Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH

Dimension: px
Commencer à balayer dès la page:

Download "Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH"

Transcription

1 Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897 équipe Biostatistique 2 Inria, équipe SISTM 3 ISPED, Bordeaux 5 e Rencontres des Jeunes Statisticiens Mardi 27 aout 2013

2 Exemple initial Essai DALIA-I Essai de phase I : vaccin thérapeutique 18 temps de mesure 18 patients 2 étapes TRAITEMENT HAART + vaccin DC-HIV LIPO-5 SUIVI Cd4<350 cells/mm3 HAART Interruption HAART Vaccinations weeks Fin de l essai Aphérèse Aphérèse Aphérèse 1/18

3 Exemple initial Essai DALIA-I Essai de phase I : vaccin thérapeutique 18 temps de mesure 18 patients 2 étapes TRAITEMENT HAART + vaccin DC-HIV LIPO-5 SUIVI Cd4<350 cells/mm3 HAART Interruption HAART Vaccinations weeks Fin de l essai Aphérèse Aphérèse Aphérèse Évolution de l expression génique au cours du temps? 1/18

4 Analyse par groupes de gènes Groupe de gènes Groupe de Gènes Un ensemble de gènes étant a priori co-régulés ou liés à une même fonction biologique Avantages : 1 capter des effets plus ténus 2 faciliter l interprétation des résultats 2/18

5 Analyse par groupes de gènes Groupe de gènes Groupe de Gènes Un ensemble de gènes étant a priori co-régulés ou liés à une même fonction biologique Avantages : 1 capter des effets plus ténus 2 faciliter l interprétation des résultats Bases de données : Gene Ontology, Kegg, Modules [Chaussabel et al., Immunity, 2008]... 2/18

6 Analyse par groupes de gènes Un groupe de gènes significatif? Time-course Gene Set Analysis (TcGSA) : Quels sont les groupes de gènes dont l expression varie significativement au cours du temps? 3/18

7 Analyse par groupes de gènes Un groupe de gènes significatif? Time-course Gene Set Analysis (TcGSA) : Quels sont les groupes de gènes dont l expression varie significativement au cours du temps? Median of standardized gene expression W24 W25 W26 W27 W28 Time W32 W36 W40 W44 3/18

8 Analyse par groupes de gènes Un groupe de gènes significatif? Time-course Gene Set Analysis (TcGSA) : Quels sont les groupes de gènes dont l expression varie significativement au cours du temps? Median of standardized gene expression Median of standardized gene expression W24 W25 W26 W27 W28 Time W32 W36 W40 W44 W24 W25 W26 W27 W28 Time W32 W36 W40 W44 3/18

9 Modélisation Expression génique dans un groupe de gènes Soit S un groupe de gènes. Pour tous les gènes g S : y gpi = µ + β g + c gp + f (t i ) + ε gpi (1) y gpi : i e expression du gène g chez le patient p µ : intercept β g : effet fixe du gène g c gp N (0,σ c ) : effet aléatoire du patient p pour le gène g t i : i e temps de mesure time f (t i ) peut être linéaire, polynomiale, etc ε gpi N (0,σ) : erreur 4/18

10 Modélisation Expression génique dans un groupe de gènes Soit S un groupe de gènes. Pour tous les gènes g S : y gpi = µ + β g + c p + f (t i ) + ε gpi (1bis) y gpi : i e expression du gène g chez le patient p µ : intercept β g N (0,σ β ) : effet aléatoire du gène g c p N (0,σ c ) : effet aléatoire du patient p t i : i e temps de mesure time f (t i ) peut être linéaire, polynomiale, etc ε gpi N (0,σ) : erreur 4/18

11 Modélisation Différentes fonctions du temps Afin de pouvoir détecter aussi bien les groupes de gènes homogènes qu hétérogènes, chaque coefficient de la fonction du temps f est séparé en 2 : un effet fixe plus un effet aléatoire. linéaire : f (t) = γ g,1 t polynome de degré 3 : f (t) = γ g,1 t + γ g,2 t 2 + γ g,3 t 3 où γ g, est toujours composé d un effet fixe η et d un effet aléatoire h g, : γ g, = η + h g, with h g, N (0,σ h ). 5/18

