de Conférences	Université Évry Paris-Saclay	Examinateur
Blaise HANCZAR	Professeur des Universités	Université Évry Paris-Saclay	Directeur de thèse
Massinissa HAMIDI	Maître de Conférences	Université Évry Paris-Saclay	Co-encadrant

English version

Kevin DRADJAT will defend his doctoral thesis on Friday, November 6, 2026, at 2 p.m., at the University of Évry, IBGBI campus, small amphitheater.

You are also warmly invited to the reception that will follow the defense.

Title: Transfer and representation learning for phenotype prediction from gene expression data

Abstract:

RNA sequencing (RNA-seq) gene expression data play a central role in precision medicine for phenotype prediction, patient stratification, and biomarker discovery. However, the application of deep learning methods to these data remains limited by the scarcity of annotated samples, the high dimensionality of transcriptomic profiles, and the heterogeneity of available datasets. This thesis investigates several transfer learning strategies to overcome these limitations. First, we analyze supervised transfer learning applied to bulk transcriptomic data. Several transfer scenarios involving different pre-training strategies, including pan-cancer, single-task, and multi-task pre-training, are evaluated across several clinical classification tasks. The results identify the conditions that favor effective transfer between phenotype prediction tasks. To also leverage unlabeled transcriptomic data, we then evaluate several self-supervised learning methods. The results show that these methods can learn informative representations, improving phenotype prediction when only a limited amount of annotated data is available. Finally, as dataset heterogeneity represents another major challenge for representation transfer, we propose an adversarial domain adaptation approach to effectively transfer representations across heterogeneous datasets. By learning domain-invariant representations while preserving discriminative information, this approach significantly improves performance in low-data settings. Overall, this work demonstrates that transfer learning provides effective strategies for exploiting the diversity of available transcriptomic data. The proposed approaches pave the way toward more robust and generalizable models for phenotype prediction and precision medicine applications.

Jury member	Position	Institution	Role in the jury
Laurent JACOB	Research Director	CNRS, Sorbonne University	Reviewer
Mohamed ELATI	Full Professor	University of Lille	Reviewer
Alessandra CARBONE	Full Professor	Sorbonne University	Examiner
Dominique FOURER	Associate Professor	University of Évry Paris-Saclay	Examiner
Blaise HANCZAR	Full Professor	University of Évry Paris-Saclay	Thesis supervisor
Massinissa HAMIDI	Associate Professor	University of Évry Paris-Saclay	Co-supervisor

Date: vendredi 06/11/2026, 14h
Lieu: Université Évry Paris-Saclay, site IBGBI, 23 boulevard de France 91025 EVRY-COURCOURONNES, petit amphithéâtre
Doctorant : Kevin DRADJAT (Université d’Évry, Université Paris Saclay, IBISC équipe AROBAS)
Direction de thèse: Blaise HANCZAR (PR Univ. Évry, IBISC équipe AROBAS), directeur de thèse; Massinissa HAMIDI (MCF Univ. Évry, IBISC équipe AROBAS), co-encadrant