Problèmes et approches statistiques pour l'analyse de ...

A. Antoniadis, J. Bigot, S. Lambert-Lacroix, F. Letué

Description

Pre tr´ aitements des donn ees´
Inference´ statistique
Problemes` 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
´ ´Seminaire IFR Proteomique et Signal
Dijon, Janvier 2008
´ ´ ´A. Antoniadis, J. Bigot, S. Lambert Lacroix, F. Letu e Analyse de donnees de spectrometrie de massePre tr´ aitements des donn ees´
Inference´ statistique
La spectrometr´ ie de masse
La spectrometr´ ie de masse (MS) est une technologie emergente´ . Elle
permet en particulier une mesure directe de la signature de certaines
proteines´ (extraites d’un echantillon´ biologique) et promet des
avancees´ consider´ ables pour le diagnostic et le traitement de
maladies.
Malgre´ les progres` technologiques recents´ sur l’enregistrement des
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 spectrometres` : ( 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. Letu e Analyse de donnees de spectrometrie de massePre tr´ aitements des donn ees´
Inference´ statistique
Acquisition des donnees´
Principe de mesure : on dispose de ...

Sujets

• Banque d'Estonie
• Félix Julien Jean Bigot de Préameneu
• Bruit de fond
• Liste des personnages de l'univers de Donald Duck
• D'une ombre à l'autre
• Normes et standards industriels

Informations

• Publié par: Phawyeng
• Nombre de lectures: 77
• Langue: Français

Extrait

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 ´ ecentssurl’enregistrementdes 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 d’intensit ´ ed’amplitudevariablecorrespondentauxdiversesprote ´ 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 ´ :lesmesuresd’unspectrepr ´ 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 ´ echantillonsbiologiquesdem ˆ emenature,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-traite In m ´ ef e r n e ts nc d e es st d at o is n t n iq e´ u es e gabeur ´ D onsibrduupSesprddtiunofe Normalisation, alignement et quantification des spectres Mode´ lisation  statistique d’un spectre

L’id ´ 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, σ 2 (m/z))

But:Isolerlesignald’int ´ ere ˆ tS 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 ´ es egatD ´ ebrui Inf ´ erencestatistique ruubdeitndfoppuSsserdnoi pssednoisertceetqumentficatantitaoilasigien,nla Norm De ´ compositionsa ` based’ondelettes

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 ´ galetouslescoefficientsdesr ´ 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 ´