12 Test Significativité d un groupe de gènes Soit S ce groupe de gènes : (H 0 ) : les gènes de S sont stables au cours du temps (H 1 ) : les gènes de S varient significativement au cours du temps 6/18

13 Test Significativité d un groupe de gènes Soit S ce groupe de gènes : (H 0 ) : f ( ) = 0 (H 1 ) : f ( ) 0 6/18

14 Test Significativité d un groupe de gènes Soit S ce groupe de gènes : (H 0 ) : f ( ) = 0 (H 1 ) : f ( ) 0 Tous les coefficients de f sont testés à la fois, via un Test du Rapport de Vraisemblance mixte. 6/18

15 Test Test du Rapport de Vraisemblance (TRV) mixte Tester la significativité du groupe de gènes S : TRV de la fonction du temps f (tous les coefficients à la fois) Effets fixes et aléatoires sont testés simultanément la distribution sous H 0 du TRV n est pas évidente à calculer 7/18

16 Test Test du Rapport de Vraisemblance (TRV) mixte Tester la significativité du groupe de gènes S : TRV de la fonction du temps f (tous les coefficients à la fois) Effets fixes et aléatoires sont testés simultanément la distribution sous H 0 du TRV n est pas évidente à calculer Approximation [Self & Liang, 1987] : ( ) q+r r TRV H0 2 r χ 2 (k) k q k=q où q est le nombre d effets fixes, et r le nombre d effets aléatoires, à tester simultanément. 7/18

17 Test Multiplicité des tests Étude de 10aines, voire de 100aines de groupes de gènes à la fois 8/18

18 Test Multiplicité des tests Étude de 10aines, voire de 100aines de groupes de gènes à la fois Correction pour la multiplicité des tests Contrôle du False Discovery Rate par la procédure de Benjamini-Yekutieli [Benjamini & Yekutieli, Annals of Statistics, 2001] 8/18

19 Caractérisation des dynamiques Prédictions Best Linear Unbiased Predictor BLUP Lissage des tendances Median of standardized gene expression Median of standardized estimate W24 W25 W26 W27 W28 Time W32 W36 W40 W44 W24 W25 W26 W27 W28 Time W32 W36 W40 W44 M7.1 : Inflammation 9/18

20 Caractérisation des dynamiques Dynamique(s) d un groupe de gènes Comment déterminer le nombre optimal de dynamique(s) au sein d un groupe de gènes (potentiellement) hétérogène? (des centaines de groupes à étudier...) 2 Median of standardized estimate W24 W25 W26 W27 W28 Time W32 W36 W40 W44 10/18

21 Caractérisation des dynamiques Dynamique(s) d un groupe de gènes Comment déterminer le nombre optimal de dynamique(s) au sein d un groupe de gènes (potentiellement) hétérogène? (des centaines de groupes à étudier...) 2 Median of standardized estimate W24 W25 W26 W27 W28 Time W32 W36 W40 W44 La gap statistic [Tibshirani et al., JRSS-B, 2001] 10/18

22 DALIA I Design de DALIA-I Essai de phase I : vaccin thérapeutique 18 temps de mesure 18 patients 2 étapes TRAITEMENT HAART + vaccin DC-HIV LIPO-5 SUIVI Cd4<350 cells/mm3 HAART Interruption HAART Vaccinations weeks Fin de l essai Aphérèse Aphérèse Aphérèse 11/18

23 DALIA I TcGSA sur DALIA I avec les Modules Nombre d unités significatives dans DALIA I Pre-ATI Post-ATI Unité Gène-par-gène 0 7,534 sonde ARN a GSEA for time series 0 67 groupe de gènes b TcGSA lineaire groupe de gènes b TcGSA cubique groupe de gènes b TcGSA splines groupe de gènes b a 32,978 sondes ARN analysées après filtrage b 260 groupe de gènes analysés 12/18

