Thèse pour obtenir le grade de





télécharger 3.33 Mb.
titreThèse pour obtenir le grade de
page4/36
date de publication21.10.2017
taille3.33 Mb.
typeThèse
e.20-bal.com > droit > Thèse
1   2   3   4   5   6   7   8   9   ...   36

Chapitre 2 Études des travaux comparables

I.Travaux concernant la reconnaissance de gènes ou de leurs produits dans des textes


La reconnaissance des interactions génétiques ou moléculaires nécessite de savoir reconnaître les gènes dans les textes. Il s’agit aussi de savoir reconnaître le produit des gènes et notamment les protéines. Nous emploierons le terme de label pour tout terme relatif à un gène ou ses produits. Les travaux que nous présentons ici sont relatifs à la reconnaissance des labels. Ceux-ci s’intègrent pour la plupart dans des dispositifs plus larges d’analyse automatique de publications scientifiques. Les méthodes de reconnaissance des labels n’étant qu’un aspect secondaire des travaux présentés, elles ne sont pas souvent évaluées par leurs auteurs. Ces méthodes, inspirées de la tache de reconnaissance d’entité nommée, visent à repérer des portions de textes qui correspondent à des labels. Elles ne visent pas à identifier le gène, c’est à dire à mettre en relation le label avec le ou les gènes qui peuvent lui correspondre.

On distingue deux grands types de méthodes. Les premières utilisent des listes de labels. Les secondes essaient de reconnaître les occurrences de labels sans utiliser aucune connaissance sur la nomenclature. Dans cette section, nous discuterons aussi des travaux sur la création automatique de dictionnaires de gènes ou de protéine à partir de corpus.

A.Travaux sur la reconnaissance des gènes ou de leurs produits basés sur l’utilisation de listes de termes


La méthode la plus simple pour reconnaître l’utilisation d’un nom de gène dans un texte est l’utilisation d’un lexique, autrement dit d’une liste non structurée de termes.

D’une façon générale, nous emploierons le terme de lexique pour désigner une simple liste. Dans le cas où la structuration des données est suffisante pour permettre de savoir que plusieurs termes désignent la même entité, nous emploierons le terme de dictionnaire. Nous réserverons le terme de nomenclature dans le cas où les entités elles-mêmes sont structurées en classe. Il s’agit par exemple de protéines organisées en familles.

L’avantage d’un dictionnaire sur un lexique est qu’il rend possible l’identification précise d’un gène, alors que l’utilisation d’un lexique ne le permet pas.

Il existe de nombreux systèmes d’extraction d’informations sur les interactions génétiques ou moléculaires et plus généralement sur la fonction des gènes. Les auteurs prennent souvent le parti de ne travailler que sur un ensemble de gènes défini à l’avance. Ils renoncent de ce fait à des études globales sur le génome, mais cela leur permet de se concentrer sur les problèmes que pose la nomenclature des gènes. Dans ce cas, l’utilisateur a la possibilité d’intervenir sur les dictionnaires utilisés et de rajouter, par exemple, des synonymes qui manqueraient.

Andrade et al. dans leur travail d’extraction de mots clefs et de phrases clefs décrivant au mieux une famille de protéines, utilisent une simple liste de protéines (2001). La liste contient des noms synonymes mais les auteurs remarquent qu’ils ne sont pas tous répertoriés dans la liste qu’ils utilisent, et que cela oblige l’utilisateur à compléter manuellement la liste.

Cependant dans un autre travail auquel Andrade a participé, portant cette fois sur l’extraction d’informations sur les interactions entre protéines, les auteurs parviennent à s’abstraire de ce problème en travaillant sur un petit nombre de gènes (Blaschke et al., 1999). Dans ce travail, les auteurs construisent des graphes de labels co-occurrents, c’est à dire des labels qui apparaissent dans les mêmes textes.

Le fait que le système soit utilisé sur un petit nombre de gènes permet de travailler avec une liste de synonymes incomplète. Dans ce système, Medline est interrogé avec ce petit nombre de protéines, que l’on sait être impliquées dans un même processus. La lecture des résumés obtenus permet de rajouter des synonymes à la liste de départ. Une nouvelle interrogation de Medline est alors faite avec le nouvel ensemble de noms de protéine.

Nous remarquons que le système proposé ne prend pas intégralement en compte le phénomène de synonymie, puisque dans le graphe ce n’est pas les protéines qui sont représentés mais les labels. Ainsi, il se peut que deux nœuds différents du graphe concernent en réalité la même protéine.

