Avec l’évolution de la génomique, un intérêt majeur en oncologie est la sélection de biomarqueurs pronostiques. Dans ce but, la pénalisation LASSO est une méthode populaire, avec un niveau de sélectivité dépendant du paramètre λ. Généralement, λ est estimé par la méthode du maximum de vraisemblance par validation croisée, mais souvent de nombreux faux positifs sont retenus.

Nous étendons cette méthode en introduisant une pénalisation type-AIC (fonction du nombre de paramètres non-nuls du modèle) permettant un compromis entre l’ajustement aux données (petit λ) et la parcimonie du modèle (grand λ). Avec cette extension, le λ optimal est supérieur ou égal à celui de la méthode classique permettant de sélectionner moins de biomarqueurs. Nous évaluons ces méthodes via une étude de simulation en comparant les taux de fausses découvertes (FDR) et de faux négatifs (FNR). Enfin, nous les appliquons sur des données d’expression dans le cancer du poumon non à petites cellules.

Dans les scénarios nuls (aucun biomarqueur actif), aucune différence n’est observée pour le FDR, cependant, l’extension sélectionne en moyenne moins de biomarqueurs. Dans les scénarios alternatifs, le FDR est systématiquement inférieur avec l’extension. Le FNR est faible et comparable, bien que légèrement plus élevé pour l’extension lorsque le nombre de sujets et de biomarqueurs sont respectivement petits et grands. Concernant l’application, la méthode classique (respectivement l’extension) détecte 32(16) et 26(6) biomarqueurs parmi les 300 adénocarcinomes et les 250 carcinomes épidermoïdes.

L’extension proposée sélectionne moins de biomarqueurs inactifs dans un modèle de Cox à haute dimension.