24 DALIA I TcGSA sur DALIA I avec les Modules Nombre d unités significatives dans DALIA I Pre-ATI Post-ATI Unité Gène-par-gène 0 7,534 sonde ARN a GSEA for time series 0 67 groupe de gènes b TcGSA lineaire groupe de gènes b TcGSA cubique groupe de gènes b TcGSA splines groupe de gènes b a 32,978 sondes ARN analysées après filtrage b 260 groupe de gènes analysés L interruption de traitement est un événement majeur déclenche l expression de milliers de gènes L utilisation de polynômes cubiques améliore la sensibilité de la méthode 12/18

25 DALIA I Un exemple de gene set significatif Median of standardized gene expression W24 W25 W26 W27 W28 Time W32 W36 W40 W44 Median of standardized estimate W24 W25 W26 W27 Time W28 W32 W36 W40 W44 Cluster M 7.1 : Inflammation 13/18

26 M8.24 1/1 M7.22 1/1 M8.56 1/1 M8.69 1/1 M7.10 1/1 M8.36 1/2 M8.39 1/1 M8.18 1/1 M9.4 1/1 M8.81 1/2 M6.14 1/1 M8.51 1/1 M9.28 1/1 M7.20 1/1 M7.12 2/2 M8.7 1/1 M8.52 1/1 M5.9 1/1 M6.19 2/2 M4.1 1/3 M8.25 3/3 M8.8 2/2 M4.5 1/1 M8.70 1/2 M9.44 1/2 M8.73 2/2 M8.82 1/1 M8.77 1/2 M4.2 1/1 M8.44 1/1 M8.65 1/1 M8.79 1/1 M6.20 1/1 M5.14 1/1 M7.27 1/1 M5.7 1/1 M8.2 2/2 M7.31 1/1 M8.66 2/3 M4.13 1/1 M9.7 1/2 M3.2 1/1 M9.31 1/1 M8.1 1/1 M8.66 3/3 M9.48 3/4 M6.1 1/1 M3.1 1/2 M4.4 2/3 M9.13 1/2 M9.33 1/1 M /1 M8.12 1/1 M8.53 1/1 M8.26 1/1 M5.3 1/1 M6.18 1/1 M7.33 1/1 M3.1 2/2 M4.4 1/3 Introduction Méthodes Applications Conclusion M6.6 1/1 M6.3 1/1 M9.5 1/1 M5.1 1/1 M5.10 1/1 M3.5 1/1 M8.5 1/2 M5.6 1/1 M8.81 2/2 M8.13 1/1 M8.14 1/1 M7.8 1/1 M8.28 2/2 M /1 M7.6 1/1 M5.13 1/1 M9.46 2/3 M7.24 1/1 M8.17 1/2 M4.16 2/3 M8.36 2/2 M /3 M7.28 1/1 M7.32 2/3 M /1 M8.29 1/1 M5.4 1/1 M8.8 1/2 M8.64 1/1 M8.25 1/3 M6.7 1/1 M4.12 1/1 M6.12 1/1 M8.33 1/1 M7.19 1/1 M4.15 1/1 M6.19 1/2 M6.2 1/1 M8.61 1/1 M6.9 1/1 M7.5 1/1 M9.13 2/2 M7.4 1/1 