Analyse de données de spectrométrie de masse

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

Description

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 2009Les 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 ...

Sujets

• Máxima Zorreguieta Cerruti
• Statistiques d'accidents d'avion
• Spectrométrie de masse
• Inférence statistique
• Effets du cannabis sur la santé
• Fonctions dans la maîtrise d'ouvrage

Informations

• Publié par: Vewyog
• Nombre de lectures: 116
• Langue: Français

Extrait

Lesdonnéesdespetcorémrteiedamss ré e Pra-temittsenrpteeimerpsrèlbotatimessues I stiq neecfnrésiittstaequ octobre2009 LaboratoireJeanKuntzmann,Grenoble A.Antoniadis,J.Bigot,S.Lambert-Lacroix,F.Letué Analysededonnéesdespectrométriedemasse

nndoesLedeissam érP e art- sdéepeesrocttrmé srrpboèlemssatititementsetpremie itsitatseuq s I ueiqst ceenérnf Analysedelavariancefonctionnelle Modèlesàeffetsaléatoires Extractiondesbiomarqueurs Apprentissageettechniquesdeclassification. Inférencestatistique Débruitage Suppressiondubruitdefond Normalisation,alignementetquantificationdesspectres Pré-traitementsetpremiersproblèmesstatistiques AcquisitiondedonnéesSELDI-TOF(ouMALDI-TOF) Plandel’exposé

témodeirpsedrtce tré-teai asem Pr sesdonnéesLe qieuittsInfé ques estarenc semèlboritsitatstpsentmespermire Desprotéinespurifiéesoupartiellementpurifiéesextraitesd’un échantillonbiologique(sérumparexemple)sontmélangéesà unacidequipermetaumélangedesecristalliserlorsqu’il sèche. Lemélangeestalorsappliquésurunelamed’acierinoxydable pré-traitéequiretientàsasurfacedemanièrepréférentielledes classesparticulièresdeprotéinesselonleurspropriétés physio-chimiques. L’échantillonestplacédansuntubeàvideetlecristalest soumisàunrayonnementlaser,entraînantuneionisationdes protéinesetundétachement(enphasegazeuse). Lesmoléculesdeprotéinesioniséesenphasegazeusesontalors soumisesàunbrefchampélectriquequiproduitune accélérationdesionsdansletubeetundétecteurauboutdu tubeenregistreletempsdevol. Acquisitiondesdonnées

sttiueiqmelètass tsecsitafnI s neré raitemen sse Pré-teisrrpbostterpme essdéenndoesLamedeirtémortcep :euqi eituq Spetypectr dearriventsurundétecteuraveclesvaleurs correspondentauxdiversesprotéines. enregistrementséquentieldunombred’ionsqui cspiesLleursm / z . Exempledespectres

Avantages laproductiondesionsrévèledesmoléculesdeprotéinesavec trèspeudefragmentation; lapréparationdeséchantillonsbiologiquesestrapide; Malgrécesavantages,ilpersistenéanmoinsplusieursproblèmes danslaquantificationdesprotéinesdansleséchantillons biologiques,inhérentsauprocessusd’ionisationmêmeavecpour conséquenceunegrandevariabilitédanslesintensitésenregistrées, mêmepourdesdonnéesrépétées. lechampdedétectiondesmassessurcharges’étendsurdes intervallespouvantallerde2000à100000daltons,avecune précisionde1/10000. pterimreetemtnesPré-trai edemassemortirtéedsecepssdLenéon tsqiatiteuIn esquti esncrefé mèlborpssitatsse

