La lecture en ligne est gratuite
Le téléchargement nécessite un accès à la bibliothèque YouScribe
Tout savoir sur nos offres

Partagez cette publication

Pr´e-traitementsdesdonne´es Infe´ rence statistique
Proble` mes et approches statistiques pour l’analyse de spectres de masses issus des techniques SELDI-TOF ou MALDI-TOF en vue du diagnostic
A.Antoniadis,J.Bigot,S.Lambert-Lacroix,F.Letu´e
LJK Universite´ Joseph Fourier - IMT Universite´ Paul Sabatier
S´eminaireIFR-Prot´eomiqueetSignal Dijon, Janvier 2008
A.Antoniadis,J.Bigot,S.Lambert-Lacroix,F.Letu´e
Analyse de donne´ es de spectrome´ trie de masse
La spectrom
Pr´e-traitementsdesdonn´ees Inf´erencestatistique e´ trie de masse
Laspet´etriedemasse(MS)estunetechnologie´emergente.Elle c rom permet en particulier une mesure directe de la signature de certaines prote´ ines (extraites d’un e´ chantillon biologique) et promet des avanc´eesconsid´erablespourlediagnosticetletraitementde maladies.
Malgre´lesprogre`stechnologiquesr´ecentssurlenregistrementdes spectres, le traitement de ces derniers afin d’y extraire l’information utile pour le diagnostic et la discrimination reste encore un challenge.
Il existe au moins deux types de spectrome` tres : MALDI-TOF ) Matrix-Assisted Laser Desorption and Ionization Time-Of-Flight et SELDI-TOF ) Surface-Enhanced Laser Desorption and Ionization Time-Of-Flightmass.
A. Antoniadis, J. Bigot, S. Lambert-Lacroix, F. Letue´
Analysededonn´eesdespectrom´etriedemasse
Pre´ -traitements des donnees ´ Infe´ rence statistique Acquisitiondesdonn´ees
Principe de mesure :dionsdeprot´einespssodemeloe´ucel extraites d’un e´ chantillon biologique qui sont ionise´ es en phase gazeuse puis soumises `a un bref champ e´ lectrique qui produit une acce´ le´ ration des ions dans un tube `a vide un de´ tecteur au bout du tube enregistre le temps de vol.
Formatdedonn´ees:un spectre typique est constitu de ´e l’enregistrement se´ quentiel du nombre d’ions qui arrivent sur le de´ tecteur avec les valeurs correspondantes de leurs valeursm/z (rapport masse/charge).
Interpre´ tation :)observ´euspectrecolmdxuaam(sumixdeicsp dintensit´edamplitudevariablecorrespondentauxdiversesprote´ines.
A. Antoniadis, J. Bigot, S. Lambert-Lacroix, F. Letue´
Analysededonne´esdespectrom´etriedemasse
Exemple
de
Pr´e-traitementsdesdonne´es Infe´ rence statistique
spectres
Trois spectres bruts superpose´ s
A. Antoniadis, J. Bigot, S. Lambert-Lacroix, F. Letue´
Analysededonn´eesdespectrom´etriedemasse
Pr ´ traitements des donn ´ e- ees Infe´ rence statistique Lespremiersprobl`emesstatistiques
Fl´eaudeladimension:unspectretypiquecontientplusde 10000 mesures d’intensit ´e et on ne dispose relativement que de peu de spectres (individus) He´t´roscedastisticite´:lesmesuresdunspectrepr´esententune e dispersion (ou e´ chelle) variable en fonction de l’intensit ´ e enregistre´ e, rendant des comparaisons difficiles Rapprochement : pour des causes de fragmentation les pics int´eressantssontassezrapproch´escequirendleurse´paration automatique proble´ matique Alignement : lorsque l’expe´ rience est re´ pe´ te´ e ou porte sur des ´echantillonsbiologiquesdemˆemenature,ilarrivequelespics enregistre´ s ne soient pas alignes. Tout processus de ´ moyennisation est alors rendu impossible sans alignement pr´ealable De´ tection de pics : Identifier les pics importants pour des e´ tudes de dife´ rentiation
A. Antoniadis, J. Bigot, S. Lambert-Lacroix, F. Letue´
Analyse de donne´ es de spectrome´ trie de masse
1
2
Pr ´ traitements des don ´ e- nees Infe´ rence statistique
Pre´-traitementsdesdonn´ees D´ebruitage Suppression du bruit de fond Normalisation, alignement et quantification des spectres
Infe´ rence statistique Analyse de la variance fonctionnelle Extraction de biomarqueurs et classification
A.Antoniadis,J.Bigot,S.Lambert-Lacroix,F.Letu´e
Analysededonne´esdespectrom´etriedemasse
it e Pr´e-traiteInm´efernetsncdeesstdatoisntniquesegabeur´DonsibrduupSesprddtiunofe Normalisation, alignement et quantification des spectres Mode´ lisation statistique d’un spectre
Lid´eeessentielleestdeconsid´ererquechaquespectreestconstitu´e de la superposition de trois composantes : le signal des pics, un bruit defondlisseetunbruital´eatoireadditifdemesure.