M9.9 1/1 M7.11 1/1 M6.8 1/1 M8.74 1/1 M8.97 1/1 M8.78 1/1 M8.35 1/1 M6.17 1/1 M6.5 1/1 M8.57 2/2 M8.50 1/1 M8.59 2/2 M9.17 1/1 M9.14 1/1 M /1 M8.54 1/1 M7.30 1/1 M9.20 1/1 M7.9 1/1 M8.96 1/1 M /1 M4.16 1/3 M8.87 1/1 M8.48 1/1 M9.23 1/2 M7.16 1/4 M8.47 1/1 M8.92 1/1 M8.84 1/1 M8.4 1/1 M9.36 1/1 M7.21 1/1 M8.2 1/2 M8.38 1/1 M9.35 1/1 M /1 M8.42 1/2 M7.16 4/4 M9.48 4/4 M8.60 1/1 M8.42 2/2 M8.68 1/1 M /3 M8.22 1/1 M9.52 1/1 M8.59 1/2 M7.16 3/4 M3.6 1/1 M9.23 2/2 M9.21 2/2 M4.11 1/2 M8.89 1/1 M7.7 1/1 M7.32 1/3 M8.70 2/2 M9.44 2/2 M8.98 1/2 M4.11 2/2 M9.42 1/1 M6.16 1/4 M8.95 1/2 M9.46 3/3 M6.16 3/4 M3.3 1/1 M6.11 1/2 M6.11 2/2 M1.2 1/1 M3.4 1/1 M5.12 1/1 M9.48 2/4 M6.16 2/4 M8.85 1/1 M9.18 1/1 M5.8 1/1 M9.27 1/1 M7.25 1/1 M9.6 1/1 M6.4 1/1 M8.83 1/1 M7.17 1/1 M4.14 1/1 M8.20 1/1 M7.26 1/1 M7.3 1/1 M /1 M8.80 1/1 M8.46 1/1 M8.34 1/1 M9.25 1/1 M9.50 1/1 M8.43 1/1 M9.37 1/1 M4.9 1/1 M7.12 1/2 M4.1 3/3 M4.7 1/1 M5.5 1/1 M8.6 1/1 M8.5 2/2 M8.21 1/1 M9.45 1/1 M8.73 1/2 M8.32 1/1 M8.76 1/1 M4.10 1/1 M8.19 1/1 M4.3 1/1 M8.37 1/1 M9.51 1/1 M9.34 1/1 M5.15 1/1 M8.27 1/1 M9.12 1/1 M9.30 1/1 M8.31 1/1 M8.94 1/1 M8.62 1/1 M9.32 1/1 M9.2 1/1 M8.45 1/1 M9.16 1/1 M8.88 1/1 M9.3 1/1 M9.7 2/2 M7.32 3/3 M7.18 1/1 M /1 M8.16 1/1 M8.3 1/1 M8.99 1/1 M9.46 1/3 M /1 M9.11 1/1 M8.40 1/1 M8.25 2/3 M6.15 1/1 M8.55 1/1 M4.1 2/3 M8.86 1/1 M6.16 4/4 M9.48 1/4 M8.93 1/1 M8.28 1/2 M9.21 1/2 M /3 M7.23 1/1 M9.8 1/1 M9.26 1/1 M1.1 1/1 M9.19 1/1 M4.4 3/3 M8.63 1/1 M8.66 1/3 M9.40 1/1 M8.95 2/2 M2.1 1/2 M8.11 1/1 M7.14 1/1 M4.8 1/1 M9.24 1/1 M7.16 2/4 M4.6 1/1 M8.77 2/2 M4.16 3/3 M7.15 1/1 M8.98 2/2 M9.1 1/1 M6.13 1/1 M2.1 2/2 M8.17 2/2 M7.2 1/1 M7.35 1/1 M7.1 1/1 M9.15 1/1 M6.10 1/1 M8.90 1/1 M8.10 1/1 M5.11 1/1 M9.29 1/1 M8.30 1/1 M7.29 1/1 M8.75 1/1 M5.1 1/1 M8.67 1/1 M7.34 1/1 M9.22 1/1 M7.13 1/1 M9.41 1/1 