Les populations "outbred" sont des populations génétiquement hétérogènes.

Elles sont
généralement constituées d'individus provenant de différents souches ou lignées génétiques.
Les populations "inbred" sont des populations génétiquement homogènes. Elles sont
généralement constituées d'individus issus de la même souche ou lignée génétique, résultant
d'une reproduction consanguine pendant plusieurs générations.

L'utilisation de souches génétiquement consanguines est un moyen efficace de contrôler la

variabilité. Plus la variabilité est grande, plus la taille de l’échantillon nécessaire pour atteindre un
niveau acceptable de puissance statistique est grande.

En pratique, il existe au moins trois types de modèles utilisés dans la recherche biomédicale :
prédictif, explicatif et exploratoire.

Deux propriétés des modèles prédictifs revêtent une importance particulière : leur fidélité et leur
capacité à discriminer les traitements.

La fidélité est la mesure dans laquelle le modèle ressemble aux humains à tous égards.

Capacité de discrimination : Plusieurs tests in vitro, tels que le test de mutation Salmonella
d'Ames, ont été développés pour prédire si un composé est cancérigène. Ces tests sont basés
sur des modèles de faible fidélité, mais avec une capacité relativement élevée à faire la
distinction entre les cancérogènes et les non-cancérigènes.

Idéalement, tous les modèles prédictifs devraient être validés pour voir s’ils donnent les bons
résultats lorsqu’ils sont testés avec des composés ou des traitements dont l’effet biologique est
connu. Cependant, les modèles haute fidélité ne sont généralement pas formellement validés. Le
rat est largement utilisé dans les tests de toxicité, mais on s'appuie sur sa similarité relativement
élevée avec l'homme (fidélité). On suppose qu’un composé qui affecte un rat d’une certaine
manière affectera probablement les humains de la même manière.

L'unité expérimentale est l'entité physique qui peut être affectée indépendamment à un groupe de
traitement.
"À l'aveugle" : Une expérience est réalisée "à l'aveugle" lorsque les unités expérimentales sont
codées de telle sorte que les personnes menant l'expérience ne savent pas à quel groupe un
animal (ou tout autre sujet expérimental) a été assigné. C'est une manière d'éviter les biais.

La randomisation est une étape essentielle dans la conception d'une expérience. Chaque unité
expérimentale doit être numérotée.
Pour un plan complètement randomisé, utilisez des nombres consécutifs.
Pour un plan en blocs randomisés, numéroter les unités expérimentales à l'intérieur d'un bloc.

Le poids corporel initial des animaux, leur sexe, leur âge et leur souche n'ont aucun effet sur le
biais de l'expérience car les animaux ont été randomisés dans chaque groupe. Cependant,
affecter les souris à une seule cage peut conduire à des biais, car par exemple, elles peuvent se
battre, être infectées de manière inégale ou avoir un microenvironnement différent.

1
Configuration :
-structuré : Toutes les cages du groupe 1 en haut de l'étagère et les cages du groupe 2 en bas de
l'étagère, ou vice versa.
-Systématique : Tous les groupes 1 et 2 sur la même étagère dans un ordre systématique.
-Bloqué : Nombre égal de cages du groupe 1 et du groupe 2 sur chaque étagère, mais dans un
ordre aléatoire
 L’hypothèse nulle (souvent appelée H0) stipule qu’il n’y a aucune différence dans certains
paramètres entre les groupes.
 L’hypothèse alternative (souvent désignées HA) qui sont soit :
Il y a une différence entre les groupes.
Par exemple : la moyenne du groupe « a » est différente (plus petite ou plus grande que) celle
du groupe « b ».
Il existe une différence directionnelle entre les groupes.
Par exemple : la moyenne du groupe « a » est supérieure à celle du groupe « b ».
La première hypothèse alternative conduit à des tests de signification bilatéraux et la seconde
conduit à des tests de signification unilatéraux
Valeur P : est la probabilité qu'une différence entre les groupes aussi importante que celle
observée pourrait être survenue par pur hasard.
Nous devons également définir la valeur critique de P, en dessous de laquelle nous rejetterons
l’hypothèse nulle.
Une valeur critique de 0,05 est souvent choisie de sorte que si la valeur P calculée est inférieure
à 0,05, nous déclarerons les résultats « statistiquement significatifs au niveau de probabilité de 5
% ».
Cependant, les résultats avec des valeurs P > 0,05 ne doivent pas être écartés si les différences
de traitement semblent biologiquement importantes.
Une expérience sur un médicament anticancéreux a donné une valeur p de 0,06. Cependant, s'il
s'avère que le médicament prolonge la vie de plusieurs mois, une enquête plus approfondie peut
être utile.