bdf z }| { Y(m/z) =B(m/z)
signal des pics z }| { +N S(m/z) +(m/z), |{z} | {z } facteur de normalisation bruit
i(m/z)N(0, σ2(m/z))
But:Isolerlesignaldint´ereˆtS De´ bruiter, filtrer le bruit de fond et normaliser. Extraire les pics importants deS
A.Antoniadis,J.Bigot,S.Lambert-Lacroix,F.Letu´e
Analysededonne´esdespectrom´etriedemasse
Pre´-traitementsdesdonn´ees Infe´ rence statistique O `u commence-t-on ?
De´ bruitage Suppression du bruit de fond Normalisation, alignement et quantification des spectres
Le de´ bruitage, le filtrage du bruit de fond et la normalisation sont des processusinterconnect´es.
Oncommencepard´ebruiter(supprimerlebruit)pardes m´ethodesnonparam´etriques.Pourcelaonutilisera und´ebruitageparondelettespuisquelesondelettessontdes fonctionsdebasepermettantderepr´esenterdefa¸con parcimonieusedesfonctionscompos´eesdepics. Pourquoi cela marcherait-il ? Le signal est caracte´ rise´ par un petit nombre de coefficients alors que le bruit est re´ parti sur tous les coefficients . Leseuillageenl`evelebruitsanstropaffecterlesignal.Les ondelettes marchent beaucoup mieux que les me´ thodes ` a noyau oulessplines,quionttendancea`att´enuerlesintensit´esdespics lorsdud´ebruitage.
A. Antoniadis, J. Bigot, S. Lambe t-L ix, F. Let ´ r acro ue
Analyse de donne´ es de spectrome´ trie de masse
Exemple
de
Pre´-traitementsdesdonn´ees Inf´erencestatistique
d´ecomposition
A. Antoniadis, J. Bigot, S. Lambert-Lacroix, F. Letue´
De´ bruitage Suppression du bruit de fond Normalisation, alignement et quantification des spectres en ondelettes TIWT
Analysededonne´esdespectrom´etriedemasse
Pr´e-traitementsdesdonne´esegatD´ebrui Inf´erencestatistiqueruubdeitndfoppuSsserdnoipssednoisertceetqumentcatantitaoilasigien,nla Norm De´compositionsa`basedondelettes
Le principe sous-jacent pour ce type de de´ bruitage est :
transformer le signal du domaine temporel dans le domaine des coefficients d’ondelettes par la transformation e´ liminer les coefficients en dessous d’un certain seuil faire ensuite la transformation inverse.
Lebruitaffectedemanie`ree´galetouslescoefcientsdesr´esolutions grossie`res,alorsquelevraisignaldespicsestcaract´eris´eparpeu de grand coefficients aux re´ solutions fines.
A. Antoniadis, J. Bigot, S. Lambert-Lacroix, F. Letue´
Analysededonne´esdespectrom´etriedemasse
Debruitage ´
Pr´e-traitementsdesdonn´ ees Inf´erencestatistique
A.Antoniadis,J.Bigot,S.Lambert-Lacroix,F.Letu´e
De´ bruitage Suppression du bruit de fond Normalisation, alignement et quantification des spectres
Analyse de donnees de spectrome´ trie de masse ´