Normalisation Des Données Et Plani Cation Expérimentale

Prambule
Technologie mono-couleur
Technologie bi-couleur
Perspectives
Normalisation des donnes et planication exprimentale

David Causeur Laboratoire de Mathmatiques Appliques Agrocampus Ouest
IRMAR CNRS UMR 6625
http://www.agrocampus-ouest.fr/math/causeur/
Prambule
Perspectives
Plan du cours
1 Prambule 2 Technologie mono-couleur
Analyse diffrentielle Biais techniques Planication exprimentale

3 Technologie bi-couleur
Effet uorochrome Interaction gne uorochrome Plans classiques

4 Perspectives
Prambule
Perspectives
Donnes de biopuce
Une structuration naturelle en sous-tableaux
Puces 1 2 3 4 5 6 . . . Expressions gniques
Expressions gniques : quantitatives (nombreuses)
Prambule
Perspectives
Donnes de biopuce
Puces 1 2 3 4 5 6 . . . Expressions gniques Facteurs de variations
Expressions gniques : quantitatives (nombreuses) Facteurs de variations : contrls (rgime, gnotype,
temps, ...) ou nuisances (uorochromes, marquage, ...)
Prambule
Perspectives
Donnes de biopuce
Puces 1 2 3 4 5 6 . . . Expressions gniques Facteurs de variations Informations externes
Expressions gniques : quantitatives (nombreuses) Facteurs de variations : contrls (rgime, gnotype,
temps, ...) ou nuisances (uorochromes, marquage, ...)

Informations externes : issues danalyses parallles
Prambule
Perspectives
Planication exprimentale
Organiser les donnes de telle sorte que :
linterprtation ne soit pas entache de confusion
Prambule
Perspectives
linterprtation ne soit pas entache de confusion les rsultats soient aussi prcis que possible
Prambule
Perspectives
Expertise pralable :
Contraintes exprimentales (cot, technologie, ...)
Prambule
Perspectives
Expertise pralable :
Contraintes exprimentales (cot, technologie, ...) But de ltude ? Comparer des traitements, des gnotypes, ... Mesurer lvolution des niveaux dexpression dans le temps
Prambule
Perspectives
Plan du cours


4 Perspectives
Prambule
Perspectives
Analyse diffrentielle
Sur chaque spot, lexpression dun gne dans une condition.
Prambule
Perspectives

Un seul facteur contrl, 2 modalits (gnotype
gras/maigre)
Prambule
Perspectives

Un seul facteur contrl, 2 modalits (gnotype
gras/maigre)
Prambule
Perspectives
Comparaison de moyennes
Statistique de Student T = S Y1 Y2
1 n1
1 n2
S : cart-type intra-groupe
Variabilit intra-groupe
Si une puce = un patient (ou un animal) alors
S = variabilit biologique
Si une puce = un chantillon sur un patient donn, ... alors
S = variabilit technique Idalement . . . = E(S) petit
Prambule
Perspectives
Homognit des variances

Exemple : donnes poulets
Prambule
Perspectives

Technologie : dpt (mono-couleur)
Prambule
Perspectives

Technologie : dpt (mono-couleur)
Prambule
Perspectives

Technologie : dpt (mono-couleur) Nombre de gnes : 314
Prambule
Perspectives

Technologie : dpt (mono-couleur) Nombre de gnes : 314 Nombres de puces : 27 13 gras 14 maigres
Prambule
Perspectives

Ecarttype intragroupe
0 0
10000
20000
30000
40000
1000
2000
3000
4000
5000
6000
Diffrence dexpressions moyennes
Prambule
Perspectives

Aprs transformation logarithmique

2.5
Ecarttype intragroupe
Stabilisation de la variance par passage au log2
0.0 0.0
0.5
1.0
1.5
2.0
0.5
1.0
1.5
Diffrence dexpressions moyennes
Prambule
Perspectives
Variabilit indsirable entre puces

(k ) Yir
: expression du gne k sur la r me puce du groupe i: Yir

(k )
= (k ) + i
(k )
2 + ir , Var(ir ) = k
(k )
(k )
k = Variabilit intra-groupe
Prambule
Perspectives

(k ) Yir

(k )
= (k ) + i
(k )
2 + ir , Var(ir ) = k
(k )
(k )
Gnotype gras 0.20 Frquence 0.00 0.05 0.10 0.15
10
0 Ecarts la moyenne
10
Prambule
Perspectives