Une erreur de type 1 est semblable à une conclusion de faux positif. Par exemple, si p = 0,049
et que vous rejetez l'hypothèse nulle, il y a une chance de 4,9 % que le résultat soit un faux
positif.

Une erreur de type 2 est semblable à une conclusion de faux négatif. Le taux d'erreur de type 2
est contrôlé par la taille de l'échantillon, la variabilité du matériau et la taille de l'effet. Cela est
discuté plus en détail dans l'analyse de puissance

Si p>0.05 : la non-significativité peut être due au fait que l'expérience était trop petite ou au fait
que la pilule ne réduit vraiment pas le poids corporel.

Le t de Student est un rapport signal sur bruit standardisé

Pour obtenir une haute précision, nous avons besoin que t soit grand. t est le rapport signal / bruit
peut être augmenté par :

Augmentation de la différence entre les moyennes des groupes (X1 et X2)

Diminution de la variance intra-groupe (S2)

Augmentation de la taille de l'échantillon (n)

2
Le blocage peut souvent être utilisé pour augmenter la précision d'une expérience
Il peut être utile si :
le matériau est hétérogène (par exemple, si les animaux sont très variables en poids ou en âge) il
a une structure naturelle (par exemple, des portées séparées), s'il y a des goulots d'étranglement
(par exemple, lorsque les mesures expérimentales doivent être réparties dans le temps). Le
blocage divise l'expérience en plusieurs mini-expériences homogènes. Cela est pratique et
augmente souvent la précision sans coût supplémentaire. L'utilisation d'un plan d'expérience en
blocs randomisés peut révéler des effets de traitement réels qui sont masqués en utilisant un plan
d'expérience complètement randomisé.

Plan factoriel et plage d’applicabilité

L'utilisation du plan factoriel pour élargir la gamme d'applicabilités est utile pour développer la
compréhension des systèmes de la « vie réelle ». Les principaux atouts du plan factoriel sont les
suivants :

 Plus d’une hypothèse peut être testée à la fois.

 Il permet d'étudier les interactions entre des facteurs tels que la contrainte et le traitement.
 L'effet de chaque facteur peut être estimé avec une précision relativement élevée.
 Les variables peuvent être contrôlées en les incluant dans la conception.

Tailles d'échantillon de 4 souris par groupe - 2 sexes x 3 niveaux de traitement (6

combinaisons de traitement) x 4 souris = 24 souris. E = 24-6 = 18, ce qui est satisfaisant par la
méthode de l'équation des ressources.
Utilisation de souris suisses non consanguines - Le choix dépend vraiment du fait qu'il
s'agisse d'une série d'expériences utilisant auparavant ces souris ou d'une nouvelle série. Dans
ce dernier cas, il serait peut-être préférable de passer à une variété consanguine.
L'utilisation de souris des deux sexes dans un plan factoriel - C'est une bonne chose car les
données sont collectées sur les deux sexes à peu de frais en termes de ressources
supplémentaires.
Choix des souris comme espèce testée – Ceci est sujet à débat car cela dépendra de la
question de savoir si la souris est un modèle humain approprié pour cette étude particulière.
Utiliser un plan complètement aléatoire - C'est une mauvaise solution car il n'est pas possible
de traiter tous les animaux en même temps, l'expérience doit donc être divisée. La meilleure façon
d’y parvenir serait d’utiliser une conception en blocs aléatoires.
Effectuer les contrôles en premier pour faire fonctionner les protocoles - C'est mauvais car
cela pourrait conduire à des biais puisque les contrôles peuvent être gérés différemment des
autres groupes.

