En savoir plus

Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie

Moyens de désactivation

Cookies analytiques et de performance

Realytics
Google Analytics
Spoteffects
Optimizely

Cookies de ciblage ou publicitaires

DoubleClick
Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires

Cookies fonctionnels

Cookies sociaux et publicitaires

Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.

Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.

Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.

Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse).

Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)

Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.

Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de l’INRA par email à cil-dpo@inra.fr ou par courrier à :

INRA
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2018

Menu Logo Principal AgroParisTech

MIA Paris

Marie Perrot-Dockes

Page https://marie-perrotdockes.github.io/

PhD Student

UMR518 AgroParisTech/INRA 
Team Stat&Genome 
16 rue Claude Bernard 
75 231 Paris Cedex 05 
Tel : +33 (0)1 44 08 72 09 
marie.perrot-dockes@agroparistech.fr

Research

Thesis : Regularized methods to study multivariate data in high dimensional settings : theory and applications.

Advisors : Céline Lévy-Leduc, Jullien Chiquet, Larue Sansonnet

Keywords : Regularized methods, multivariate data, high dimension

Abstracct :  In this PhD thesis we study general linear model (multivariate linear model) in high dimensional settings. We propose a novel variable selection approach in the framework of multivariate linear models taking into account the dependence that may exist between the responses. It consists in estimating beforehand the co-variance matrix of the responses and to plug this estimator in a Lasso criterion, in order to obtain a sparse estimator of the coefficient matrix. The properties of our approach are investigated both from a theoretical and a numerical point of view. More precisely, we give  general conditions that the estimators of the covariance matrix and its inverse have to satisfy in order to recover the positions of the zero and non-zero entries of the coefficient matrix when the number of responses is not fixed and can tend to infinity. We also propose novel, efficient and fully data-driven approaches for estimating Toeplitz and large block structured sparse covariance matrices in the case where the number of variables is much larger than the number of samples without limiting ourselves to block diagonal matrices. These approaches are applied to different biological issues in metabolomics, in proteomics and in immunology.

Teaching

     - Tutorial of Inferential Statistic to first year student of AgroParisTech (2016- 2019)

     - Introduction to R langage to second year students of AgroParisTech  (2016- 2019)

     - Course of probability and statistic of master 2 student at Polytech

Publications

Article publiés

  •  Journal of Multivariate Analysis M. Perrot-Dockès, C. Lévy-Leduc, L. Sansonnet, J. Chiquet, "Variable selection in multivariate linear models with high-dimensional covariance matrix estimation" , 166 :78 – 97, 2018.
  • Statistical Applications in Genetics and Molecular Biology M. Perrot-Dockès, C. Lévy-Leduc, J. Chiquet, L. Sansonnet, M. Brégère, M.-P. Étienne, S. Robin, G. Genta-Jouve "A variable selection approach in the multivariate linear model : An application to LC-MS metabolomics data" 17(5), 2018.
  • Cell M. Grandclaudon*, M. Perrot-Dockès*, C. Trichot,* O. Mostafa-Abouzid, W. Abou-Jaoudé, F. Berger, P. Hupé, D. Thieffry, L. Sansonnet, J. Chiquet, C. Lévy-Leduc, V. Soumelis A quantitative ultivariate model of human dendritic cell-Thelper cell communication. , 2019 * : ces auteurs ont contribué de manière égale à cette publication

Article soumis

  • M. Perrot-Dockès, C. Lévy-Leduc "Estimation of large block structured covariance matrices : Application to “multi-omic” approaches to study seed quality"I

Chapitre de livre (à paraître prochainement)

  • Willey M. Perrot-Dockès, C. Lévy-Leduc "Estimation of large block structured covariance matrices : Application to “multi-omic” approaches to study seed quality"I

Package R

  • MultiVarSel disponible sur le CRAN.
  • BlockCov disponible sur le CRAN.
  • VariSel disponible sur github.