(k ) Yir

(k )
= (k ) + i
(k )
2 + ir , Var(ir ) = k
(k )
(k )
Gnotype gras
10
Gnotype gras
0.20
Ecarts la moyenne
10 5 0 Ecarts la moyenne 5 10
Frquence
0.15
0.10
0.05
0.00
10
AG10
AG13
AG15
AG9
NG26
NG30
NG32
Puces
Prambule
Perspectives
(k ) Yir
Variabilit indsirable entre puces DES DONNEES BIAISEES

: expression du gne k sur la r me puce du groupe i:
avec Kj = KRT j x Kmarquage j x K hybrid+lavage j
(k ) (k ) (k ) (k ) 2 Yir = (k ) + i Un exemple de BIAIS trs frquent : + ir , Var(ir ) = k le marquage variable dun chantillon lautre et donc dune puce lautre les= Variabilit intra-groupe variables dun chantillon lautre et donc dune puce lau k conditions dhybridation/lavage
Gnotype gras
Puce 24 (ech. 24)
Puce 25 (ech. 25)
Puce 26 (ch. 26)
Puce 24 Puce 25 Puce 26 (ech. 24) (ech. 25) (ch. 26) YORF 24 25 26 675 YAL001C 150 567 YAL002W 758 245 768 YAL003W 874 208 986 YAL005C 968 265 675 506 856 YAL010C 157 ,,, Marquage moins lev NG32 AG10 AG13 AG15 AG9 NG26 NG30
10 5 0 5 10
Ecarts la moyenne
Puces
D un effet ch. ou un biais experimental ? Var.systmatique au sein dune puce: BIAIS quil faudra corriger Hypothse faite couramment :
Prambule
Perspectives

(k ) Yir
: expression du gne k sur la r me puce du groupe i:

2 k
DES DONNEES BIAISEES
avec Kj = KRT j x Kmarquage j x K hybrid+lavage j (k ) (k ) (k ) (k ) (k ) (k ) Yir + i + Un exemple de= trs frquent :ir + ir , Var(ir ) = BIAIS
le marquage variable dun chantillon lautre et donc dune puce lautre k conditions dhybridation/lavage les= Variabilit intra-groupe variables dun chantillon lautre et donc dune puce lau
Gnotype gras
Puce 24 (ech. 24)
Puce 25 (ech. 25)
Puce 26 (ch. 26)
Puce 24 Puce 25 Puce 26 (ech. 24) (ech. 25) (ch. 26) YORF 24 25 26 675 YAL001C 150 567 YAL002W 758 245 768 YAL003W 874 208 986 YAL005C 968 265 675 506 856 YAL010C 157 ,,, Marquage moins lev NG32 AG10 AG13 AG15 AG9 NG26 NG30
10 5 0 5 10
Ecarts la moyenne
Puces
D un effet ch. ou un biais experimental ? Var.systmatique au sein dune puce: Hypothse faite couramment :
Prambule
Perspectives

(k ) Yir

(k )
= (k ) + i
(k )
2 + r + ir , Var(ir ) = k
(k )
(k )
k = Variabilit intra-groupe Ajustement de leffet puce (tous groupes confondus)

Invariance de gnes de contrle Principe dinvariance moyenne entre puces
Prambule
Perspectives

Expressions ajustes de leffet puce
14 6 AG10 8 10 12 16
AG14
AG9
AM4
AM7
NG26
NG31
NM18 NM21
Puces
Prambule
Perspectives

Effet de la normalisation sur la variabilit rsiduelle Ecarttypes intragroupes aprs normalisation
AG10 AG14 AG9 AM4 AM7 NG26 NG31 NM18 NM21 2.0 0.0 0.0 0.5 1.0 1.5 16
Expressions ajustes de leffet puce
10
12
14
0.5
1.0
1.5
2.0
Puces
Ecarttypes intragroupes avant normalisation
Prambule
Perspectives
Variabilit indsirable non-homogne

Normalisation
Mmes corrections pour tous les gnes
Prambule
Perspectives

Normalisation
Mmes corrections pour tous les gnes Contrle de la qualit des donnes
Flags : spots retirs des donnes Recalcul ponctuel des valeurs dexpression
Prambule
Perspectives