3
Utilisation du test t de Student pour analyser les résultats - Ce test ne convient que pour
comparer deux groupes, pas pour analyser un plan factoriel 2 x 3.
How can you calculate sample size?
L'analyse de puissance doit toujours être utilisée pour des expériences coûteuses et relativement
simples telles que des essais cliniques dans lesquels des effets assez faibles peuvent avoir une
importance biologique.

L’analyse de puissance n’est souvent pas facile à utiliser pour des expériences complexes,
mais la méthode de l’équation des ressources est facile à utiliser et généralement adéquate.

L’Équation des ressources Convient aux expériences complexes mais peu coûteuses avec des
données de mesure
Besoin de savoir Quel type de test je vais faire (par exemple, Chi carré, test t, etc.) ?? : Ceci est
nécessaire pour les deux méthodes. L'équation des ressources ne peut pas être utilisée pour les
données catégorielles analysées par chi carré, et pour utiliser la méthode d'analyse de puissance,
le type de test doit être spécifié.
Besoin de connaître la taille de l'effet qui vous intéresse, besoin de choisir un niveau de
signification pour mon test : Nécessaire uniquement pour la méthode d’analyse de puissance.

Besoin de savoir combien de groupes de traitement il y aura ? : Ceci est utilisé directement dans
la méthode d’équation des ressources et indirectement lors de la spécification de l’ampleur de
l’effet dans la méthode d’analyse de puissance.

Besoin de connaître l'écart type entre les unités expérimentales : Ceci est essentiel pour la
méthode d’analyse de puissance, qui constitue la principale faiblesse de la méthode. Non
nécessaire pour la méthode d’équation des ressources.
Dépend de la loi des rendements décroissants : c’est la base de la méthode de l’équation des
ressources
La méthode d’analyse de puissance dépend de la relation mathématique entre un certain nombre
de variables spécifiées et ne dépend donc pas de la loi des rendements décroissants.
L’analyse de puissance peut être utilisée pour comparer deux proportions, mais pas la méthode
de l’équation des ressources.

Les conclusions pourraient être modifiées en fonction des coûts probables : Les deux méthodes
doivent être interprétées en termes de coûts probables, y compris le coût de la souffrance des
animaux de laboratoire. Les expériences in vitro peuvent souvent avoir des échantillons de taille
beaucoup plus grande car le coût de la réplication est généralement assez faible.

Non consanguin
Ce sont les animaux les moins chers que vous puissiez acheter
Les caractéristiques de la souche peuvent changer en raison de la sélection.
Chaque souche possède son propre ensemble de caractéristiques uniques.
Ce type est préféré par la plupart des toxicologues (sur la base d'une pratique plus que d'une
justification scientifique).
Consanguin

4
Ils sont comme des clones immortels d'individus génétiquement identiques.
Ils ont tendance à être phénotypiquement uniformes, du moins pour les caractères fortement
héritables.
Le typage génétique d'un individu permet de conclure que tous les animaux de ce type ont le
même génotype
Ils sont les plus proches que nous puissions obtenir d'un réactif de qualité analytique lors de
l'utilisation d'animaux de laboratoire.
Le contrôle de qualité génétique est relativement facile à réaliser en utilisant un échantillon d'ADN.
Un profil phénotypique des caractéristiques de la souche est disponible sur le web
Ce type est préféré par la plupart des immunologistes

Le blocage est une méthode permettant d'augmenter la précision avec peu ou pas de frais
supplémentaires (La précision est accrue en divisant l'expérience en « mini-expériences » plus
petites, dont chacune peut être basée sur un matériau plus homogène et/ou peut être mieux
contrôlée et plus facilement manipulée.
Le blocage implique de réaliser chaque groupe de traitement séparément comme une « mini-
expérience » faux ( les blocs doivent être répartis entre les groupes de traitement, sinon un biais
pourrait être introduit).
Le blocage implique de diviser l'expérience en « mini-expériences » avec un ou quelques-uns de
chaque groupe de traitement dans chaque groupe de traitement.
Nous devons utiliser une estimation de l'écart-type regroupée à travers les groupes de traitement
lors de la présentation des résultats d'un plan d'expérience en blocs randomisés. Faux (Il n'y a
aucun moyen de garantir que nous ne commettrons jamais une erreur de type 1 (faux positif) ou
de type 2 (faux négatif) lors de l'interprétation de nos expériences. Tout ce que nous pouvons
faire, c'est minimiser les chances que ces erreurs se produisent).

