# Log-Ratio Transformation of Microarray Gene Expression Data Reduces False Positive Feature Selection and Improves Cancer Subtype Classification Accuracy in High-Dimensional, Low-Sample-Size Settings

## Metadata

- **SPORE ID**: SPR-2026-358E
- **Domaines**: Gene expression and cancer classification x Geochemistry and Geologic Mapping
- **Date de generation**: 2026-07-21
- **Panel consensus score**: 6.3/10
- **Novelty score**: 0.85/1.0
- **Panel verdict**: publish_brief

## Abstract

If microarray gene expression data, which is compositional (i.e., each sample's total measured intensity is constrained to a constant sum), is preprocessed using a centered log-ratio (CLR) or isometric log-ratio (ILR) transformation before training a deep learning classifier (CNN or LSTM), then the false positive rate (FPR) of feature selection will be significantly lower and the balanced accuracy of cancer subtype classification will be significantly higher compared to standard normalization (RMA, quantile), because the log-ratio transformation removes the spurious negative correlation bias induced by the closure constraint, thereby revealing the true covariance structure among genes.

The proposed mechanism involves 5 causal steps: (1) Raw microarray probe intensities for a given sample are normalized by standard m -> (2) For standard normalization, the closure constraint (sum of intensities per sampl -> (3) A feature selection step (e.g., ANOVA F-test or mutual information) is applied t -> (4) A deep learning classifier (CNN or LSTM) is trained on the top-k selected featur.

Literature grounding on 10 verified references yields a novelty score of 0.85 (novel). A 3-phase experimental protocol (budget: €20k-80k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 6.3/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If microarray gene expression data, which is compositional (i.e., each sample's total measured intensity is constrained to a constant sum), is preprocessed using a centered log-ratio (CLR) or isometric log-ratio (ILR) transformation before training a deep learning classifier (CNN or LSTM), then the false positive rate (FPR) of feature selection will be significantly lower and the balanced accuracy of cancer subtype classification will be significantly higher compared to standard normalization (RMA, quantile), because the log-ratio transformation removes the spurious negative correlation bias induced by the closure constraint, thereby revealing the true covariance structure among genes.

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| Normalization method applied to raw microarray expression matrix | categorical | RMA, Quantile, CLR, ILR (with 3 different orthonormal bases) | categorical |
| Deep learning classifier architecture | categorical | CNN (2D image-based), LSTM (1D sequence-based) | categorical |
| Number of selected features (genes) used for classification | continuous | 50 - 500 | genes |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| False positive rate (FPR) of differential expression feature selection | continuous | decrease | proportion (0 to 1) |
| Balanced accuracy of cancer subtype classification | continuous | increase | proportion (0 to 1) |
| Stability of selected feature sets across cross-validation folds | continuous | increase | Jaccard index (0 to 1) |

### 1.3 Chaine causale

1. Step 1: Raw microarray probe intensities for a given sample are normalized by standard methods (RMA, quantile) which do not enforce a constant sum constraint, or by CoDA methods (CLR, ILR) which explicitly map the data from the simplex to real space via log-ratios.
1. Step 2: For standard normalization, the closure constraint (sum of intensities per sample is approximately constant) remains implicit, inducing a negative correlation bias among all genes (Pearson's paradox). For CoDA, the log-ratio transformation removes this bias by making the covariance structure independent of the total sum.
1. Step 3: A feature selection step (e.g., ANOVA F-test or mutual information) is applied to the normalized data. Under standard normalization, many genes appear differentially expressed due to the spurious negative correlation, inflating the FPR. Under CoDA, the true differentially expressed genes are ranked higher.
1. Step 4: A deep learning classifier (CNN or LSTM) is trained on the top-k selected features. With CoDA preprocessing, the input feature space contains fewer false positives, reducing overfitting and improving generalization, measured as higher balanced accuracy on held-out test sets.
1. Step 5: The stability of the selected feature set across cross-validation folds is quantified via the Jaccard index. CoDA preprocessing is expected to yield higher stability because the selection is driven by true biological signal rather than compositional artifacts.

**Hypotheses cles :**

- Assumption 1: The total measured intensity per microarray sample (after background correction) is approximately constant across samples within a given dataset (coefficient of variation < 10%).
- Assumption 2: The compositional nature of the data is the dominant source of spurious correlations in the high-dimensional, low-sample-size (HDLSS) regime.
- Assumption 3: The deep learning classifiers (CNN, LSTM) are capable of learning non-linear decision boundaries from the log-ratio transformed features without requiring the covariance matrix to be full rank.
- Assumption 4: Zero or near-zero expression values can be handled by a pseudo-count replacement (e.g., 0.5) or a filter (e.g., remove genes with mean expression < 1 count per million) without introducing significant bias.

**Inconnues identifiees :**

- We do not know whether the optimal orthonormal basis for ILR transformation is dataset-dependent.
- We do not know whether the stability of deep learning classifiers to the singular covariance matrix after CLR is sufficient without explicit regularization.
- We do not know whether the magnitude of the FPR reduction is consistent across different cancer types and microarray platforms.

### 1.4 Conditions aux limites

- **The total intensity per sample must have a coefficient of variation (CV) less than 15% across samples in the dataset.** — If the CV exceeds 15%, the closure constraint is weak, and the compositional artifact is negligible; the proposed mechanism would not apply.
- **The number of samples (n) must be at least 30, and the number of features (p) must be at least 10 times n (p/n > 10).** — The HDLSS regime is defined by p >> n. Below p/n = 10, standard regularization methods may already suffice, and the compositional artifact is less dominant.
- **The deep learning classifier must use a regularization technique (e.g., dropout, weight decay, or early stopping) to handle the singular covariance matrix after CLR transformation.** — Without regularization, the classifier may fail to converge or overfit severely due to the rank-deficient covariance matrix.
- **Genes with zero expression in more than 20% of samples must be filtered out or imputed before log-ratio transformation.** — Log-ratio transformations are undefined for zeros. A pseudo-count of 0.5 is used for remaining zeros, but high sparsity can bias results.

### 1.5 Cadre theorique

Compositional Data Analysis (CoDA) and the Aitchison geometry of the simplex, applied to high-dimensional biological data.

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2018] Benchmarking differential expression analysis tools for RNA-Seq: normalization-based vs. log-ratio transformation-based methods** — [10.1186/s12859-018-2261-8](https://doi.org/10.1186/s12859-018-2261-8)
  - Similarite: related
  - Difference cle: This paper applies log-ratio transformations (CoDA) to RNA-Seq count data for differential expression analysis, but does not extend to cancer classification with deep learning (LSTM-DBN, CNN) nor address the HDLSS feature selection paradox. The hypothesis proposes a novel pipeline combining CoDA preprocessing with deep learning classifiers for cancer subtype classification, which is not explored here.
- **[2017] Clustering transformed compositional data using K-means, with applications in gene expression and bicycle sharing system data** — [10.1080/02664763.2018.1454894](https://doi.org/10.1080/02664763.2018.1454894)
  - Similarite: related
  - Difference cle: This paper applies CoDA (log-ratio transformations) to gene expression data for clustering, not classification. The hypothesis specifically targets cancer classification using deep learning and addresses the normalization paradox in feature selection, which is a distinct methodological contribution.
- **[2019] DeepGx: Deep Learning Using Gene Expression for Cancer Classification** — [10.1145/3341161.3343516](https://doi.org/10.1145/3341161.3343516)
  - Similarite: related
  - Difference cle: This paper uses deep learning (image-based transformation) for cancer classification from gene expression, but does not apply CoDA preprocessing or address the compositional nature of the data. The hypothesis proposes a fundamentally different preprocessing step (log-ratio transformation) that could resolve artifacts from standard normalization.