M9.5 1/1 M8.41 1/1 M6.3 1/1 M8.57 1/2 M6.6 1/1 M8.24 1/1 M7.22 1/1 M8.56 1/1 M8.69 1/1 M7.10 1/1 M8.36 1/2 M8.39 1/1 M8.18 1/1 M9.4 1/1 M8.81 1/2 M6.14 1/1 M8.51 1/1 M9.28 1/1 M7.20 1/1 M7.12 2/2 M8.7 1/1 M8.52 1/1 M5.9 1/1 M6.19 2/2 M4.1 1/3 M8.25 3/3 M8.8 2/2 M4.5 1/1 M8.70 1/2 M9.44 1/2 M8.73 2/2 M8.82 1/1 M8.77 1/2 M4.2 1/1 M8.44 1/1 M8.65 1/1 M8.79 1/1 M6.20 1/1 M5.14 1/1 M7.27 1/1 M5.7 1/1 M8.2 2/2 M7.31 1/1 M8.66 2/3 M4.13 1/1 M9.7 1/2 M3.2 1/1 M9.31 1/1 M8.1 1/1 M8.66 3/3 M9.48 3/4 M6.1 1/1 M3.1 1/2 M4.4 2/3 M9.13 1/2 M9.33 1/1 M /1 M8.12 1/1 M8.53 1/1 M8.26 1/1 M5.3 1/1 M6.18 1/1 M7.33 1/1 M3.1 2/2 M4.4 1/3 M2.3 1/1 M2.2 1/1 M7.1 1/1 M7.2 1/1 M2.1 2/2 M9.1 1/1 M4.6 1/1 M4.8 1/1 M2.1 1/2 M4.4 3/3 M1.1 1/1 M9.8 1/1 M4.1 2/3 M8.3 1/1 M9.7 2/2 M9.3 1/1 M9.2 1/1 M4.3 1/1 M8.5 2/2 M8.6 1/1 M5.5 1/1 M4.7 1/1 M4.1 3/3 M4.9 1/1 M7.3 1/1 M6.4 1/1 M9.6 1/1 M5.8 1/1 M3.4 1/1 M1.2 1/1 M3.3 1/1 M7.7 1/1 M3.6 1/1 M8.2 1/2 M5.10 1/1 M3.5 1/1 M8.5 1/2 M5.6 1/1 M8.81 2/2 M8.13 1/1 M8.14 1/1 M7.8 1/1 M8.28 2/2 M /1 M7.6 1/1 M5.13 1/1 M9.46 2/3 M7.24 1/1 M8.17 1/2 M4.16 2/3 M8.36 2/2 M /3 M7.28 1/1 M7.32 2/3 M /1 M8.29 1/1 M5.4 1/1 M8.8 1/2 M8.64 1/1 M8.25 1/3 M6.7 1/1 M4.12 1/1 M6.12 1/1 M8.33 1/1 M7.19 1/1 M4.15 1/1 M6.19 1/2 M6.2 1/1 M8.61 1/1 M6.9 1/1 M7.5 1/1 M9.13 2/2 M7.4 1/1 M9.9 1/1 M7.11 1/1 M6.8 1/1 M8.74 1/1 M8.97 1/1 M8.78 1/1 M8.35 1/1 M6.17 1/1 M6.5 1/1 M8.57 2/2 M8.50 1/1 M8.59 2/2 M9.17 1/1 M9.14 1/1 M /1 M8.54 1/1 M7.30 1/1 M9.20 1/1 M7.9 1/1 M8.96 1/1 M /1 M4.16 1/3 M8.87 1/1 M8.48 1/1 M9.23 1/2 M7.16 1/4 M8.47 1/1 M8.92 1/1 M8.84 1/1 M8.4 1/1 M9.36 1/1 M7.21 1/1 M8.2 1/2 M8.38 1/1 M9.35 1/1 M /1 M8.42 1/2 M7.16 4/4 M9.48 4/4 M8.60 1/1 M8.42 2/2 M8.68 1/1 M /3 M8.22 1/1 M9.52 1/1 M8.59 1/2 M7.16 3/4 M3.6 1/1 M9.23 2/2 M9.21 2/2 M4.11 1/2 M8.89 1/1 M7.7 1/1 M7.32 