Le problème des homonymes (protéine ayant le même nom) est aussi remarqué par les auteurs. Là encore l’interrogation sur un petit nombre de protéines permet de contourner le problème. Les éventuels gènes homonymes sont, sauf cas exceptionnel, impliqués dans des phénomènes très différents du phénomène étudié. Ils seront donc cités dans d’autres résumés. Ainsi, il n’existera pas de résumé citant à la fois un gène d’intérêt et un gène homonyme. Le graphe de gènes co-occurrents, qui est le résultat final de l’analyse, sera donc exact.

PathBinder, qui est un système d’extraction d’informations sur les interactions, est un exemple de système qui se concentre sur une liste de gènes définie par avance (Qi et al., 2000). La recherche sur un ou plusieurs gènes donnés est élargie grâce à des listes de synonymes. Ces synonymes sont extraits de la nomenclature maintenue par le HUGO Gene Nomenclature Committee et par la base de données OMIM. Chaque synonyme est présenté à l’utilisateur pour vérification.

HUGO est une organisation internationale qui organise la coopération autour du séquençage et de la cartographie du génome humain. Elle possède un comité pour aider à la standardisation des noms de gènes. Ce comité rédige des recommandations et maintient une base de données sur la nomenclature des gènes.

Medminer est un système de recherche d’information sur la fonction des gènes et leurs relations à partir de résumés Medline (Tanabe et al., 1999). Il permet de sélectionner des résumés sur la base de la présence de certains mots clefs et de certains gènes ou couples de gènes. Ce système prend en compte la synonymie grâce aux informations extraites de Genecards. Les synonymes sont présentés à l’utilisateur pour validation. De ce fait, le système est adapté à la recherche sur un petit nombre de gènes.

A l’inverse des travaux présentés précédemment, PubGene travaille d’emblée sur un très grand nombre de gènes, ce qui lui permet de présenter des résultats basés sur des statistiques (Jenssen et al., 2001). PubGene est un système d’extraction d’informations sur les relations entre les gènes humains. Il travaille à partir de résumés issus de Medline. Il exploite la cooccurrence, c’est à dire le fait que plusieurs gènes soient cités dans le même texte. Il est donc important que les alias soient reconnus et correctement attribués aux gènes associés. Le système prend donc en charge la synonymie. Les informations sur la nomenclature des gènes humains ont été obtenues par compilation de données provenant de différentes bases de données. Les bases de données utilisées sont : la base de donnée du HUGO Gene Nomenclature Committee, GDB, GENATLAS et LocusLink 14. Cette dernière est une base de données sur la localisation chromosomique des gènes.

Stephens et al. proposent un système analogue (2001). Il s’agit d’extraction d’informations sur les relations qu’entretiennent les gènes. Le système utilise aussi un lexique défini avant toute expérience de nom de gènes ou de protéines.

Cependant la tâche d’identification des gènes dans les textes n’a pas été évaluée en tant que telle. C’est le résultat final, à savoir le réseau des gènes co-occurrents qui est évalué. Ce réseau est évalué du point de vue de sa pertinence pour le biologiste.

Rindflech et al., dans leur travail en recherche d’informations sur les liaisons moléculaires entre macro-molécules, détectent les noms des objets en interactions grâce à leur fonction grammaticale dans la phrase et les identifient à des entrées de GenBank quand cela est possible (1999). Dans son travail sur l’extraction de relations entre médicaments, gènes et cellules, les noms de gènes sont reconnus comme tels grâce à l’utilisation d’un thésaurus (Rindflesch et al., 2000). Ce thésaurus, l’UMLS Metathesaurus (Humphreys et al., 1998), est spécialisé dans le domaine médical. Il lui permet de reconnaître des objets de type cellule, médicament ou gène et de faire la distinction entre ces trois types d’objets. Pour les gènes, une liste de noms synonymes est adjointe à l’aide de GeneCards.

L’université de Tokyo développe un système d’extraction d’informations sur les interactions protéine-protéine (Ono et al., 2001). Dans ce système, la reconnaissance des noms de protéines se fait par l’utilisation d’un dictionnaire sur les protéines. Ce dictionnaire a été créé semi-automatiquement par une analyse de la littérature sur laquelle nous reviendrons dans la partie réservée à l’étude de la bibliographie sur la création automatique de dictionnaire à partir de textes (Yoshida et al., 2000).

