Analyse de données de spectrométrie de masse

pages

Français

Documents

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

Publié par
Vewyog

Lire

Le téléchargement nécessite un accès à la bibliothèque YouScribe Tout savoir sur nos offres

pages

Français

Documents

Lire

Le téléchargement nécessite un accès à la bibliothèque YouScribe Tout savoir sur nos offres

Publié par

Vewyog

Nombre de lectures

173

Langue

Français

Les données de spectrométrie de masse
Pré-traitements et premiers problèmes statistiques
Inférence statistique
Analyse de données de spectrométrie de masse
A. Antoniadis, J. Bigot, S. Lambert-Lacroix, F. Letué
Laboratoire Jean Kuntzmann, Grenoble
octobre 2009Les données de spectrométrie de masse
Pré-traitements et premiers problèmes statistiques
Inférence statistique
Plan de l’exposé
Acquisition de données SELDI-TOF (ou MALDI-TOF)
Pré-traitements et premiers problèmes statistiques
Débruitage
Suppression du bruit de fond
Normalisation, alignement et quantiﬁcation des spectres
Inférence statistique
Analyse de la variance fonctionnelle
Modèles à eﬀets aléatoires
Extraction des biomarqueurs
Apprentissage et techniques de classiﬁcation.Les données de spectrométrie de masse
Pré-traitements et premiers problèmes statistiques
Inférence statistique
Acquisition des données
Des protéines puriﬁées ou partiellement puriﬁées extraites d’un
échantillon biologique (sérum par exemple) sont mélangées à
un acide qui permet au mélange de se cristalliser lorsqu’il
sèche.
Le mélange est alors appliqué sur une lame d’acier inoxydable
pré-traitée qui retient à sa surface de manière préférentielle des
classes particulières de protéines selon leurs propriétés
physio-chimiques.
L’échantillon est placé dans un tube à vide et le cristal est
soumis à un rayonnement laser, entraînant une ionisation des
protéines et un détachement (en phase gazeuse).
Les molécules de protéines ionisées en phase ...

Voir

Publié par

Vewyog

Nombre de lectures

173

Langue

Français

LesdonnéesdespetcorémrteiedamssréePra-temittsenrpteeimerpsrèlbotatimessuesIstiqneecfnrésiittstaequoctobre2009LaboratoireJeanKuntzmann,GrenobleA.Antoniadis,J.Bigot,S.Lambert-Lacroix,F.LetuéAnalysededonnéesdespectrométriedemasse

nndoesLedeissamérPeart-sdéepeesrocttrmésrrpboèlemssatititementsetpremieitsitatseuqsIueiqstceenérnfAnalysedelavariancefonctionnelleModèlesàeﬀetsaléatoiresExtractiondesbiomarqueursApprentissageettechniquesdeclassiﬁcation.InférencestatistiqueDébruitageSuppressiondubruitdefondNormalisation,alignementetquantiﬁcationdesspectresPré-traitementsetpremiersproblèmesstatistiquesAcquisitiondedonnéesSELDI-TOF(ouMALDI-TOF)Plandel’exposé

témodeirpsedrtcetré-teaiasemPrsesdonnéesLeqieuittsInféquesestarencsemèlboritsitatstpsentmespermireDesprotéinespuriﬁéesoupartiellementpuriﬁéesextraitesd’unéchantillonbiologique(sérumparexemple)sontmélangéesàunacidequipermetaumélangedesecristalliserlorsqu’ilsèche.Lemélangeestalorsappliquésurunelamed’acierinoxydablepré-traitéequiretientàsasurfacedemanièrepréférentielledesclassesparticulièresdeprotéinesselonleurspropriétésphysio-chimiques.L’échantillonestplacédansuntubeàvideetlecristalestsoumisàunrayonnementlaser,entraînantuneionisationdesprotéinesetundétachement(enphasegazeuse).Lesmoléculesdeprotéinesioniséesenphasegazeusesontalorssoumisesàunbrefchampélectriquequiproduituneaccélérationdesionsdansletubeetundétecteurauboutdutubeenregistreletempsdevol.Acquisitiondesdonnées

sttiueiqmelètasstsecsitafnIsneréraitemenssePré-teisrrpbostterpmeessdéenndoesLamedeirtémortcep:euqieituqSpetypectrdearriventsurundétecteuraveclesvaleurscorrespondentauxdiversesprotéines.enregistrementséquentieldunombred’ionsquicspiesLleursm/z.Exempledespectres

Avantageslaproductiondesionsrévèledesmoléculesdeprotéinesavectrèspeudefragmentation;lapréparationdeséchantillonsbiologiquesestrapide;Malgrécesavantages,ilpersistenéanmoinsplusieursproblèmesdanslaquantiﬁcationdesprotéinesdansleséchantillonsbiologiques,inhérentsauprocessusd’ionisationmêmeavecpourconséquenceunegrandevariabilitédanslesintensitésenregistrées,mêmepourdesdonnéesrépétées.lechampdedétectiondesmassessurcharges’étendsurdesintervallespouvantallerde2000à100000daltons,avecuneprécisionde1/10000.pterimreetemtnesPré-traiedemassemortirtéedsecepssdLenéontsqiatiteuInesqutiesncrefémèlborpssitatsse