Gnotype
Prambule
Perspectives

Gnotype Rgime
Prambule
Perspectives

Gnotype Rgime Oprateur
Prambule
Perspectives

Gnotype +1 Rgime +1 Oprateur
+1
-1
-1
+1
-1
-1
Prambule
Perspectives

Gnotype +1 Rgime +1 Oprateur +1
+1
-1
-1
-1
+1
-1
-1
-1
+1
Prambule
Perspectives
Plan du cours


4 Perspectives
Prambule
Perspectives
Principe
Technologie bi-couleur : une puce = un couple de mesures dexpression par gne Couple = 1 couleur (vert ou rouge) par condition
Prambule
Perspectives
Principe
Donnes zebrash : 8448 gnes
zrange 161.7 to 55699 (saturation 161.7, 55699)
zrange 164.9 to 60030.6 (saturation 164.9, 60030.6)
Prambule
Perspectives
Principe
Technologie bi-couleur : une puce = un couple de mesures dexpression par gne Couple = 1 couleur (vert ou rouge) par condition Si conditions i et j sur la r me puce Yir Yjr
(k ) (k )
= (k ) + i = (k ) + j
(k ) (k )
+ r + r
(k ) (k )
+ ir , + jr ,
(k )
(k )
Prambule
Perspectives
Principe
Technologie bi-couleur : une puce = un couple de mesures dexpression par gne Couple = 1 couleur (vert ou rouge) par condition Si conditions i et j sur la r me puce Yir Yjr
(k ) (k )
= (k ) + i = (k ) + j
(k ) (k )
+ r + r
(k ) (k )
+ ir , + jr ,
(k )
(k )
Pas deffet puce sur le log-ratio des expressions Mijr

(k )
= Yir Yjr .
(k )
(k )
Prambule
Perspectives
Effet uorochrome
Expressions sur la r me puce (conditions i et j) Mijr
(k )
= i
(k )
(k )
+ Bruit
Prambule
Perspectives
Effet uorochrome
Expressions sur la r me puce (conditions i et j) Mijr
(k )
= i
(k )
(k )
+ Bruit
Hypothse dinvariance moyenne : pour presque tous les k , (k ) (k ) i j = 0
Prambule
Perspectives
Effet uorochrome
Histogramme des valeurs M Puce 1
5000
Moyenne= 0.48 Ecarttype= 0.55
Effectifs
0 3
1000
2000
3000
4000
Logratios
Prambule
Perspectives
Effet uorochrome
Expressions sur la r me puce (conditions i et j)
(k ) (k )
Yir
= (k ) + i
(k ) (k )
+ r
(k ) (k )
+ rouge + ir , + vert + jr ,
(k ) (k )
(k )
(k )
Yjr
= (k ) + j
+ r
Prambule
Perspectives
Effet uorochrome
(k ) (k )
Yir
= (k ) + i
(k ) (k )
+ r
(k ) (k )
(k ) (k )
(k )
(k )
Yjr
= (k ) + j
+ r
Exemple : 2 puces, 2 gnotypes Puce 1 1 2 2 Gnotype G M G M Couleur Rouge Vert Vert Rouge
Prambule
Perspectives
Effet uorochrome
(k ) (k )
Yir
= (k ) + i
(k ) (k )
+ r
(k ) (k )
(k ) (k )
(k )
(k )
Yjr
= (k ) + j
+ r
Plan dye swap
Prambule
Perspectives
Effet uorochrome
(k ) (k )
Yir
= (k ) + i
(k ) (k )
+ r
(k ) (k )
(k ) (k )
(k )
(k )
Yjr
= (k ) + j
+ r
Mij1 = Condition + Fluorochrome Mij2 = Condition Fluorochrome Mij1 + Mij2 = Effet condition
Prambule
Perspectives
Interaction gne uorochrome

Expressions dun gne sur une puce Yir
(k ) (k )
= (k ) + i
(k ) (k )
+ r
(k ) (k )
(k ) (k )
(k )
(k )
Yjr
= (k ) + j
+ r
Prambule
Perspectives

(k ) (k )
= (k ) + i
(k ) (k )
+ r
(k ) (k )
(k ) (k )
(k )
(k )
Yjr
= (k ) + j
+ r
Mijr = Yir Yjr

(k ) (k )
(k )
(k )
(k ) (k )
(k )
(k ) (k )
+ rouge vert + Bruit + Bruit
(k )
(k )
Aijr = Yir + Yjr
= 2(k ) + 2r
Prambule
Perspectives