### 2.2 Base de preuves

- **[2018] Benchmarking differential expression analysis tools for RNA-Seq: normalization-based vs. log-ratio transformation-based methods** — [10.1186/s12859-018-2261-8](https://doi.org/10.1186/s12859-018-2261-8)
  - Type: direct | Citations: 68
  - Directly supports the core mechanism: demonstrates that RNA-Seq data (like gene expression) is compositional and that log-ratio transformations (CoDA) can replace standard normalization for differential expression analysis. This validates the mathematical bridge between compositional data analysis and gene expression.
- **[2017] Clustering transformed compositional data using K-means, with applications in gene expression and bicycle sharing system data** — [10.1080/02664763.2018.1454894](https://doi.org/10.1080/02664763.2018.1454894)
  - Type: direct | Citations: 58
  - Directly applies CoDA (log-ratio transformations) to gene expression data for clustering, demonstrating that compositional data analysis is valid and useful for gene expression profiles. Supports the idea that gene expression data can be treated as compositional.
- **[2023] Hybrid Filter and Genetic Algorithm-Based Feature Selection for Improving Cancer Classification in High-Dimensional Microarray Data** — [10.3390/pr11020562](https://doi.org/10.3390/pr11020562)
  - Type: indirect | Citations: 71
  - Indirectly supports the hypothesis by highlighting the feature selection paradox in high-dimensional microarray data. The paper proposes a hybrid feature selection method to address this, but does not consider compositional normalization. This underscores the need for the CoDA-based approach proposed in the hypothesis.
- **[2019] Analysis of the microarray gene expression for breast cancer progression after the application modified logistic regression.** — [10.1016/j.gene.2019.144168](https://doi.org/10.1016/j.gene.2019.144168)
  - Type: indirect | Citations: 43
  - Indirectly supports by describing the HDLSS problem in microarray data (low sample size, large feature number, non-square matrix). This is the exact setting where the hypothesis claims CoDA can resolve artifacts. The paper does not use CoDA, highlighting the gap.
- **[2019] DeepGx: Deep Learning Using Gene Expression for Cancer Classification** — [10.1145/3341161.3343516](https://doi.org/10.1145/3341161.3343516)
  - Type: indirect | Citations: 78
  - Indirectly supports by showing that deep learning (transforming 1D gene expression to 2D images) can be effective for cancer classification. The hypothesis proposes a different preprocessing (CoDA) before deep learning, which could potentially improve upon this approach.
- **[2022] Graph convolutional network-based feature selection for high-dimensional and low-sample size data** — [10.1093/bioinformatics/btad135](https://doi.org/10.1093/bioinformatics/btad135)
  - Type: indirect | Citations: 39
  - Indirectly supports by addressing the HDLSS feature selection challenge with a deep learning method (GRACES). The hypothesis argues that CoDA preprocessing can reduce false positive feature selection, which is complementary to this approach.
- **[2020] Major and trace element mapping of garnet: Unravelling the conditions, timing and rates of metamorphism of the Snowcap assemblage, west‐central Yukon** — [10.1111/jmg.12562](https://doi.org/10.1111/jmg.12562)
  - Type: analogous | Citations: 32
  - Analogous support from geochemistry: demonstrates the use of compositional data (major and trace elements in garnet) to infer geological processes. This is the domain from which CoDA principles originate, supporting the validity of the methodological transfer proposed in the hypothesis.
- **[2003] Identification and correction of spurious spatial correlations in microarray data.** — [10.2144/03351BM03](https://doi.org/10.2144/03351BM03)
  - Type: indirect | Citations: 31
  - Indirectly supports by showing that microarray data contains systematic errors (spurious spatial correlations) that require correction. This is analogous to the 'spurious correlations' problem in compositional data (Pearson's paradox), which the hypothesis aims to address via CoDA.

### 2.3 Contre-preuves et limitations connues

- **[minor] Homogeneous Data Normalization and Deep Learning: A Case Study in Human Activity Classification**
  - This paper concludes that data normalization techniques are not helpful in classification problems with homogeneous data. This could be interpreted as a minor counter-argument if gene expression data is considered 'homogeneous' in terms of its compositional structure. However, the paper deals with sensor data, not gene expression, and the hypothesis specifically argues that gene expression is NOT homogeneous due to the closure problem.
- **[minor] Computational and analytical framework for small RNA profiling by high-throughput sequencing.**
  - This paper introduces synthetic RNA standards for normalization of HTS data, suggesting that external spike-ins can provide absolute quantification, which could circumvent the compositional problem. This is a minor counter-point because the hypothesis focuses on standard normalization methods (RMA, TPM) that do not use spike-ins, and the paper does not invalidate the compositional nature of data without spike-ins.

### 2.4 Evaluation de nouveaute

- **Score**: 0.85/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | The FPR of feature selection (at a nominal alpha=0.05) will be at least 15% lower for CLR/ILR-preprocessed data compared to RMA-preprocessed data. | Reduction of 15-30% in FPR, measured over 100 Monte Carlo simulations of synthetic data with known ground truth and fold-changes of 1.2-1.5. | Synthetic microarray data generated from a known covariance structure with a subset of truly differentially expressed genes. FPR computed as (number of false positives) / (total number of non-differentially expressed genes). | H0: The FPR for CLR/ILR is equal to or greater than the FPR for RMA (one-sided test). | Paired t-test (or Wilcoxon signed-rank if normality violated) on FPR values from 100 simulation replicates, alpha=0.05, one-sided. |
| 2 | The balanced accuracy of cancer subtype classification will be at least 5 percentage points higher for CLR/ILR-preprocessed data compared to RMA-preprocessed data, when using a CNN classifier on the top 200 selected features. | Increase of 5-12 percentage points in balanced accuracy, measured on 3 public microarray datasets (e.g., GSE2034, GSE1456, GSE3494) using repeated 10-fold cross-validation (5 repeats). | Balanced accuracy = (sensitivity + specificity) / 2, computed on held-out test folds. Hyperparameters of CNN are tuned on a separate validation set in a blinded manner. | H0: The balanced accuracy for CLR/ILR is equal to or less than the balanced accuracy for RMA (one-sided test). | Paired t-test on the 50 cross-validation accuracy values (10 folds x 5 repeats) for each dataset, alpha=0.05, one-sided, with Bonferroni correction for 3 datasets. |
| 3 | The Jaccard index of the top 200 selected features across cross-validation folds will be at least 0.10 higher for CLR/ILR-preprocessed data compared to RMA-preprocessed data. | Increase of 0.10-0.25 in mean Jaccard index, measured over 10-fold cross-validation. | For each fold, select top 200 features by ANOVA F-test. Compute pairwise Jaccard index between all fold pairs. Average over all pairs. | H0: The mean Jaccard index for CLR/ILR is equal to or less than the mean Jaccard index for RMA (one-sided test). | Paired t-test on the mean Jaccard indices from 5 repeated cross-validation runs, alpha=0.05, one-sided. |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €20k-80k

### 4.1 Phase 1 — In Silico Validation – Simulation et Réfutation Rapide

**Objectif**: Démontrer que le mécanisme central (biais de corrélation négative dû à la contrainte de somme constante) est bien la cause de l'inflation du FPR, et que les transformations CLR/ILR le corrigent, en utilisant des données synthétiques avec vérité terrain connue.

