les puces adn ou microarrays n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Les puces à ADN ou Microarrays PowerPoint Presentation
Download Presentation
Les puces à ADN ou Microarrays

Loading in 2 Seconds...

play fullscreen
1 / 14

Les puces à ADN ou Microarrays - PowerPoint PPT Presentation


  • 956 Views
  • Uploaded on

Les puces à ADN ou Microarrays. Antony Le Béchec Pierre Zindy Nathalie Théret INSERM Unité 456. Les puces à ADN. Introduction Objectifs Contexte Thème Technique Données & Traitements Problèmes. Objectifs. Analyser simultanément l’ expression de plusieurs milliers de gènes

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Les puces à ADN ou Microarrays' - thane


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
les puces adn ou microarrays
Les puces à ADNou Microarrays

Antony Le Béchec

Pierre Zindy

Nathalie Théret

INSERM Unité 456

slide2

Les puces à ADN

  • Introduction
    • Objectifs
    • Contexte
    • Thème
  • Technique
  • Données & Traitements
  • Problèmes
objectifs
Objectifs

Analyser simultanément

l’expression de plusieurs milliers de gènes

dans des conditions biologiques particulières

  • Recherche fondamentale
    • Caractérisation des fonctions des gènes
    • Régulation du transcriptome (Clustering, Promoteurs, …)
    • Réseaux géniques (Annotation relationnelle)
  • Recherche appliquée
    • Identification de cibles thérapeutiques
    • Diagnostique / Pronostique clinique

(Classification des pathologies, Profils moléculaires, …)

contexte le transcriptome
Contexte : le transcriptome

ADN

Genome

ADN

Transcription

ARN

Transcriptome

ARN

Traduction

Protéine

Protéome

th me de la fibrose au cancer

Virus

Alcool

Toxique

Thème : de la fibrose au cancer

Cancer

Carcinome

Hépatocellulaire

Nombreux mécanismes moléculaires

régulés par de nombreux gènes

Cellules du foie

Fibrose

cirrhose

F1  F2  F3 F4

Réparation

  • Profils moléculaires aux différents stades évolutifs
  • Réseaux de gènes impliqués dans les mécanismes
la technique
La technique

Cible

Sonde

Echantillons

Excitation

ARNm

Laser 1

Laser 2

Puces

à

ADN

Clone/Oligo

ADNc

Cancer

Contrôle

Réverse

Transcription

& Marquage

Emission

Amplification par PCR

Purification

ADNc

Dépôt

Hybridation

Lame

Image

Données

la technique1
La technique

Cible

Sonde

Echantillons

Excitation

ARNm

Laser 1

Laser 2

Puces

à

ADN

Clone/Oligo

ADNc

Cancer

Contrôle

Réverse

Transcription

& Marquage

Emission

Amplification par PCR

Purification

ADNc

Dépôt

Hybridation

Lame

Image

Données

slide8

Filtrage

Normalisation

Données & Traitements

Données

Clustering

Exemples de données et de traitements…

slide9

Les problèmes & des solutions

  • Fluorochromes
  • Ratios Cy3/Cy5
  • Reproductibilité
  • Valeurs manquantes
  • Données « plates »
  • Gènes inconnus & Réplicats
slide10

Fluorochromes (Cy3/vert & Cy5/rouge)

  • Molécules différentes (dimension, …)
  • Puissance d’émission

du signal différent

  • Normalisation du signal
  • Marquage indirect (Amino-allyl)
  • Flip-Flop (vert/rouge & rouge/vert)
slide11

log

Ratios Cy3/Cy5

  • Espace des valeurs

sur-expression [1,∞]

sous-expression [0,1]

  • Transformation en « log »
slide12

Reproductibilité

  • Mauvaise hybridation
  • Puissance statistique
  • Réplicats
    • Déposer plusieurs fois le même cDNA
    • Déposer différents cDNA pour le même gène
  • Moyenne ou Médiane
  • Enlever les outliers en utilisant un seuil

(outliers = données inconsistantes)

slide13

Valeurs manquantes

  • Fiabilité de l’analyse
  • Problèmes de calculs (CHAVL)
  • Supprimer

(seuil)

  • Remplacer
    • Valeur « 0 »
    • la moyenne
    • la médiane
    • KNN-imputation
slide14

Données « plates »

  • Données d’expression non variantes
  • Distinguer le signal du bruit
  • Clustering biaisé

(matrice de corrélation !)

  • Nombre de crêtes
  • Variabilité des valeurs
    • RMS (Root Mean Square)
    • Déviation Standard