1/3 M8.70 2/2 M9.44 2/2 M8.98 1/2 M4.11 2/2 M9.42 1/1 M6.16 1/4 M8.95 1/2 M9.46 3/3 M6.16 3/4 M3.3 1/1 M6.11 1/2 M6.11 2/2 M1.2 1/1 M3.4 1/1 M5.12 1/1 M9.48 2/4 M6.16 2/4 M8.85 1/1 M9.18 1/1 M5.8 1/1 M9.27 1/1 M7.25 1/1 M9.6 1/1 M6.4 1/1 M8.83 1/1 M7.17 1/1 M4.14 1/1 M8.20 1/1 M7.26 1/1 M7.3 1/1 M /1 M8.80 1/1 M8.46 1/1 M8.34 1/1 M9.25 1/1 M8.4 1/1 M9.50 1/1 M8.43 1/1 M9.37 1/1 M4.9 1/1 M7.12 1/2 M4.1 3/3 M4.7 1/1 M5.5 1/1 M8.6 1/1 M8.5 2/2 M8.21 1/1 M9.45 1/1 M8.73 1/2 M8.32 1/1 M8.76 1/1 M4.10 1/1 M8.19 1/1 M4.3 1/1 M8.37 1/1 M9.51 1/1 M9.34 1/1 M5.15 1/1 M8.27 1/1 M7.9 1/1 M6.5 1/1 M6.8 1/1 M9.9 1/1 M7.4 1/1 M7.5 1/1 M6.9 1/1 M6.2 1/1 M6.7 1/1 M8.8 1/2 M5.4 1/1 M7.6 1/1 M7.8 1/1 M5.6 1/1 M8.5 1/2 M3.5 1/1 M5.10 1/1 M3.5 1/1 M8.5 1/2 M5.6 1/1 M8.81 2/2 M8.13 1/1 M8.14 1/1 M7.8 1/1 M8.28 2/2 M /1 M7.6 1/1 M5.13 1/1 M9.46 2/3 M7.24 1/1 M8.17 1/2 M4.16 2/3 M8.36 2/2 M /3 M7.28 1/1 M7.32 2/3 M /1 M8.29 1/1 M5.4 1/1 M8.8 1/2 M8.64 1/1 M8.25 1/3 M6.7 1/1 M4.12 1/1 M6.12 1/1 M8.33 1/1 M7.19 1/1 M4.15 1/1 M6.19 1/2 M6.2 1/1 M8.61 1/1 M6.9 1/1 M7.5 1/1 M9.13 2/2 M7.4 1/1 M9.9 1/1 M7.11 1/1 M6.8 1/1 M8.74 1/1 M8.97 1/1 M8.78 1/1 M8.35 1/1 M6.17 1/1 M6.5 1/1 M8.57 2/2 M8.50 1/1 M8.59 2/2 M9.17 1/1 M9.14 1/1 M /1 M8.54 1/1 M7.30 1/1 M9.20 1/1 M7.9 1/1 M8.96 1/1 M /1 M4.16 1/3 M8.87 1/1 M8.48 1/1 M9.23 1/2 M7.16 1/4 M8.47 1/1 M8.92 1/1 M8.84 1/1 M8.4 1/1 M9.36 1/1 M7.21 1/1 M8.2 1/2 M8.38 1/1 M9.35 1/1 M /1 M8.42 1/2 M7.16 4/4 M9.48 4/4 M8.60 1/1 M8.42 2/2 M8.68 1/1 M /3 M8.22 1/1 M9.52 1/1 M8.59 1/2 M7.16 3/4 M3.6 1/1 M9.23 2/2 M9.21 2/2 M4.11 1/2 M8.89 1/1 M7.7 1/1 M7.32 1/3 M8.70 2/2 M9.44 2/2 M8.98 1/2 M4.11 2/2 M9.42 1/1 M6.16 1/4 M8.95 1/2 M9.46 3/3 M6.16 3/4 M3.3 1/1 DALIA I Visualisation globale Color Key des dynamiques en Post-ATI Value Color Key Time W24 W25 W26 W27 W28 