Le blocage est un moyen de garantir que nous ne commettons jamais d'erreurs statistiques OUI

Les plans de blocs randomisés peuvent toujours être analysés à l'aide d'un test t FAUX ( Le test t
ne convient pas pour analyser ces plans. Vous devez utiliser l'ANOVA).

Le test t de Student est approprié pour comparer deux groupes, et non les 20 groupes de cette
expérience. Le but de cette expérience est également de voir si les souches diffèrent en réponse
à l'œstrogène. Interaction étain x traitement, qui peut être détectée à l'aide de l'ANOVA, mais pas
du test t.
analyse de variance= (ANOVA)
L'Unité Expérimentale = objet qui peut être attribué à un groupe de traitement indépendamment
de tous les autres objets similaires
"La randomisation" est souvent une bonne façon de réduire les biais.
Le blocage améliore généralement la précision, mais ne réduit pas le biais.

Les plans factoriels sont utilisés pour accroître la généralité des résultats, mais ne contribuent
pas à réduire les biais.

5
L’incapacité à randomiser à toutes les étapes de l’expérience est l’une des sources de biais les
plus courantes.
Un biais se produira souvent lorsque les unités expérimentales ne sont pas indépendantes. Par
exemple, lorsque tous les contrôles se trouvent dans une pièce et les animaux traités dans une
autre, et que l'animal individuel est supposé être l'unité expérimentale. Cependant, il peut y avoir
des différences environnementales importantes entre les pièces.
La réplication indépendante des observations contribue à réduire tout biais possible
‘’’’’La réplication signifie effectuer une expérience ou une observation plusieurs fois de manière
indépendante afin de vérifier la reproductibilité des résultats.’’’’

"Causation" (causalité) se réfère à la relation de cause à effet entre deux variables, ce qui signifie
qu'un changement dans une variable entraîne un changement dans l'autre variable.

"Correlation" (corrélation) se réfère à une relation statistique entre deux variables, indiquant
qu'elles varient ensemble de manière prévisible, mais sans nécessairement impliquer de lien de
cause à effet.

Les enquêtes à elles seules ne peuvent pas prouver la causalité,

Le but d’une expérience est de démontrer la causalité.

L'utilisation de matériel hétérogène pourrait conduire à des résultats faussement négatifs

Plus le matériau est hétérogène, plus la taille de l’échantillon nécessaire pour compenser
l’hétérogénéité sera grande.
Le matériel hétérogène peut parfois être utilisé efficacement en utilisant un plan de blocs
aléatoires

Les données catégorielles (morts/vivants) fournissent généralement plus d'informations que les
données de mesure FAUX
le plan factoriel fournit des informations supplémentaires à la fois sur les facteurs eux-mêmes et
sur leurs interactions.

Vous perdez rarement des informations en utilisant un plan factoriel(Généralement, ces

conceptions augmentent la quantité d’informations, notamment sur l’existence ou non
d’interactions entre les facteurs).

Une interaction statistiquement non significative entre le facteur A et le facteur B signifie qu'aucun
des deux facteurs n'a une grande importance. FAUX ! Chaque facteur peut être important en
soi, mais les deux n’interagissent pas.
L’un des principaux objectifs d’un plan factoriel est de voir si certains facteurs potentialisent les
effets d’autres facteurs.
Les plans factoriels augmentent la généralité des résultats

La méthode d’analyse de puissance permettant de déterminer la taille de l’échantillon dépend

d’une relation mathématique entre un certain nombre de variables. Doivent être connus :
La puissance souhaitée
6
L'hypothèse alternative
Le type de test statistique prévu
Le nombre de groupes de traitement
Le niveau de signification prévu
L'écart type (pour un caractère quantitatif)
L’ampleur de l’effet qui serait intéressant
Pour quel type d’expérience une analyse de puissance est-elle la plus adaptée ? Expériences
coûteuses mais relativement simples
Rque : Les expériences coûteuses nécessitent une planification minutieuse et la méthode
d’analyse de puissance est souvent utilisée. Cependant, cela nécessite des informations qui ne
sont parfois pas disponibles.