**Methodologie**: 1. Génération de données synthétiques : Simuler 100 jeux de données de puces à ADN avec p=5000 gènes, n=50 échantillons, en utilisant un modèle de covariance structurée (e.g., bloc diagonal avec corrélations intra-bloc ρ=0.3, inter-bloc ρ=0.0). Ajouter un signal différentiel pour 50 gènes (fold-change 1.2-1.5). Appliquer une contrainte de somme constante (normalisation par somme totale) pour simuler l'effet de composition. 2. Prétraitement : Appliquer RMA, Quantile, CLR, ILR (3 bases orthonormales aléatoires). 3. Sélection de caractéristiques : ANOVA F-test (α=0.05) sur chaque jeu de données. 4. Calcul du FPR : (nombre de faux positifs) / (nombre total de gènes non-différentiels). 5. Test statistique : Test de Wilcoxon signé unilatéral comparant FPR(CLR/ILR) vs FPR(RMA) sur 100 réplicats. 6. Analyse de stabilité : Calcul de l'indice de Jaccard moyen des top-200 gènes sélectionnés sur 10 folds de validation croisée.

- Cout: €500-2000
- Duree: 4-6 weeks
- Equipement: Station de travail avec CPU 8 cœurs, 32 Go RAM
- Logiciels: Python 3.9+, R 4.2+, Bibliothèques Python : numpy, scipy, scikit-learn, pandas, matplotlib, Bibliothèques R : CoDaSeq, mixOmics, propr, Environnement : Jupyter Notebook ou RStudio

**Criteres de succes :**

- Réduction médiane du FPR pour CLR/ILR par rapport à RMA: ≥ 15% (médiane sur 100 réplicats)
- Significativité statistique de la réduction: p < 0.05 (test de Wilcoxon unilatéral)
- Stabilité de la sélection (Jaccard index moyen): ≥ 0.10 d'augmentation pour CLR/ILR vs RMA

- **GO**: Les trois critères de succès sont remplis simultanément.
- **NO-GO**: Un ou plusieurs critères ne sont pas atteints (e.g., réduction < 10%, p > 0.10, ou Jaccard index non amélioré).
- **PIVOT**: Si la réduction du FPR est observée mais que la stabilité n'est pas améliorée, envisager de tester d'autres méthodes de sélection de caractéristiques (e.g., Mutual Information, LASSO) en Phase 2.

### 4.2 Phase 2 — Minimal Experimental Validation – Test sur un Jeu de Données Réel

**Objectif**: Confirmer que les résultats de la Phase 1 se généralisent à un jeu de données réel de puces à ADN (cancer du sein), en mesurant le FPR et la précision équilibrée de classification.

**Methodologie**: 1. Jeu de données : Utiliser GSE2034 (cancer du sein, 286 échantillons, sous-types : ER+ vs ER-). Vérifier les conditions limites : CV de l'intensité totale < 15%, p/n > 10. Filtrer les gènes avec >20% de zéros. 2. Prétraitement : Appliquer RMA, Quantile, CLR, ILR (1 base). 3. Sélection de caractéristiques : ANOVA F-test (α=0.05) pour sélectionner les top-200 gènes. 4. Classification : Entraîner un CNN 1D (ou MLP simple si CNN trop coûteux) avec régularisation (dropout 0.5, early stopping). Validation croisée répétée 5x10-fold. 5. Métriques : FPR estimé par permutation (shuffling des labels) pour chaque méthode ; précision équilibrée sur les folds de test. 6. Comparaison : Test de Wilcoxon apparié sur les 50 valeurs de précision équilibrée (5 répétitions x 10 folds) entre CLR/ILR et RMA.

- Cout: €2k-5k (coût de calcul GPU si nécessaire)
- Duree: 1-2 months
- Equipement: Station de travail avec GPU (NVIDIA RTX 3060 ou supérieur) recommandé mais pas obligatoire
- Logiciels: Python 3.9+, TensorFlow 2.x ou PyTorch 2.x, scikit-learn, pandas, numpy, GEOquery (R) ou pandas pour télécharger les données

**Criteres de succes :**

- Augmentation de la précision équilibrée pour CLR/ILR vs RMA: ≥ 5 points de pourcentage (médiane sur 50 folds)
- Significativité statistique de l'augmentation: p < 0.05 (test de Wilcoxon apparié unilatéral)
- Réduction du FPR estimé par permutation: ≥ 10% de réduction relative pour CLR/ILR vs RMA

- **GO**: Les trois critères de succès sont remplis sur le jeu de données GSE2034.
- **NO-GO**: Un ou plusieurs critères ne sont pas atteints (e.g., augmentation < 3 points, p > 0.10).
- **PIVOT**: Si la précision équilibrée augmente mais que le FPR ne diminue pas, envisager de tester d'autres classifieurs (e.g., LSTM, XGBoost) ou d'ajouter une étape de sélection de caractéristiques plus robuste (e.g., LASSO).

### 4.3 Phase 3 — Full Experimental Protocol – Validation Multi-Datasets et Généralisation

**Objectif**: Valider rigoureusement et de manière publiable l'hypothèse sur 3 jeux de données publics indépendants, avec des architectures deep learning avancées (CNN 2D, LSTM) et une analyse complète de la stabilité et de la reproductibilité.

**Methodologie**: 1. Jeux de données : GSE2034, GSE1456, GSE3494 (cancer du sein, sous-types ER+/ER-). Vérifier les conditions limites pour chaque dataset. 2. Prétraitement : RMA, Quantile, CLR, ILR (3 bases). 3. Sélection de caractéristiques : ANOVA F-test, Mutual Information, LASSO (pour comparaison). 4. Classification : CNN 2D (images de 20x10 gènes ordonnés par corrélation), LSTM (séquence de gènes ordonnés par expression). Hyperparamètres optimisés par validation croisée interne (GridSearch sur dropout, learning rate, nombre de couches). 5. Métriques : FPR (par permutation), précision équilibrée, Jaccard index, AUC-ROC. 6. Analyse statistique : Tests de Wilcoxon appariés avec correction de Bonferroni (3 datasets). Analyse de puissance post-hoc. 7. Reproductibilité : Code et pipelines entièrement conteneurisés (Docker), dépôt GitHub public, données d'analyse sur Zenodo.

- Cout: €15k-50k (coût de calcul GPU, stockage, publication en open access)
- Duree: 6-12 months
- Equipement: Serveur de calcul avec GPU (NVIDIA A100 ou équivalent) ou cluster HPC
- Logiciels: Python 3.9+, TensorFlow 2.x ou PyTorch 2.x, Docker, Snakemake ou Nextflow pour le pipeline, Git, DVC pour le versioning des données

**Criteres de succes :**

- Augmentation de la précision équilibrée pour CLR/ILR vs RMA (moyenne sur 3 datasets): ≥ 5 points de pourcentage (moyenne pondérée par la taille du dataset)
- Significativité statistique après correction de Bonferroni: p < 0.0167 (0.05/3) pour chaque dataset individuellement
- Réduction du FPR (moyenne sur 3 datasets): ≥ 15% de réduction relative pour CLR/ILR vs RMA
- Stabilité de la sélection (Jaccard index moyen): ≥ 0.15 d'augmentation pour CLR/ILR vs RMA (moyenne sur 3 datasets)

- **GO**: Tous les critères de succès sont remplis pour au moins 2 des 3 datasets, avec des résultats cohérents.
- **NO-GO**: Les résultats sont contradictoires entre datasets (e.g., amélioration sur un seul dataset) ou les critères ne sont pas atteints.
- **PIVOT**: Si les résultats sont positifs mais faibles, envisager de tester des transformations log-ratio alternatives (e.g., additive log-ratio) ou d'utiliser des méthodes d'apprentissage profond plus adaptées aux données compositionnelles (e.g., réseaux de neurones invariants par permutation).