En France, on peut noter le travail de Turner et al. sur la création de liens entre SwissProt et Medline (2000). Dans ce travail, les résumés sont indexés avec des mots clefs extraits de SwissProt. Cette indexation permet de créer des liens d’un résumé vers des données factuelles contenues dans SwissProt. Les noms de protéines sont utilisés comme mots clefs pour indexer les résumés Medline. Le système est évalué du point de vue de la représentation documentaire. La question est de savoir si l’indexation des résumés est pertinente du point de vue d’une interrogation documentaire. Les auteurs n’ont pas évalué, en terme de rappel et de précision, leur technique de reconnaissance des protéines.

B.Travaux sur la reconnaissance des gènes ou de leurs produits n’utilisant pas de lexiques


Pour éviter d’avoir à construire des dictionnaires ou des lexiques spécifiques au domaine, un certain nombre d’auteurs mettent au point des méthodes qui n’en nécessitent pas. Ces méthodes sont basées sur le fait que les noms de gènes ont une place spécifique dans la construction grammaticale de la phrase. Elles utilisent aussi les propriétés morphologiques des noms de gènes ou de protéines.

L’argument utilisé pour ne pas utiliser de dictionnaire est le suivant : les dictionnaires appropriés n’existent pas toujours. Une méthode générale doit donc pouvoir s’en passer. De plus, quand ces dictionnaires existent, ils ne sont pas à jour étant donné la quantité de nouveaux gènes et de nouvelles protéines découvertes chaque jour.

Ces arguments ne manquent pas de pertinence, tant il est vrai que les dictionnaires, quand ils existent, doivent être complétés et adaptés à la tâche de la reconnaissance ou de l’identification des gènes ou de leurs produits. Cependant, nous remarquons que les mêmes auteurs qui emploient ces arguments (Fukuda et al., 1998), élaborent aussi des programmes permettant de créer de tels dictionnaires automatiquement par l’analyse informatique des textes (Yoshida et al., 1998). La non-disponibilité des dictionnaires spécialisés n’est donc pas un obstacle insurmontable. Nous verrons dans la partie réalisation, comment dans notre étude nous avons pu adapter le dictionnaire qui était à notre disposition.

Ces travaux s’inscrivent dans la tradition du traitement automatique des langues et plus précisément dans la tâche de reconnaissance d’entités nommées. Il s’agit de travaux sur Medline, sauf dans le cas du travail de Proux (voir plus bas).

Thomas et al., dans leur travail sur les interactions entres protéines réalisent une analyse grammaticale des phrases (2000). Cela leur permet de détecter les syntagmes nominaux qui sont de bons candidats pour des noms de gènes. Ils utilisent des particularités morphologiques des noms de protéines telles que la présence de caractères spéciaux comme / - ( ) ou de chiffres qui sont souvent présents dans le nom des protéines auxquelles ils ont à faire. Cela leurs permet de se passer totalement de lexique sur les noms de gènes.

Fukuda et al., dans leur travail en reconnaissance d’entités nommées sur les protéines, utilisent les mêmes principes (1998). En particulier, ils utilisent le fait que les noms de protéines sont souvent en majuscules et comportent des caractères spéciaux et des chiffres. Les auteurs remarquent les difficultés introduites par la présence de noms synonymes. D’ailleurs, ils ne renoncent pas totalement à l’utilisation d’un dictionnaire des protéines même s’ils n’en utilisent pas dans cet article. Ils promettent des développements sur la construction automatique de dictionnaires de protéines. Le travail en question sera publié par Yoshida et al.. Nous y reviendrons à la section suivante qui est consacrée à la construction de dictionnaire par extraction d’informations dans des textes.

Tous ces auteurs travaillent sur des noms de protéines et non sur des noms de gènes. Or les noms de protéines ont des particularités morphologiques que n’ont pas les noms de gènes de la drosophile. Nous verrons que les noms de gènes chez la drosophile sont assez quelconques, c’est à dire que ce ne sont pas des noms de code. Ceci est moins vrai cependant pour les symboles qui sont des abréviations.