(k ) (k )
= (k ) + i
(k ) (k )
+ r
(k ) (k )
(k ) (k )
(k )
(k )
Yjr
= (k ) + j
+ r
Mijr = Yir Yjr

(k ) (k )
(k )
(k )
(k ) (k )
(k )
(k ) (k )
+ rouge vert + Bruit + Bruit
(k )
(k )
Aijr = Yir + Yjr
= 2(k ) + 2r
Hypothse : pour la plupart des gnes, effet condition = 0
Prambule
Perspectives

Graphe MA Donnes zebrafish Puce 1
8
M
2 6 0 2
10
12
14
Prambule
Perspectives

Graphe MA Donnes zebrafish Puce 1
8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
M
2 6 0 2
10
12
14
Prambule
Perspectives

(k ) (k )
= (k ) + i
(k ) (k )
+ r
(k ) (k )
(k ) (k )
(k )
(k )
Yjr
= (k ) + j
+ r
Effet uorochrome = f (potentiel gne)
Prambule
Perspectives
Correction de linteraction gne uorochrome

Graphe MA Bloc daiguilles 1
3
Taille de la fentre : 5 % (environ 25 points)
M
2 6 1 0
10
12
14
Prambule
Perspectives

3
Attention: Gne x Couleur x Puce = Gne x Condition
M
2 6 1 0
10
12
14
Prambule
Perspectives

3
M
2 6 1 0
10
12
14
Prambule
Perspectives

3
M
2 6 1 0
10
12
14
Prambule
Perspectives

Tip Column
6 8 10 12 14 6 8 10 12 14 4 1 0 1 2 3 4 3 3 1 0 1 2 3 4 6 8 10 12 14 6 8 10 12 14 1 0 1 2 3
1 0
Tip Row
Prambule
Perspectives

Normalisation des donnes: Yir Modle: Yir Donnes:
1 2 Gnes 3 ... ... ... ... ... . . . ... ... m Puce 1 1 2 2 . . . R R Facteur A B A C . . . C B (k ) (k )
Yir rouge,r
(k )
(k )
= (k ) + i
(k )
+ r
(k )
+ ir
(k )
=Y
Prambule
Perspectives

Tip Column
6 8 10 12 14 6 8 10 12 14 2 0 2 4 2 2 0 2 4 6 8 10 12 14 6 8 10 12 14 0 4
Tip Row
Prambule
Perspectives

5000 5000
Moyenne= 0.05 Ecarttype= 0.47 Effectifs
Moyenne= 0 Ecarttype= 0.28
4000
3000
Effectifs
2000
1000
0 3
1000
2000
3000
4000
Logratios Histogramme des valeurs M Puce 3

5000 5000
Logratios Histogramme des valeurs M Puce 4
Moyenne= 0.04 Ecarttype= 0.43 Effectifs
Moyenne= 0.01 Ecarttype= 0.35
4000
3000
Effectifs
2000
1000
0 3
1000
2000
3000
4000
Logratios
Logratios
Prambule
Perspectives
Plan en toile
Lorsquune condition de rfrence simpose . . .
C0 C1 C0 C2 C0 C3 C0 C4
Puce 1
Puce 2
Puce 3
Puce 4
Prambule
Perspectives
Plan en toile
C0 C1 C0 C2 C0 C3 C0 C4
Puce 1
Puce 2
Puce 3
Puce 4
Donnes:
1 2 Gnes 3 ... ... ... ... ... . . . ... ... m Puce 1 1 2 2 . . . 4 4 Facteur C1 C0 C0 C2 . . . C0 C4
=Y
Prambule
Perspectives
Plan en toile
C0 C1 C0 C2 C0 C3 C0 C4
Puce 1
Puce 2
Puce 3
Puce 4
Donnes:
1 2 Gnes 3 ... ... ... ... ... m Puce 1 2 3 4 Facteur C1 C2 C3 C4
= M = Y Y0
Prambule
Perspectives
Plan en toile
C0 C1 C0 C2 C0 C3 C0 C4
Puce 1
Puce 2
Puce 3
Puce 4
Donnes:
1 2 Gnes 3 ... ... ... ... ... m Puce 1 2 3 4 Facteur C1 C2 C3 C4
= M = Y Y0
Estimateur Mi0 Mi0 + M0j
Variance 2 2 R 2 4 R
Prambule
Perspectives
Plan en boucle
Lorsquune notion dordre existe entre les conditions . . .
Prambule
Perspectives
Plan en boucle
Donnes:
1 2 Gnes 3 ... ... ... ... ... . . . ... ... m Puce 1 1 2 2 . . . 4 4 Facteur C1 C2 C2 C3 . . . C4 C1
=Y
Prambule
Perspectives
Plan en boucle
Estimateur M1,2 M2,3 + M1,2
Variance 2 2 R 2 4 R
Prambule
Perspectives
Plan en boucle
Estimateur M1,2 M2,3 + M1,2
Variance 2 2 R 2 4 R Variance 3 2 42 R 1 2 24 R
Estimateur 3 1 4 M1,2 + 4 M1,4 + M4,3 + M3,2 1 1 2 M1,2 + M2,3 + 2 M1,4 + M4,3
Prambule
Perspectives
Plan du cours