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Écrire le script Python de génération de données synthétiques avec covariance structurée et contrainte de somme constante, en utilisant numpy et scipy.
- **Outils**: Python 3.9+, numpy, scipy, scikit-learn, Jupyter Notebook
- **Donnees ouvertes**: Aucune donnée externe nécessaire (synthétique)

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.85/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 6.5/10

**Forces :**
- Marché adressable clair et quantifiable : laboratoires de pathologie moléculaire et CROs (ex: NeoGenomics, Foundation Medicine, Guardant Health) qui réalisent des tests de classification de sous-types de cancer à partir de données transcriptomiques (Affymetrix, Illumina microarrays). Le coût d'un faux positif en sélection de gènes est élevé (développement de panels de biomarqueurs inutiles, échecs d'essais cliniques). Un gain de 5-12% de balanced accuracy se traduit directement en réduction du taux d'échec des signatures pronostiques, ce qui a une valeur commerciale immédiate.
- Avantage compétitif net : la transformation log-ratio ne nécessite aucun changement matériel (même pipeline bioinfo, même GPU). C'est une modification logicielle de 3 lignes de code dans le préprocessing. Pour un CRO, proposer une 'méthode certifiée CLR' comme service premium (ex: +15% sur le prix du test) est un argument de vente différenciateur face aux pipelines standard RMA/quantile. Aucun concurrent (Illumina, ThermoFisher) n'a breveté ce préprocessing spécifique pour la classification de sous-types.

**Faiblesses :**
- Barrière au déploiement majeure : les pipelines de classification clinique (ex: BluePrint, MammaPrint) sont validés et certifiés IVD (In Vitro Diagnostic) avec des seuils de décision calibrés sur des données pré-traitées en RMA. Changer le préprocessing nécessite une re-validation complète du test clinique (coût estimé >500k€, 12-18 mois), ce qui rend l'adoption immédiate impossible pour les tests déjà commercialisés. Le marché se limite donc aux nouvelles signatures en développement, pas au remplacement des pipelines existants.
- Risque commercial : les données de microarrays sont en déclin structurel face au RNA-seq. Même si le problème de compositionnalité persiste en RNA-seq (profondeur de séquençage variable), les transformations log-ratio y sont moins standardisées. Le marché adressable se réduit d'environ 20% par an. Le ROI dépend de la capacité à migrer la preuve de concept vers les données RNA-seq (comptages) dans les 2 ans.

**Recommandation**: Ne pas développer en interne. Au lieu de cela, approcher 2-3 CROs de taille moyenne (ex: Almac Diagnostics, Biodesix) avec une offre de licence logicielle pour un module de préprocessing 'CLR-optimized' intégré à leur pipeline de développement de signatures. Le modèle de revenu serait un paiement upfront de 50k€ + royalties de 2% sur les ventes de tests utilisant la méthode. Cibler d'abord les tests en développement (pas les tests certifiés), puis migrer vers RNA-seq en phase 2. Le budget de 80k€ est suffisant pour produire une preuve de concept sur 3 datasets RNA-seq (TCGA) et déposer un brevet provisoire. Timeline commerciale réaliste : 18 mois pour un premier contrat de licence.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ANR Jeune Chercheur (JCJC) 2025 | Agence Nationale de la Recherche (ANR) | 0.85 | €150k-250k | 15-20% (estimation 2024) |
| NIH R03 (Small Grant Program) 2025 | National Institutes of Health (NIH) | 0.75 | €50k-100k (USD 50k-100k) | 30-35% (estimation 2024) |
| ERC Starting Grant 2026 | European Research Council (ERC) | 0.65 | €1.5M-2.5M | 14-16% (estimation 2025) |

- **ANR Jeune Chercheur (JCJC) 2025** (Agence Nationale de la Recherche (ANR)): Ce programme cible les chercheurs en début de carrière (max 8 ans après thèse) et finance des projets exploratoires à fort potentiel. L'hypothèse, bien que TRL bas, est mécanistique et originale, ce qui correspond au profil JCJC. Le budget demandé (20k-80k) est très en deçà du plafond, ce qui est un atout pour la faisabilité. Le consortium n'est pas obligatoire, mais une collaboration avec un clinicien est valorisée.
- **NIH R03 (Small Grant Program) 2025** (National Institutes of Health (NIH)): Le R03 est conçu pour des projets pilotes ou de validation de concept avec un budget limité et une durée de 2 ans. L'hypothèse, centrée sur la réduction des faux positifs en sélection de features, est directement pertinente pour les programmes NIH en cancer genomics (NCI). Le faible budget et la timeline courte (8-14 mois) sont parfaitement adaptés. Pas de consortium requis, mais une lettre de soutien d'un centre clinique américain serait un plus.
- **ERC Starting Grant 2026** (European Research Council (ERC)): Bien que le budget demandé soit très inférieur à la norme ERC, l'hypothèse a un fort potentiel de 'groundbreaking research' si elle est validée. L'ERC valorise l'originalité et le risque calculé. Cependant, le TRL actuel (2-3) est trop bas pour un Starting Grant ; il faudrait avoir terminé la phase 2 (validation sur un dataset réel) avant de postuler. Le consortium n'est pas nécessaire, mais le PI doit démontrer une capacité à diriger un projet indépendant. À envisager après 12-18 mois de travail préliminaire.

**Recommandation financement**: Cibler en priorité un financement de type ANR Jeune Chercheur (JCJC) ou un ERC Starting Grant, mais en renforçant d'abord la preuve de concept par une phase 1 in silico rapide (4-6 semaines) pour atteindre un TRL 3-4. Parallèlement, initier des contacts avec des cliniciens et des bio-informaticiens pour structurer un consortium minimal. Pour Horizon Europe, attendre d'avoir des résultats multi-datasets solides (phase 3) avant de postuler à un appel Cluster 1 (Health). En attendant, un financement de type NIH R03 (petite subvention exploratoire) est plus réaliste pour valider l'hypothèse.

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 7.8/10 | accept | Excellente articulation entre hypothèse mécanistique (biais de corrélation négative dû à la contrainte de somme constante) et prédictions falsifiables quantifiées avec des bornes précises (15-30% de réduction du FPR, 5-12 points de pourcentage de précision équilibrée). Cela permet une réfutation claire et évite les conclusions vagues. |
| domain_expert | 7.2/10 | accept | L'hypothèse identifie correctement un problème fondamental et souvent négligé en analyse de données d'expression génique : la nature compositionnelle des données de microarray et le biais de corrélation négative induit par la contrainte de somme constante (paradoxe de Pearson). L'application de la transformation log-ratio (CLR/ILR) comme solution est théoriquement fondée sur la géométrie d'Aitchison du simplexe. |
| contrarian | 3.5/10 | weak_reject | L'identification du problème de corrélation négative induite par la contrainte de somme constante (paradoxe de Pearson) est théoriquement fondée et constitue une préoccupation légitime pour l'analyse des données de puces à ADN. |
| industrialist | 6.5/10 | accept | Marché adressable clair et quantifiable : laboratoires de pathologie moléculaire et CROs (ex: NeoGenomics, Foundation Medicine, Guardant Health) qui réalisent des tests de classification de sous-types de cancer à partir de données transcriptomiques (Affymetrix, Illumina microarrays). Le coût d'un faux positif en sélection de gènes est élevé (développement de panels de biomarqueurs inutiles, échecs d'essais cliniques). Un gain de 5-12% de balanced accuracy se traduit directement en réduction du taux d'échec des signatures pronostiques, ce qui a une valeur commerciale immédiate. |
| funding_strategist | 6.5/10 | weak_accept | Hypothèse originale et mécanistique : l'identification du biais de corrélation négative dû à la contrainte de somme constante (closure) dans les données de microarrays est un angle rarement exploré dans le ML biomédical, ce qui offre un fort potentiel de novelty pour un évaluateur. |