Fléaudeladimension:unspectretypiquecontientplusde10000mesuresd’intensitéetonnedisposerelativementquedepeudespectres(individus);Détectiondepics:Identiﬁerlespicsimportantspourdesétudesdediﬀérentiation.LespremiersproblèmesstatistiquesHétéroscedastisticité:lesmesuresd’unspectreprésententunedispersion(ouéchelle)variableenfonctiondel’intensitéenregistrée,rendantdescomparaisonsdiﬃciles;Alignement:lorsquel’expérienceestrépétéeouportesurdeséchantillonsbiologiquesdemêmenature,ilarrivequelespicsenregistrésnesoientpasalignés.Toutprocessusdemoyennisationestalorsrenduimpossiblesansalignementpréalable.éenndoesLrteiorémeptcdsseraitré-tssePdemauqitsitaenfsIueiqstceenérèlemrpboittsssattsetemeniersprem

despnéesométectrdsnoeLntmeteaimiretpsesamedeirrt-érPesesèmatstsperblroéfnIcneritsiseuqiqueestatistN|{z}facteurdenormalisationsignaldespics|{z}S(m/z)+(m/z),}z{|tiurbModélisationstatistiqued’unspectreL’idéeestdeconsidérerquechaquespectreestconstituédelasuperpositiondetroiscomposantes:lesignaldespics,unbruitdefondlisseetunbruitaléatoireadditifdemesure.But:Isolerlesignald’intérêtSi(m/z)∼N(0,σ2(m/z))zb}d|f{Y(m/z)=B(m/z)+

Oncommencepardébruiter(supprimerlebruit)pardesméthodesnonparamétriques.Pourcelaonutiliseundébruitageparondelettespuisquelesondelettessontdesfonctionsdebasepermettantdereprésenterdefaçonparcimonieusedesfonctionscomposéesdepics.Onutiliselatransforméeenondelettesinvariantepartranslation(TIWT)desortequelerésultatnedépendepasdel’endroitoùoncommenceàtraiterlesignal.Pourquoicelamarche-il?Lesignalestcaractériséparunpetitnombredecoeﬃcientsalorsquelebruitestrépartisurtouslescoeﬃcients.Leseuillageenlèvelebruitsanstropaﬀecterlesignal.Lesondelettesmarchentbeaucoupmieuxquelesméthodesànoyauoulessplines,quionttendanceàatténuerlesintensitésdespicslorsdudébruitage.DébruitageasemPrsetré-teaipsedrtcetémodeirLesdonnéesestarencInféquesqieuittsspermiretpsentmeitsitatssemèlbor

Bruitdefond:signallisse,attribuableàlasurchargedudétecteur.Ilestestimédemanièreplusstableaprèsdébruitage.PlusieursprocéduresexistentdanslalittératureCorrectiondubruitdefondDécompositionenondelettes.Lespectreestdécomposédansunebased’ondelettesorthogonalesetlebruitdefondestestiméparlaprojectionsurl’espaced’approximationderésolutionlaplusgrossière.Rejetautomatiquedespics.Cesalgorithmesajustentcertainesfonctions(polynômes,splines)surdesrégionsduspectrenecontenantquedubruitdefondetpasdepics.Ilssontmédiocrespourdesspectresdontlebruitdefondvariefortement.Filtragedigital.Habituellementellesproduisentdesartefactsetdesdistorsionsdessignauxsous-jacents.LeséesddonnortcepseedeirtémréePssmaemitra-tnestterpmeeisrrpoblèmesstatistiqIseuréfnecnetatstiisequ

spromiertprentseetemrtiarP-ésaesemedriétomtrecspedseénnodseLnofedtiu:dstreouepbrleerimIédstiquenIseeréfsecnitatèmblstesisatqutiLebruitdefondestconcentrésurlespointsbasduspectre.Onl’estimedoncensurdesnoeudséquidistants.Aﬁndereprésenterlebruitdefaçon(supposélisse)estdécomposédansunebasedefonctionsB-splinesasymétriquedelavaleurabsoluedesrésidus).Lebruitdefondutilisantunerégressionquantilepénalisée(versionpondéréeEstimationdubruitdefondparcimonieusenouspréféronsutiliseruneversionpénaliséedetypeLasso.

LesdonnéesdespectrométriedemassePré-traitementsetpremiersproblèmesstatistiquesInférencestatistiqueEstimationdubruitdefondUnexempled’estimationdubruitdefond.Endébruité;enbaselspectrecorrigédubrtuidehautleonfd.spectre

Voir