W32 W36 W40 W Value Value Color Key Value Color Key Dynamics M5.10 1/1 M8.81 2/2 M8.13 1/1 M8.14 1/1 M8.28 2/2 M /1 M5.13 1/1 M9.46 2/3 M7.24 1/1 M8.17 1/2 M4.16 2/3 M8.36 2/2 M /3 M7.28 1/1 M7.32 2/3 M /1 M8.29 1/1 M8.64 1/1 M8.25 1/3 M4.12 1/1 M6.12 1/1 M8.33 1/1 M7.19 1/1 M4.15 1/1 M6.19 1/2 M8.61 1/1 M9.13 2/2 M7.11 1/1 M8.74 1/1 M8.97 1/1 M8.78 1/1 M8.35 1/1 M6.17 1/1 M8.57 2/2 M8.50 1/1 M8.59 2/2 M9.17 1/1 M9.14 1/1 M /1 M8.54 1/1 M7.30 1/1 M9.20 1/1 M8.96 1/1 M /1 M4.16 1/3 M8.87 1/1 M8.48 1/1 M9.23 1/2 M7.16 1/4 M8.47 1/1 M8.92 1/1 M8.84 1/1 M9.36 1/1 M7.21 1/1 M8.38 1/1 M9.35 1/1 M /1 M8.42 1/2 M7.16 4/4 M9.48 4/4 M8.60 1/1 M8.42 2/2 M8.68 1/1 M /3 M8.22 1/1 M9.52 1/1 M8.59 1/2 M7.16 3/4 M9.23 2/2 M9.21 2/2 M4.11 1/2 M8.89 1/1 M7.32 1/3 M8.70 2/2 M9.44 2/2 M8.98 1/2 M4.11 2/2 M9.42 1/1 M6.16 1/4 M8.95 1/2 M9.46 3/3 M6.16 3/4 M6.11 1/2 M6.11 2/2 M5.12 1/1 M9.48 2/4 M6.16 2/4 M8.85 1/1 M9.18 1/1 M9.27 1/1 M7.25 1/1 M8.83 1/1 M7.17 1/1 M4.14 1/1 M8.20 1/1 M7.26 1/1 M /1 M8.80 1/1 M8.46 1/1 M8.34 1/1 M9.25 1/1 M9.50 1/1 M8.43 1/1 M9.37 1/1 M7.12 1/2 M8.21 1/1 M9.45 1/1 M8.73 1/2 M8.32 1/1 M8.76 1/1 M4.10 1/1 M8.19 1/1 M8.37 1/1 M9.51 1/1 M9.34 1/1 M5.15 1/1 M8.27 1/1 M9.12 1/1 M9.30 1/1 M8.31 1/1 M8.94 1/1 M8.62 1/1 M9.32 1/1 M8.45 1/1 M9.16 1/1 M8.88 1/1 M7.32 3/3 M7.18 1/1 M /1 M8.16 1/1 M8.99 1/1 M9.46 1/3 M /1 M9.11 1/1 M8.40 1/1 M8.25 2/3 M6.15 1/1 M8.55 1/1 M8.86 1/1 M6.16 4/4 M9.48 1/4 M8.93 1/1 M8.28 1/2 M9.21 1/2 M /3 M7.23 1/1 M9.26 1/1 M9.19 1/1 M8.63 1/1 M8.66 1/3 M9.40 1/1 M8.95 2/2 M8.11 1/1 M7.14 1/1 M9.24 1/1 M7.16 2/4 M8.77 2/2 M4.16 3/3 M7.15 1/1 M8.98 2/2 M6.13 1/1 M8.17 2/2 M7.35 1/1 M9.15 1/1 M6.10 1/1 M8.90 1/1 M8.10 1/1 M5.11 1/1 M9.29 1/1 M8.30 1/1 M7.29 1/1 M8.75 1/1 M8.67 1/1 M7.34 1/1 M9.22 1/1 M7.13 1/1 M9.41 1/1 M8.41 1/1 M8.57 1/2 14/18