**Consensus score**: 6.3/10
**Verdict final**: publish_brief

### 6.1 Consensus

- L'hypothèse identifie un problème fondamental et souvent négligé : la nature compositionnelle des données de microarray et le biais de corrélation négative induit par la contrainte de somme constante (paradoxe de Pearson).
- La chaîne causale proposée (normalisation standard → biais de corrélation → FPR élevé → mauvaise généralisation) est logique, bien articulée et théoriquement fondée sur la géométrie d'Aitchison.
- Le protocole en trois phases avec des critères GO/NO-GO/PIVOT explicites est rigoureux et permet une prise de décision objective, évitant la dérive exploratoire.
- L'utilisation de données synthétiques avec vérité terrain connue (Phase 1) avant de passer aux données réelles renforce considérablement la validité interne du protocole.
- Le marché adressable (laboratoires de pathologie moléculaire, CROs) est clair et quantifiable, avec un avantage compétitif net (modification logicielle simple, sans changement matériel).

### 6.2 Points de desaccord

- Désaccord sur la validité de l'hypothèse centrale (Assumption 1) : le Methodologist et le Domain Expert estiment que la contrainte de somme constante est partiellement artificielle après normalisation RMA, tandis que le Contrarian affirme que le CV de l'intensité totale est très probablement >10% dans les données réelles, ce qui effondrerait l'effet prédit.
- Désaccord sur la dominance du biais compositionnel face aux autres confounders : le Contrarian soutient que les effets de lots (batch effects), le bruit technique et la cross-hybridation génèrent des corrélations parasites bien plus fortes que la simple contrainte de somme, rendant la réduction du FPR potentiellement indétectable.
- Désaccord sur la généralisation : le Methodologist et le Funding Strategist soulignent que le périmètre est trop restreint (3 jeux de données de cancer du sein) et que l'hypothèse doit être testée sur d'autres cancers et technologies (RNA-seq), tandis que le Domain Expert recommande de se concentrer sur un contexte spécifique pour valider le mécanisme.
- Désaccord sur le TRL et la maturité : le Funding Strategist estime que le TRL actuel (2-3) est trop bas pour des financements compétitifs, alors que l'Industrialist voit un potentiel commercial immédiat pour les nouvelles signatures en développement.
- Désaccord sur la gestion des zéros et valeurs négatives : le Domain Expert et le Contrarian soulignent que l'application de CLR/ILR à des données RMA (qui peuvent contenir des valeurs négatives) pose un problème méthodologique non résolu, avec un risque de biais important via l'utilisation de pseudo-counts.

### 6.3 Critical path

Le facteur le plus determinant pour le succes/echec de cette hypothese est la validation de l'Assumption 1 (coefficient de variation de l'intensite totale < 10%) sur des donnees reelles de microarray. Si cette hypothese centrale est fausse, l'effet taille predit (reduction du FPR de 15-30%) s'effondre et la transformation log-ratio pourrait introduire plus de biais qu'elle n'en corrige. La Phase 1 (donnees synthetiques) et la Phase 2 (premier jeu de donnees reel) doivent donc etre concues pour tester specifiquement cette condition, avec un pivot clair vers une approche alternative (ex: normalisation robuste aux effets de lots + transformation log standard) si le CV depasse 10%.

**Recommandation finale**: Le panel recommande la publication de ce protocole sous reserve que les conditions suivantes soient explicitees dans le manuscrit final : (1) un pre-enregistrement (pre-registration) sur OSF ou AsPredicted avec un plan d'analyse statique detaille, incluant un calcul de puissance a priori pour la Phase 2 ; (2) l'ajout d'au moins un jeu de donnees d'un autre type de cancer (ex: poumon, GSE18842) ou de RNA-seq (ex: TCGA-BRCA) pour renforcer la validite externe ; (3) une section dediee a la gestion des zeros et valeurs negatives dans l'application de CLR/ILR, avec une analyse de sensibilite comparant differentes strategies (pseudo-count, filtre, imputation). Le protocole est methodologiquement rigoureux, l'hypothese est originale et mecanistique, et le marche adressable est clair. Les risques identifies (validite de l'Assumption 1, dominance des effets de lots) sont correctement anticipes par les pivots proposes. La publication de ce protocole permettra a la communaute de tester et de falsifier l'hypothese de maniere transparente et reproductible.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- No paper in the provided list directly applies CoDA preprocessing (CLR/ILR) to deep learning classifiers (LSTM-DBN, CNN) for cancer classification. This remains an unexplored gap.
- No paper in the list provides a direct comparison of CoDA-based normalization vs. standard normalization (RMA, TPM) for cancer subtype classification accuracy. This is a key experimental gap.
- The biological interpretability of log-ratio transformed features (whether they correspond to known pathways) is not addressed in any of the provided papers. This remains an epistemic gap.

### 7.2 Competence gaps

- Phase 1: Simulation de données omiques
- Phase 1: Analyse compositionnelle (CoDA)
- Phase 1: Tests statistiques fréquentistes
- Phase 1: Programmation Python/R
- Phase 2: Prétraitement de données de puces à ADN (Affymetrix)
- Phase 2: Implémentation de CNN/MLP
- Phase 2: Validation croisée et tests statistiques
- Phase 3: Deep learning avancé (CNN, LSTM)
- Phase 3: Analyse compositionnelle (CoDA)
- Phase 3: Gestion de pipelines reproductibles
- Phase 3: Statistiques multivariées et correction de tests multiples

### 7.3 Epistemic gaps

- We do not know whether the optimal orthonormal basis for ILR transformation is dataset-dependent.
- We do not know whether the stability of deep learning classifiers to the singular covariance matrix after CLR is sufficient without explicit regularization.
- We do not know whether the magnitude of the FPR reduction is consistent across different cancer types and microarray platforms.