Proux et al. ont effectué un travail sur la détection des noms de gènes, alors que les précédents auteurs ont travaillé sur les noms de protéines (1998). Cependant, ce travail est fait sur des textes issus de Flybase. Flybase est une base de données sur la drosophile sur laquelle nous reviendrons. Les textes en question, ont été écrits ou réécrits par les annotateurs de la base de données. Une terminologie stricte a été utilisée. Un seul nom est utilisé pour chaque gène. Plus précisément, il s’agit du symbole attribué par Flybase dans son dictionnaire des gènes. Le problème de la synonymie se trouve donc être artificiellement absent du corpus étudié. De plus, les symboles, qui sont des abréviations, ont des particularités morphologiques spécifiques, et ces particularités sont utilisées lors de la détection des labels. En outre, les symboles sont toujours composés d’un seul mot, ce qui n’est pas le cas des noms complets et des synonymes. Ainsi ce travail n’est pas directement transposable aux textes issus de Medline.

Proux et al. sont néanmoins confrontés à un problème intéressant qui est celui des labels ambigus. Ce sont des labels qui peuvent éventuellement désigner autre chose que des gènes. Ils font une distinction entre différents types de labels ambigus. Les labels ambigus hors du domaine (out of scope) sont des termes qui peuvent être caractérisés comme ambigus en général mais ne le sont pas dans le contexte des textes étudiés ici. Par exemple gypsy, qui signifie bohémien, n’est pas ambigu dans des textes de génétique sur la drosophile. Les labels ambigus dans le domaine (in scope) sont des termes qui peuvent prêter à confusion avec des termes du domaine. Il s’agit par exemple de dorsal qui est le nom d’un gène connu mais est aussi un terme anatomique. La dernière catégorie de label (in conflict) rassemble les noms de gènes qui prêtent à confusion avec un mot d’une autre catégorie grammaticale. Il s’agit par exemple de is, a , by, red, can. Ces termes, quand ils sont employés dans leurs sens de gènes, risquent de perturber l’analyse grammaticale de la phrase.

L’analyse grammaticale des phrases apporte néanmoins des informations pertinentes puisque les performances calculées par Proux et al. sont intéressantes pour un système sans dictionnaire de gène. Le taux de précision atteint 91,4 % pour un taux de rappel de 94,4 %. A notre avis, ces techniques gagneraient à intégrer malgré tout un dictionnaire des gènes ; d’autant plus que la construction de tel dictionnaire à partir de corpus est possible. Les travaux décrits dans la section suivante le montrent.

Rindflesch et al. adoptent une stratégie dans laquelle les termes sont trouvés par analyse grammaticale de la phrase, puis éventuellement associés à des entrées d’une ressource terminologique (1999). Le travail porte sur l’extraction d’informations sur les affinités de liaisons moléculaires entre macro-molécules. Les termes recherchés sont tous les syntagmes nominaux qui peuvent éventuellement être sujets à une liaison moléculaire. Il peut donc s’agir d’une molécule, d’une partie d’une molécule, d’une cellule, d’une partie d’une cellule ou d’une structure génomique. Pour identifier ces entités, les auteurs utilisent des ressources terminologiques variées. Il s’agit en particulier du thésaurus biomédical UMLS Metathesaurus, du dictionnaire biomédical SPECIALIST et de Genbank. Quand il n’y a pas de correspondance, le terme est laissé non interprété et le processus d’extraction d’informations suit son cours normalement. Il s’agit donc d’une démarche intermédiaire entre le ‘tout lexique’ et le ‘sans lexique’.

C.Travaux sur la création automatique ou assistée de dictionnaire des gènes ou de leurs produits à partir de textes


Les travaux que nous décrivons ici concernent la création de dictionnaire de gènes ou de protéines à partir de l’analyse de corpus de publications. Tous ces travaux proviennent de l’université de Tokyo.

Le premier travail concerne la création de base de connaissances à partir de publications scientifiques (Ohta et al., 1997). Il a conduit à la réalisation d’un système qui combine recherche d’informations, extraction d’informations et construction de dictionnaires spécifiques. Le logiciel s’appelle IFBP pour Information Finding from Biological Paper. Le dictionnaire spécialisé utilisé par le système contient entre autres des noms de protéines. Ce dictionnaire sert à analyser les textes pour la recherche et l’extraction d’informations. Un intéressant mécanisme de rétroaction est mis en place. Le résultat de la recherche d’informations permise par le dictionnaire sert à améliorer le dictionnaire lui-même. Le système est utilisé pour construire un thésaurus spécialisé. La méthode appliquée est la classification hiérarchique des termes. Dans cette classification, les termes sont regroupés s’ils partagent les mêmes contextes dans la littérature.