La méthode d’équation des ressources pour déterminer la taille des échantillons dépend de la loi
des rendements décroissants. Pour l'utiliser, lesquelles des informations suivantes sont
nécessaires ?

Le nombre de groupes ou de combinaisons de traitement

Le fait que les données soient numériques et non catégoriques(Cette méthode ne fonctionne pas
pour comparer des proportions.)
Le nombre de blocs
Le nombre de degrés de liberté d'erreur
L'hypothèse alternative n’est pas prise en compte avec cette méthode.

Pour quel type d’expérience la méthode d’équation des ressources est-elle la plus adaptée ?Des
expériences complexes mais peu coûteuses
Cette méthode est particulièrement adaptée aux expériences comportant de nombreuses
variables indépendantes et dépendantes et peu d’informations de base sur les résultats
probables.

Les modèles haute fidélité sont toujours préférables aux modèles basse fidélité
FAUX !!!!!!!!
Après avoir fait une expérience avec des animaux, nous devons extrapoler les résultats
aux humains FAUX !!!!!!
Des modèles exploratoires sont utilisés pour évaluer la sécurité des médicaments et des
produits chimiques pour les humains. FAUX !!!!!!!!! Le dépistage des drogues nécessite des
modèles prédictifs plutôt qu’exploratoires. !!

Les souches non consanguines ont tendance à être phénotypiquement plus variables que les
souches consanguines, de sorte que leur utilisation peut nécessiter des échantillons de plus
grande taille. La variabilité « phénotypique » conduit à un « bruit » qui peut masquer l'effet d'un
traitement.

• Un écart type faible indique que les données sont étroitement regroupées autour de la médiane

• Un écart type élevé indique que les données sont plus dispersées.

7
Biais: Le poids initial, leur sexe, leur âge et leur race n'ont aucun effet sur le biais car les animaux ont été randomisés
dans chaque groupe. Cependant, affecter les souris dans une seule cage peut conduire à des biais, car par exemple,
elles peuvent se battre, être infectées de manière inégale ou avoir un microenvironnement différent

Il y a plusieurs raisons pour lesquelles on utilise un échantillon de taille n>1 dans les études, en
voici deux :

1. Fiabilité des résultats : En utilisant un échantillon plus large ( �>1n>1), on augmente la

fiabilité des résultats. Les échantillons plus grands tendent à mieux représenter la
population étudiée, réduisant ainsi les risques d'erreurs dues à la variabilité aléatoire.
2. Précision des estimations : Un échantillon plus grand permet généralement d'obtenir des
estimations plus précises des paramètres étudiés

LES DIFFÉRENTS TYPES DE BIAIS :

BAIS DE SÉLECTION : exp : constitution d’un échantillon par un autre moyen que le tirage au sort Comment éviter?
• Le tirage au sort et la randomisation

BIAIS DE CONFUSION : Il survient lorsque des facteurs externes, également appelés "tiers facteurs",
interfèrent avec la relation entre la variable d'exposition (le facteur étudié) et la variable de résultat
(l'événement étudié), entraînant ainsi une distorsion de l'estimation de l'effet. Comment éviter? • Lors de la
constitution des groupes de comparaison : Randomisation, Appariement • Lors de l'analyse : Ajustement (si les
données concernant le tiers facteur ont été recueillies au cours de l'étude)
BIAIS D’INFORMATION : concerne l’ensemble des informations recueillies pour la comparaison des groupes à
l’étude

Randomisation • Elle consiste à réaliser un tirage afin de permettre une répartition au hasard et aléatoire des
échantillons (souris, rats, patients) dans deux ou plusieurs groupes.
Objectifs de la randomisation • Assurer la comparabilité des deux groupes plutôt qu'entre les échantillons individuels •
Minimiser les biais de confusion • Minimiser les biais de sélection (tous les groupes sont randomisés donc tous les
groupes sont homogènes) • Interpréter correctement les tests d’hypothèse (H0)

Rôle du comité éthique : assurer la sécurité et le bien être des participants au projet de la
recherche conformément aux principe scientifiques et éthiques.