## References

[1] T. Quinn, T. Crowley, et al. (2018). *Benchmarking differential expression analysis tools for RNA-Seq: normalization-based vs. log-ratio transformation-based methods*. DOI: [10.1186/s12859-018-2261-8](https://doi.org/10.1186/s12859-018-2261-8)
[2] Antoine Godichon-Baggioni, C. Maugis-Rabusseau, et al. (2017). *Clustering transformed compositional data using K-means, with applications in gene expression and bicycle sharing system data*. DOI: [10.1080/02664763.2018.1454894](https://doi.org/10.1080/02664763.2018.1454894)
[3] Waleed Ali, Faisal Saeed (2023). *Hybrid Filter and Genetic Algorithm-Based Feature Selection for Improving Cancer Classification in High-Dimensional Microarray Data*. DOI: [10.3390/pr11020562](https://doi.org/10.3390/pr11020562)
[4] Francielly Morais-Rodrigues, Rita Silvério-Machado, et al. (2019). *Analysis of the microarray gene expression for breast cancer progression after the application modified logistic regression.*. DOI: [10.1016/j.gene.2019.144168](https://doi.org/10.1016/j.gene.2019.144168)
[5] Joseph M. De Guia, M. Devaraj, et al. (2019). *DeepGx: Deep Learning Using Gene Expression for Cancer Classification*. DOI: [10.1145/3341161.3343516](https://doi.org/10.1145/3341161.3343516)
[6] Can Chen, Scott T. Weiss, et al. (2022). *Graph convolutional network-based feature selection for high-dimensional and low-sample size data*. DOI: [10.1093/bioinformatics/btad135](https://doi.org/10.1093/bioinformatics/btad135)
[7] F. Gaidies, Y. E. Morneau, et al. (2020). *Major and trace element mapping of garnet: Unravelling the conditions, timing and rates of metamorphism of the Snowcap assemblage, west‐central Yukon*. DOI: [10.1111/jmg.12562](https://doi.org/10.1111/jmg.12562)
[8] J. Qian, Y. Kluger, et al. (2003). *Identification and correction of spurious spatial correlations in microarray data.*. DOI: [10.2144/03351BM03](https://doi.org/10.2144/03351BM03)
[9] I. Pires, Faisal Bashir Hussain, et al. (2020). *Homogeneous Data Normalization and Deep Learning: A Case Study in Human Activity Classification*. DOI: [10.3390/fi12110194](https://doi.org/10.3390/fi12110194)
[10] N. Fahlgren, C. Sullivan, et al. (2009). *Computational and analytical framework for small RNA profiling by high-throughput sequencing.*. DOI: [10.1261/rna.1473809](https://doi.org/10.1261/rna.1473809)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 7.8/10 | **Verdict**: accept | **Confidence**: 0.88
- **Strengths**: Excellente articulation entre hypothèse mécanistique (biais de corrélation négative dû à la contrainte de somme constante) et prédictions falsifiables quantifiées avec des bornes précises (15-30% de réduction du FPR, 5-12 points de pourcentage de précision équilibrée). Cela permet une réfutation claire et évite les conclusions vagues.; Protocole en trois phases bien structuré avec des critères GO/NO-GO/PIVOT explicites à chaque étape, ce qui permet une prise de décision objective et une adaptation méthodologique sans dérive exploratoire. L'inclusion de pivots (ex: test d'autres méthodes de sélection de caractéristiques) montre une anticipation des échecs potentiels.; Utilisation de données synthétiques avec vérité terrain connue (Phase 1) pour valider le mécanisme causal avant de passer aux données réelles, ce qui renforce considérablement la validité interne. Le choix de simulations Monte Carlo (100 réplicats) avec une structure de covariance réaliste (bloc diagonal) est méthodologiquement solide.
- **Weaknesses**: La puissance statistique pour les tests unilatéraux dans la Phase 2 (n=50 folds après 5x10-fold CV) n'est pas justifiée explicitement. Avec une taille d'effet attendue de 5 points de pourcentage et une variabilité potentielle entre folds (due à la corrélation intra-sujet), le risque de faux négatif (erreur de type II) est non négligeable, surtout si les données réelles sont plus bruitées que les simulations.; Le contrôle des biais de confirmation et de publication est insuffisant. Le protocole ne mentionne pas de pré-enregistrement (pre-registration) sur une plateforme comme OSF ou AsPredicted, ni de plan d'analyse aveugle (blind analysis) pour l'optimisation des hyperparamètres des CNN/LSTM en Phase 3. Cela expose à un risque de 'p-hacking' ou de 'cherry-picking' des architectures.; La généralisation est limitée à trois jeux de données de cancer du sein (ER+/ER-). L'hypothèse étant mécanistique (basée sur la compositionnalité), elle devrait être testée sur d'autres types de cancer (poumon, colon) ou d'autres technologies (RNA-seq) pour éviter un biais de sélection des données. Le protocole le mentionne comme risque mais ne propose pas de pivot clair.
- **Questions**: Comment comptez-vous garantir que l'optimisation des hyperparamètres des CNN/LSTM en Phase 3 reste aveugle par rapport aux métriques de test ? Un plan d'analyse pré-enregistré avec des splits de validation dédiés est-il prévu pour éviter le surajustement des hyperparamètres aux données de test ?; Quelle est la puissance statistique estimée pour détecter une augmentation de 5 points de pourcentage de la précision équilibrée dans la Phase 2, compte tenu de la corrélation intra-folds de la validation croisée répétée ? Un calcul de puissance a priori basé sur des données pilotes ou des simulations bootstrap est-il envisagé ?; Si les résultats sont positifs sur les trois jeux de données de cancer du sein mais négatifs sur un quatrième jeu (ex: poumon), considérerez-vous l'hypothèse comme réfutée ou spécifique au contexte ? Le protocole ne définit pas de règle de décision claire pour une généralisation échouée.
- **Recommendation**: Ce protocole est d'une rigueur méthodologique exemplaire dans sa conception, avec des prédictions falsifiables bien délimitées et une structure GO/NO-GO qui force l'honnêteté intellectuelle. Les faiblesses principales sont l'absence de pré-enregistrement et de calcul de puissance a priori explicite, ainsi qu'un périmètre de généralisation trop restreint. Je recommande d'ajouter un pré-enregistrement (avec un plan d'analyse statique détaillé) et d'inclure au moins un jeu de données d'un autre type de cancer (ex: GSE18842 pour le poumon) ou de RNA-seq (ex: TCGA-BRCA) pour renforcer la validité externe. Sous ces conditions, le protocole est publiable dans un journal de méthodologie de haut niveau.