Fléaudeladimension:unspectretypiquecontientplusde 10000mesuresd’intensitéetonnedisposerelativementque depeudespectres(individus); Détectiondepics:Identifierlespicsimportantspourdes étudesdedifférentiation. Lespremiersproblèmesstatistiques Hétéroscedastisticité:lesmesuresd’unspectreprésentent unedispersion(ouéchelle)variableenfonctiondel’intensité enregistrée,rendantdescomparaisonsdifficiles; Alignement:lorsquel’expérienceestrépétéeouportesurdes échantillonsbiologiquesdemêmenature,ilarrivequelespics enregistrésnesoientpasalignés.Toutprocessusde moyennisationestalorsrenduimpossiblesansalignement préalable. éenndoesLrteiorémeptcdsse raitré-t sse P dema uqitsitaenf s I ueiq stceenér èlemrpboittsssattsetemeniersprem

despnéesométectrdsnoeL ntmeteaimiretpse samedeir rt-érP es esèmatstsperblro éfnIcner itsiseuq iqueestatist N |{z} facteurdenormalisation signaldespics |{z} S ( m / z )+( m / z ), }z{| tiurb Modélisationstatistiqued’unspectre L’idéeestdeconsidérerquechaquespectreestconstituédela superpositiondetroiscomposantes:lesignaldespics,unbruitde fondlisseetunbruitaléatoireadditifdemesure. But:Isolerlesignald’intérêtS  i ( m / z ) ∼N ( 0 ,σ 2 ( m / z )) z b } d | f { Y ( m / z )= B ( m / z )+

Oncommencepardébruiter(supprimerlebruit)pardes méthodesnonparamétriques.Pourcelaonutilise undébruitageparondelettespuisquelesondelettessontdes fonctionsdebasepermettantdereprésenterdefaçon parcimonieusedesfonctionscomposéesdepics.Onutilisela transforméeenondelettesinvariantepartranslation(TIWT) desortequelerésultatnedépendepasdel’endroitoùon commenceàtraiterlesignal. Pourquoicelamarche-il?Lesignalestcaractériséparun petitnombredecoefficientsalorsquelebruitestrépartisur touslescoefficients. Leseuillageenlèvelebruitsanstropaffecterlesignal.Les ondelettesmarchentbeaucoupmieuxquelesméthodesà noyauoulessplines,quionttendanceàatténuerlesintensités despicslorsdudébruitage. Débruitage asem Pr se tré-teai psedrtcetémodeirLesdonnées estarencInfé ques qieuitts spermiretpsentmeitsitatssemèlbor

Bruitdefond:signallisse,attribuableàlasurchargedu détecteur.Ilestestimédemanièreplusstableaprèsdébruitage. Plusieursprocéduresexistentdanslalittérature Correctiondubruitdefond Décompositionenondelettes.Lespectreestdécomposédans unebased’ondelettesorthogonalesetlebruitdefondest estiméparlaprojectionsurl’espaced’approximationde résolutionlaplusgrossière. Rejetautomatiquedespics.Cesalgorithmesajustent certainesfonctions(polynômes,splines)surdesrégionsdu spectrenecontenantquedubruitdefondetpasdepics.Ils sontmédiocrespourdesspectresdontlebruitdefondvarie fortement. Filtragedigital.Habituellementellesproduisentdesartefacts etdesdistorsionsdessignauxsous-jacents. Leséesddonnortcepseedeirtém ré e P ssma emitra-tnestterpmeeisrrpoblèmesstatistiq I seu réfnecnetatstiisequ

spromiertprentseetemrtiarP-é saesemedriétomtrecspedseénnodseL nofedtiu:dstreouepbrleerimIéd stiquenI se eréfsecnitat èmblstesisatquti Lebruitdefondest concentrésurlespointsbasduspectre.Onl’estimedoncen surdesnoeudséquidistants.Afindereprésenterlebruitdefaçon (supposélisse)estdécomposédansunebasedefonctionsB-splines asymétriquedelavaleurabsoluedesrésidus).Lebruitdefond utilisantunerégressionquantilepénalisée(versionpondérée Estimationdubruitdefond parcimonieusenouspréféronsutiliseruneversionpénaliséedetype Lasso.

Lesdonnéesdespectrométriedemasse Pré-traitementsetpremiersproblèmesstatistiques Inférencestatistique Estimationdubruitdefond Unexempled’estimationdubruitdefond.En débruité;enbaselspectrecorrigédubrtuide hautle onfd. spectre