4 Perspectives
Prambule
Perspectives
Perspectives
Une premire rexion a permis
la rduction de par lidentication dune variabilit
technologique
lorganisation optimale des donnes
Prambule
Perspectives
Perspectives
Une premire rexion a permis
la rduction de par lidentication dune variabilit
technologique
lorganisation optimale des donnes
Tout est en place pour

lanalyse des effets lidentication des gnes sexprimant diffremment dune
condition une autre

Normalisation Des Données Et Plani Cation Expérimentale

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Normalisation Des Données Et Plani Cation Expérimentale

Transféré par

Droits d'auteur :

Formats disponibles

Prambule

Normalisation des donnes et planication exprimentale

Analyse diffrentielle Biais techniques Planication exprimentale

Effet uorochrome Interaction gne uorochrome Plans classiques

Expressions gniques : quantitatives (nombreuses)

Expressions gniques : quantitatives (nombreuses) Facteurs de variations : contrls (rgime, gnotype,

temps, ...) ou nuisances (uorochromes, marquage, ...)

Expressions gniques : quantitatives (nombreuses) Facteurs de variations : contrls (rgime, gnotype,

temps, ...) ou nuisances (uorochromes, marquage, ...)

Analyse diffrentielle Biais techniques Planication exprimentale

Effet uorochrome Interaction gne uorochrome Plans classiques

Sur chaque spot, lexpression dun gne dans une condition.

Sur chaque spot, lexpression dun gne dans une condition.

Sur chaque spot, lexpression dun gne dans une condition.

S = variabilit technique Idalement . . . = E(S) petit

Homognit des variances

Homognit des variances

Homognit des variances

Homognit des variances

Homognit des variances

Homognit des variances

Diffrence dexpressions moyennes

Homognit des variances

Aprs transformation logarithmique

Stabilisation de la variance par passage au log2

Diffrence dexpressions moyennes

Variabilit indsirable entre puces

: expression du gne k sur la r me puce du groupe i: Yir

Variabilit indsirable entre puces

: expression du gne k sur la r me puce du groupe i: Yir

Variabilit indsirable entre puces

: expression du gne k sur la r me puce du groupe i: Yir

Variabilit indsirable entre puces DES DONNEES BIAISEES

Puce 24 (ech. 24)

Puce 25 (ech. 25)

Puce 26 (ch. 26)

Variabilit indsirable entre puces

: expression du gne k sur la r me puce du groupe i:

DES DONNEES BIAISEES

Puce 24 (ech. 24)

Puce 25 (ech. 25)

Puce 26 (ch. 26)

Variabilit indsirable entre puces

: expression du gne k sur la r me puce du groupe i: Yir

k = Variabilit intra-groupe Ajustement de leffet puce (tous groupes confondus)

Variabilit indsirable entre puces

Variabilit indsirable entre puces

Expressions ajustes de leffet puce

Ecarttypes intragroupes avant normalisation

Variabilit indsirable non-homogne

Mmes corrections pour tous les gnes

Variabilit indsirable non-homogne

Variabilit indsirable non-homogne

Variabilit indsirable non-homogne

Variabilit indsirable non-homogne

Variabilit indsirable non-homogne

Variabilit indsirable non-homogne

Analyse diffrentielle Biais techniques Planication exprimentale

Effet uorochrome Interaction gne uorochrome Plans classiques

zrange 161.7 to 55699 (saturation 161.7, 55699)

zrange 164.9 to 60030.6 (saturation 164.9, 60030.6)

Pas deffet puce sur le log-ratio des expressions Mijr

Hypothse dinvariance moyenne : pour presque tous les k , (k ) (k ) i j = 0