Signalons que l’extraction de terminologie se heurte à un problème classique en traitement automatique des langues : la résolution de la collocation. Il s’agit de reconnaître quand plusieurs mots contigus forment une unité de sens. Le système proposé est capable de les résoudre par des méthodes statistiques (Yamamoto et al., 1996). Cela permet d’extraire des noms de protéine qui sont composés de plusieurs termes.

Dans ce travail, les auteurs soulignent le rôle central que jouent les dictionnaires spécialisés pour l’analyse des textes de biologie.

Yoshida et al. proposent un système d’aide à la création de dictionnaire de noms de protéines (1998). Il s’agit de la création d’un dictionnaire d’acronymes.

Un des problèmes dans la manipulation de lexiques est que l’on ne sait pas quand deux termes distincts désignent la même chose. Souvent la relation entre les deux termes est un lien d’abréviation. L’objectif du travail de Yoshida et al. est de repérer ces relations d’abréviation quand elles sont explicitement indiquées dans les textes. Ce travail est très utile, car nous avons pu constater que ce type de relations est effectivement indiqué de façon tout à fait explicite. Concrètement, les auteurs donnent le nom abrégé immédiatement après le nom complet et entre parenthèse. L’auteur cite en exemple Thyrotrophin-releasing hormone (TRH).

Le logiciel présenté par Yoshida et al. détecte la présence de ces explicitations d’abréviation, qu’il nomme parenthetical paraphrase. Le logiciel repère la présence des parenthèses et la relation d’abréviation (Yoshida et al., 2000). Cette relation d’abréviation peut consister à prendre les premières lettres de chaque mot comme dans l’exemple ci-dessus. Il y a cependant d’autres cas de figures qui sont pris en charge par le système. Cette méthode a été utilisée pour créer un dictionnaire sur les protéines de la levure Saccharomyces et de la bactérie Escherichia coli. Ces dictionnaires sont mis en œuvre pour extraire des informations sur les interactions entre protéines (Ono et al., 2001).

Dans un échantillon de 112 résumés que nous avons annoté avec précision, nous avons pu constater que 62 résumés sont concernés par ce phénomène, soit plus de la moitié. L’explicitation d’abréviation utilisée par Yoshida et al. est donc fréquente, ce qui rend son travail extrêmement intéressant.

Nous verrons dans la partie réalisation (section Partie 2 ) comment nous utilisons, nous aussi, le phénomène. Il s’agira pour nous, soit de valider des interprétations possibles du texte, soit de compléter automatiquement le dictionnaire dont nous disposons.

Concernant la construction de nomenclature de gènes rigoureuse, nous signalons le travail de Licciulli (1999) et de Catalano (2000) sur les séquences génétiques. Ce travail consiste à mettre de l’ordre dans la terminologie utilisée pour décrire les séquences dans les bases de données de séquences. Les auteurs ont travaillé sur la base de données de séquences nucléique de l’EMBL 15 (Stoesser, 2001). Dans ce type de base de données, les séquences sont associées à des noms de gènes et à des noms de protéines mais la nomenclature utilisée n’est pas extrêmement rigoureuse. Cela est dû au fait que le vocabulaire n’est pas contrôlé. Les auteurs sont libres dans la description des séquences qu’ils soumettent. Chacun va utiliser son propre vocabulaire pour énumérer gènes et protéines associés à la séquence. Le résultat est qu’un gène ou une protéine peut avoir été désigné par différents noms. Inversement un même nom peut désigner des gènes ou des protéines qui n’ont rien à voir. Les auteurs distinguent deux causes dans l’inconsistance de la terminologie. La première est biologique. Une même protéine pourra être désignée de différentes façons selon le contexte biologique. La seconde est sémantique. Il existe plusieurs orthographes possibles pour le nom complet d’une protéine et plusieurs façons d’abréger ce nom.

Ce manque de rigueur dans la description des séquences par des mots clefs rend l’information disponible plus difficilement exploitable. L’auteur propose des solutions à ce problème. Il procède par classification des mots clefs. Cette classification va rassembler des mots clefs associés à des séquences identiques ou impliquées dans des fonctions similaires. La navigation dans cette classification doit permettre à l’utilisateur de mieux connaître la terminologie utilisée pour désigner les gènes qui l’intéressent. Ce type de recherche est donc exploitable pour construire des dictionnaires de gènes, mais cette construction n’est pas automatique, elle est simplement assistée par l’informatique.