#### Domain Expert

- **Score**: 7.2/10 | **Verdict**: accept | **Confidence**: 0.8
- **Strengths**: L'hypothèse identifie correctement un problème fondamental et souvent négligé en analyse de données d'expression génique : la nature compositionnelle des données de microarray et le biais de corrélation négative induit par la contrainte de somme constante (paradoxe de Pearson). L'application de la transformation log-ratio (CLR/ILR) comme solution est théoriquement fondée sur la géométrie d'Aitchison du simplexe.; La chaîne causale proposée est logique et bien articulée : elle relie la normalisation standard (RMA, quantile) à un biais de corrélation, qui à son tour gonfle le taux de faux positifs (FPR) dans la sélection de caractéristiques, et finalement nuit à la généralisation du classifieur profond. Le mécanisme est cohérent avec les principes de l'analyse de données compositionnelles (CoDA).; L'évaluation de la nouveauté (score 0.85) est réaliste. L'hypothèse combine des éléments existants (CoDA pour l'expression génique, deep learning pour la classification) dans une pipeline originale qui n'a pas été testée de manière systématique pour le problème spécifique du FPR dans le contexte HDLSS des microarrays.
- **Weaknesses**: L'hypothèse repose sur une hypothèse forte (Assumption 1) : que l'intensité totale mesurée par échantillon de microarray est approximativement constante (CV < 10%). Cette hypothèse est discutable. Les protocoles de normalisation comme RMA sont précisément conçus pour éliminer les effets techniques et rendre les distributions comparables entre échantillons, ce qui brise la contrainte de somme constante. La 'compositionnalité' des données de microarray après normalisation standard est donc un artefact partiel, pas une propriété inhérente et stable.; Le mécanisme proposé ignore le rôle crucial de la normalisation standard (RMA, quantile) dans la correction des biais techniques (bruit de fond, effets de puce). Remplacer cette normalisation par une simple transformation CLR/ILR pourrait introduire de nouveaux artefacts (par exemple, une sensibilité accrue aux valeurs aberrantes ou aux gènes faiblement exprimés) et ne résout pas les problèmes de bruit de fond pour lesquels RMA a été conçu.; La base de preuves est insuffisante. Les articles cités (Quinn et al. 2018, Godichon-Baggioni et al. 2017) montrent que CoDA est applicable à l'expression génique, mais ils ne démontrent pas que la transformation log-ratio réduit le FPR dans la sélection de caractéristiques pour la classification par deep learning en contexte HDLSS. L'extrapolation est trop audacieuse sans preuve directe. Les articles indirects (DeepGx, GRACES) ne traitent pas du problème compositionnel.
- **Questions**: Comment l'hypothèse justifie-t-elle que la transformation CLR/ILR, qui nécessite des données strictement positives et non nulles, est applicable aux données de microarray après un prétraitement standard (comme RMA) qui peut produire des valeurs négatives ou nulles ? La gestion des zéros et des valeurs négatives est un problème majeur en CoDA, et la solution proposée (pseudo-count ou filtre) est-elle suffisante pour ne pas introduire un biais important ?; L'hypothèse affirme que la transformation log-ratio supprime le biais de corrélation négative. Cependant, dans un contexte HDLSS (p >> n), la matrice de covariance empirique est singulière et bruitée, même après transformation. Comment l'hypothèse distingue-t-elle la réduction du biais compositionnel de la simple régularisation implicite apportée par la transformation (qui réduit la dimensionnalité effective) ? Un test de permutation ou une analyse de sensibilité est-il prévu pour isoler l'effet spécifique de la compositionnalité ?; Le choix du classifieur profond (CNN, LSTM) est-il justifié pour des données tabulaires de type expression génique ? Les CNN et LSTM sont conçus pour des données à structure spatiale ou séquentielle. Pourquoi ne pas envisager des classifieurs plus standards (SVM, forêts aléatoires) qui pourraient être plus robustes et interprétables dans ce contexte, et qui permettraient de mieux isoler l'effet de la transformation CoDA ?
- **Recommendation**: L'hypothèse est théoriquement cohérente et propose une direction de recherche prometteuse, mais elle nécessite des preuves expérimentales plus solides et une meilleure prise en compte des subtilités du prétraitement des données de microarray. Je recommande de reformuler l'hypothèse pour la rendre plus spécifique (par exemple, en se concentrant sur un type de cancer et une plateforme de microarray spécifique) et de concevoir une expérience de simulation contrôlée (où la vraie structure de corrélation est connue) pour valider le mécanisme causal avant de passer à des données réelles. L'étude de l'impact de la gestion des zéros et des valeurs négatives est également cruciale.

#### Contrarian

- **Score**: 3.5/10 | **Verdict**: weak_reject | **Confidence**: 0.85
- **Strengths**: L'identification du problème de corrélation négative induite par la contrainte de somme constante (paradoxe de Pearson) est théoriquement fondée et constitue une préoccupation légitime pour l'analyse des données de puces à ADN.; La chaîne causale proposée est claire et bien articulée, allant de la transformation des données à la réduction du FPR et à l'amélioration de la classification, ce qui facilite la formulation d'hypothèses testables.
- **Weaknesses**: FAIL REASON #1: L'hypothèse 1 (coefficient de variation de l'intensité totale < 10%) est très probablement fausse pour la plupart des jeux de données réels de puces à ADN. Les variations techniques (efficacité d'hybridation, bruit de fond, lavage) et biologiques (différences de charge d'ARN total) induisent des variations bien supérieures à 10% de l'intensité totale. Si cette hypothèse n'est pas vérifiée, l'effet de la transformation log-ratio est soit négligeable, soit introduit un biais de normalisation plus important que le biais qu'il prétend corriger. L'effet taille prédit (FPR réduit de 15-30%) s'effondre alors complètement.; FAIL REASON #2: L'hypothèse 2 (la nature compositionnelle est la source dominante de corrélations fallacieuses dans le régime HDLSS) ignore des confounders bien plus puissants : le bruit technique (bruit de fond, saturation), les effets de lots (batch effects), et les artefacts d'hybridation croisée (cross-hybridation). Dans un contexte HDLSS, ces facteurs génèrent des corrélations parasites bien plus fortes que la simple contrainte de somme. La transformation CLR/ILR ne corrige pas ces artefacts et pourrait même les amplifier en redistribuant la variance. Le scénario d'échec le plus probable est que la réduction du FPR soit indétectable car noyée par ces confounders dominants.; FAIL REASON #3: Les prédictions sont basées sur des données synthétiques avec une structure de covariance connue et des fold-changes irréalistes (1.2-1.5). Dans la réalité, les données de puces à ADN ont une structure de covariance inconnue, hétérogène, et fortement influencée par des gènes non exprimés (zéro ou bruit de fond). L'utilisation d'un pseudo-count (0.5) pour les zéros introduit un biais systématique dans les rapports logarithmiques, particulièrement pour les gènes faiblement exprimés qui constituent la majorité du génome. Ce biais peut fausser la sélection de caractéristiques et dégrader la performance du classifieur profond, rendant l'effet taille attendu (5-12 points de balanced accuracy) non reproductible sur des données réelles.
- **Questions**: Pouvez-vous démontrer, sur au moins deux jeux de données réels de puces à ADN (par exemple GSE2034 et GSE1456), que le coefficient de variation de l'intensité totale par échantillon est inférieur à 10% ? Si non, comment justifiez-vous que l'hypothèse centrale de votre mécanisme est vérifiée ?; Avez-vous comparé votre approche CLR/ILR à une méthode de normalisation robuste aux effets de lots (par exemple ComBat) combinée à une transformation log standard ? Dans un scénario réel, il est plus probable que les effets de lots soient le confounder dominant, et non la contrainte de somme. Comment votre méthode se comporte-t-elle face à ce confounder non adressé ?
- **Recommendation**: Avant de pouvoir être acceptée, cette hypothèse nécessite une validation sur des données réelles avec une démonstration claire que (1) la variation de l'intensité totale est suffisamment faible pour que la transformation log-ratio soit pertinente, et (2) que la réduction du FPR est robuste face aux effets de lots et aux artefacts techniques. Je recommande de reformuler l'hypothèse en incluant un prétraitement des effets de lots comme étape préalable obligatoire, et de fournir des résultats sur des données réelles avec des fold-changes réalistes (> 2.0).

#### Industrialist

- **Score**: 6.5/10 | **Verdict**: accept | **Confidence**: 0.75
- **Strengths**: Marché adressable clair et quantifiable : laboratoires de pathologie moléculaire et CROs (ex: NeoGenomics, Foundation Medicine, Guardant Health) qui réalisent des tests de classification de sous-types de cancer à partir de données transcriptomiques (Affymetrix, Illumina microarrays). Le coût d'un faux positif en sélection de gènes est élevé (développement de panels de biomarqueurs inutiles, échecs d'essais cliniques). Un gain de 5-12% de balanced accuracy se traduit directement en réduction du taux d'échec des signatures pronostiques, ce qui a une valeur commerciale immédiate.; Avantage compétitif net : la transformation log-ratio ne nécessite aucun changement matériel (même pipeline bioinfo, même GPU). C'est une modification logicielle de 3 lignes de code dans le préprocessing. Pour un CRO, proposer une 'méthode certifiée CLR' comme service premium (ex: +15% sur le prix du test) est un argument de vente différenciateur face aux pipelines standard RMA/quantile. Aucun concurrent (Illumina, ThermoFisher) n'a breveté ce préprocessing spécifique pour la classification de sous-types.
- **Weaknesses**: Barrière au déploiement majeure : les pipelines de classification clinique (ex: BluePrint, MammaPrint) sont validés et certifiés IVD (In Vitro Diagnostic) avec des seuils de décision calibrés sur des données pré-traitées en RMA. Changer le préprocessing nécessite une re-validation complète du test clinique (coût estimé >500k€, 12-18 mois), ce qui rend l'adoption immédiate impossible pour les tests déjà commercialisés. Le marché se limite donc aux nouvelles signatures en développement, pas au remplacement des pipelines existants.; Risque commercial : les données de microarrays sont en déclin structurel face au RNA-seq. Même si le problème de compositionnalité persiste en RNA-seq (profondeur de séquençage variable), les transformations log-ratio y sont moins standardisées. Le marché adressable se réduit d'environ 20% par an. Le ROI dépend de la capacité à migrer la preuve de concept vers les données RNA-seq (comptages) dans les 2 ans.
- **Questions**: Quel est le coût d'opportunité pour un laboratoire de pathologie de passer de RMA à CLR ? Si la re-validation IVD coûte 500k€, combien de nouveaux tests de classification de sous-types doivent-ils vendre par an pour amortir ce coût ? (estimation : >10 000 tests/an à 50€ de marge supplémentaire).; Pouvez-vous démontrer que le gain de 5-12% de balanced accuracy se maintient sur des données RNA-seq (ex: TCGA BRCA) après normalisation par taille de librairie (CPM, TMM) ? Sans cette preuve, le marché se réduit aux microarrays legacy, ce qui rend le potentiel commercial marginal.; Quelle est la stratégie de propriété intellectuelle ? Un brevet sur 'méthode de classification de cancer utilisant une transformation log-ratio' serait probablement rejeté pour antériorité (Aitchison, 1986). Un brevet sur 'système de diagnostic intégrant CLR pour la sélection de gènes dans un réseau de neurones' pourrait être plus défendable, mais le délai d'obtention (3-5 ans) dépasse la timeline de commercialisation.
- **Recommendation**: Ne pas développer en interne. Au lieu de cela, approcher 2-3 CROs de taille moyenne (ex: Almac Diagnostics, Biodesix) avec une offre de licence logicielle pour un module de préprocessing 'CLR-optimized' intégré à leur pipeline de développement de signatures. Le modèle de revenu serait un paiement upfront de 50k€ + royalties de 2% sur les ventes de tests utilisant la méthode. Cibler d'abord les tests en développement (pas les tests certifiés), puis migrer vers RNA-seq en phase 2. Le budget de 80k€ est suffisant pour produire une preuve de concept sur 3 datasets RNA-seq (TCGA) et déposer un brevet provisoire. Timeline commerciale réaliste : 18 mois pour un premier contrat de licence.

#### Funding Strategist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.75
- **Strengths**: Hypothèse originale et mécanistique : l'identification du biais de corrélation négative dû à la contrainte de somme constante (closure) dans les données de microarrays est un angle rarement exploré dans le ML biomédical, ce qui offre un fort potentiel de novelty pour un évaluateur.; Protocole de validation incrémental bien structuré : la logique GO/NO-GO en 3 phases (in silico → dataset réel → multi-datasets) est directement alignée sur les attentes des évaluateurs ANR/ERC en termes de rigueur et de gestion des risques.; Applicabilité clinique claire : l'amélioration de la classification des sous-types de cancer (ex : sein) et la réduction des faux positifs en sélection de features répondent à un besoin non satisfait en oncologie de précision, ce qui renforce l'impact potentiel.
- **Weaknesses**: TRL actuel très bas (TRL 2-3) : l'hypothèse n'a été validée que sur des données synthétiques ou un seul jeu de données réel (GSE2034) dans la proposition. Les évaluateurs d'Horizon Europe ou d'ERC Starting Grant considèrent généralement un TRL 4-5 comme seuil minimal pour un financement compétitif.; Consortium inexistant : l'hypothèse est portée par un chercheur unique ou une petite équipe sans partenaires cliniques, bio-informaticiens ou industriels. Pour les appels collaboratifs (Horizon Europe Cluster 1), un consortium multidisciplinaire est obligatoire.; Risque de reproductibilité et de généralisation : les données de microarrays sont en déclin face au RNA-seq. L'hypothèse pourrait ne pas se transposer aux données de séquençage (comptage de reads), ce qui limite la portée à long terme et l'intérêt des financeurs.
- **Questions**: Comment comptez-vous intégrer des données de RNA-seq (comptage) dans la validation pour démontrer que la transformation log-ratio est pertinente au-delà des microarrays, sachant que la plupart des financements actuels privilégient le séquençage ?; Quel est le plan pour constituer un consortium incluant au moins un partenaire clinique (ex : Institut Curie, Gustave Roussy) et un spécialiste en biostatistique pour renforcer la crédibilité translationnelle de la demande ?; Avez-vous envisagé de déposer un brevet ou de protéger l'algorithme de prétraitement (CLR/ILR + deep learning) avant la publication, afin de justifier un volet valorisation dans la demande de financement ?
- **Recommendation**: Cibler en priorité un financement de type ANR Jeune Chercheur (JCJC) ou un ERC Starting Grant, mais en renforçant d'abord la preuve de concept par une phase 1 in silico rapide (4-6 semaines) pour atteindre un TRL 3-4. Parallèlement, initier des contacts avec des cliniciens et des bio-informaticiens pour structurer un consortium minimal. Pour Horizon Europe, attendre d'avoir des résultats multi-datasets solides (phase 3) avant de postuler à un appel Cluster 1 (Health). En attendant, un financement de type NIH R03 (petite subvention exploratoire) est plus réaliste pour valider l'hypothèse.

### B. Semantic Scholar Search Queries

- [novelty] `compositional data analysis gene expression cancer classification` — Direct search for the core hypothesis: applying CoDA to gene expression for cancer classification.
- [novelty] `log-ratio transformation microarray deep learning` — Checks if log-ratio transforms (CLR/ILR) have been explicitly combined with deep learning on microarray data.
- [novelty] `centered log-ratio normalization RNA-seq classification` — Searches for CLR applied to RNA-seq (or microarray) specifically for classification tasks, not just differential expression.
- [novelty] `isometric log-ratio feature selection high-dimensional` — Tests if ILR has been proposed as a feature selection method for high-dimensional genomic data.
- [evidence] `spurious correlation compositional data gene expression` — Seeks evidence for Pearson's paradox (spurious correlations) in gene expression data due to closure.
- [evidence] `closure problem microarray normalization artifacts` — Finds evidence that standard normalization (RMA, quantile) introduces artifacts due to ignoring compositionality.
- [evidence] `log-ratio transformation differential expression false positive` — Looks for studies showing that log-ratio transforms reduce false positives in differential expression analysis.
- [evidence] `compositional data high-dimensional low-sample-size` — Searches for theoretical or applied work on CoDA in high-dimensional, low-sample-size (HDLSS) settings.
- [cross_domain] `geochemistry log-ratio machine learning classification` — Finds precedents of CoDA-based ML classification in geochemistry, the source domain.
- [cross_domain] `compositional data analysis bioinformatics transcriptomics` — Searches for existing bridges between CoDA and transcriptomics/bioinformatics.
- [cross_domain] `simplex data normalization deep learning` — Looks for any domain (e.g., ecology, economics) where simplex data is normalized before deep learning.

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-07-21*