D.Conclusion sur les travaux concernant la recherche de gènes ou de leurs produits dans des textes


La majeure partie des travaux sur la reconnaissance de labels porte sur les protéines. Une originalité de notre travail consiste à s’intéresser aux noms des gènes et de leurs produits.

Les études faites sur la reconnaissance des gènes ou de leurs produits permettent d’isoler un certain nombre de problèmes. Premièrement, la présence de nombreux noms synonymes vient compliquer l’identification d’un gène précis dans une liste préalablement définie. Deuxièmement, l’existence de gènes homonymes peut constituer une source d’erreurs. Troisièmement, la présence de labels ambigus pose le problème d’une reconnaissance contextuelle.

Rares sont les systèmes qui prennent intégralement en charge le phénomène de synonymie. La plupart des systèmes se contentent de poser une marque à chaque occurrence d’un label. Ils ne se préoccupent pas d’associer le label à un gène unique en prenant en compte le fait que plusieurs labels puissent renvoyer à un même gène.

Les systèmes proposés utilisent des listes de noms synonymes extraites de base de données mais nous n’avons pas trouvé d’études quantitatives sur les carences de ces listes.

Les conséquences de l’homonymie dans la nomenclature et de l’ambiguïté de certains labels ne semblent pas non plus avoir été quantitativement évaluées.

Ainsi, il manque une étude sur la possibilité d’utiliser une base de données pour identifier les gènes dans les textes. Cette base de données devrait contenir les divers noms synonymes des gènes et de leurs produits.

Cette étude doit permettre de montrer qu’il est possible d’identifier des gènes dans des textes sans faire appel à des techniques linguistiques infiniment plus sophistiquées que l’utilisation d’un dictionnaire.

Elle doit aussi permettre de quantifier les conséquences des problèmes cités ci-dessus, à savoir :

  • Incomplétudes des listes de synonymes disponibles

  • Existence de gènes homonymes

  • Existence de labels ambigus

Elle pourra aussi permettre de quantifier des phénomènes tels que :

  • Les non-utilisations de la nomenclature officielle (fréquence de l’utilisation de synonymes à la place des noms canoniques)

  • L’utilisation des noms abrégés à la place des noms complets

  • L’explicitation dans le texte des relations entre noms complets et abréviations (voir explicitation d’abréviation)

Par ailleurs, les travaux en extraction d’informations, et plus précisément en reconnaissance d’entités nommées et en reconnaissance d’acronymes permettent d’envisager la création automatique de dictionnaires de gènes. Ces développements permettraient alors de résoudre le principal problème de la méthode que nous proposons qui est celui de la disponibilité de dictionnaires complets et à jour.
1   2   3   4   5   6   7   8   9   ...   36

similaire:

Thèse pour obtenir le grade de iconTHÈse pour obtenir le grade de

Thèse pour obtenir le grade de iconTHÈse pour obtenir le grade de
...

Thèse pour obtenir le grade de iconThèse pour obtenir le grade de docteur de l’Université Paris I panthéon-Sorbonne
«L’Université n’entend donner aucune approbation ni improbation aux opinions émises dans ce document. Ces opinions doivent être considérées...

Thèse pour obtenir le grade de iconThèse Pour obtenir le grade de
«capricieuse»!!! Merci également de m’avoir permis d’être impliqué dans des collaborations (eth zurich) et dans un programme Européen...

Thèse pour obtenir le grade de iconThèse pour l'obtention du grade de

Thèse pour obtenir le grade de iconThèse pour le grade de docteur en droit

Thèse pour obtenir le grade de iconThèse présentée pour l’obtention du grade de Docteur

Thèse pour obtenir le grade de iconTHÈse pour l’obtention du grade de docteur en médecine

Thèse pour obtenir le grade de iconLe grade d’administrateur général ( grade à Accès Fonctionnel – graf)
«Emplois supérieurs pour lesquels les nominations sont laissées à la décision du Gouvernement»

Thèse pour obtenir le grade de iconTHÈse pour l’obtention du grade de
«sur le terrain», pour ce qu’elles ont bien voulu partager avec moi. La part d’elles-mêmes qu’elles m’ont ainsi laissée constitue...






Tous droits réservés. Copyright © 2016
contacts
e.20-bal.com