27 M8.24 1/1 M7.22 1/1 M8.56 1/1 M8.69 1/1 M7.10 1/1 M8.36 1/2 M8.39 1/1 M8.18 1/1 M9.4 1/1 M8.81 1/2 M6.14 1/1 M8.51 1/1 M9.28 1/1 M7.20 1/1 M7.12 2/2 M8.7 1/1 M8.52 1/1 M5.9 1/1 M6.19 2/2 M4.1 1/3 M8.25 3/3 M8.8 2/2 M4.5 1/1 M8.70 1/2 M9.44 1/2 M8.73 2/2 M8.82 1/1 M8.77 1/2 M4.2 1/1 M8.44 1/1 M8.65 1/1 M8.79 1/1 M6.20 1/1 M5.14 1/1 M7.27 1/1 M5.7 1/1 M8.2 2/2 M7.31 1/1 M8.66 2/3 M4.13 1/1 M9.7 1/2 M3.2 1/1 M9.31 1/1 M8.1 1/1 M8.66 3/3 M9.48 3/4 M6.1 1/1 M3.1 1/2 M4.4 2/3 M9.13 1/2 M9.33 1/1 M /1 M8.12 1/1 M8.53 1/1 M8.26 1/1 M5.3 1/1 M6.18 1/1 M7.33 1/1 M3.1 2/2 M4.4 1/3 Introduction Méthodes Applications Conclusion M6.6 1/1 M6.3 1/1 M9.5 1/1 M5.1 1/1 M5.10 1/1 M3.5 1/1 M8.5 1/2 M5.6 1/1 M8.81 2/2 M8.13 1/1 M8.14 1/1 M7.8 1/1 M8.28 2/2 M /1 M7.6 1/1 M5.13 1/1 M9.46 2/3 M7.24 1/1 M8.17 1/2 M4.16 2/3 M8.36 2/2 M /3 M7.28 1/1 M7.32 2/3 M /1 M8.29 1/1 M5.4 1/1 M8.8 1/2 M8.64 1/1 M8.25 1/3 M6.7 1/1 M4.12 1/1 M6.12 1/1 M8.33 1/1 M7.19 1/1 M4.15 1/1 M6.19 1/2 M6.2 1/1 M8.61 1/1 M6.9 1/1 M7.5 1/1 M9.13 2/2 M7.4 1/1 M9.9 1/1 M7.11 1/1 M6.8 1/1 M8.74 1/1 M8.97 1/1 M8.78 1/1 M8.35 1/1 M6.17 1/1 M6.5 1/1 M8.57 2/2 M8.50 1/1 M8.59 2/2 M9.17 1/1 M9.14 1/1 M /1 M8.54 1/1 M7.30 1/1 M9.20 1/1 M7.9 1/1 M8.96 1/1 M /1 M4.16 1/3 M8.87 1/1 M8.48 1/1 M9.23 1/2 M7.16 1/4 M8.47 1/1 M8.92 1/1 M8.84 1/1 M8.4 1/1 M9.36 1/1 M7.21 1/1 M8.2 1/2 M8.38 1/1 M9.35 1/1 M /1 M8.42 1/2 M7.16 4/4 M9.48 4/4 M8.60 1/1 M8.42 2/2 M8.68 1/1 M /3 M8.22 1/1 M9.52 1/1 M8.59 1/2 M7.16 3/4 M3.6 1/1 M9.23 2/2 M9.21 2/2 M4.11 1/2 M8.89 1/1 M7.7 1/1 M7.32 1/3 M8.70 2/2 M9.44 2/2 M8.98 1/2 M4.11 2/2 M9.42 1/1 M6.16 1/4 M8.95 1/2 M9.46 3/3 M6.16 3/4 M3.3 1/1 M6.11 1/2 M6.11 2/2 M1.2 1/1 M3.4 1/1 M5.12 1/1 M9.48 2/4 M6.16 2/4 M8.85 1/1 M9.18 1/1 M5.8 1/1 M9.27 1/1 M7.25 1/1 M9.6 1/1 M6.4 1/1 M8.83 1/1 M7.17 1/1 M4.14 1/1 M8.20 1/1 M7.26 1/1 M7.3 1/1 M /1 M8.80 1/1 M8.46 1/1 M8.34 1/1 M9.25 1/1 M9.50 1/1 M8.43 1/1 M9.37 1/1 M4.9 1/1 M7.12 1/2 M4.1 3/3 M4.7 1/1 M5.5 1/1 M8.6 1/1 M8.5 2/2 M8.21 1/1 M9.45 1/1 M8.73 1/2 M8.32 1/1 M8.76 1/1 M4.10 1/1 M8.19 1/1 M4.3 1/1 M8.37 1/1 M9.51 1/1 M9.34 1/1 M5.15 1/1 M8.27 1/1 M9.12 1/1 M9.30 1/1 M8.31 1/1 M8.94 1/1 M8.62 1/1 M9.32 1/1 M9.2 1/1 M8.45 1/1 M9.16 1/1 M8.88 1/1 M9.3 1/1 M9.7 2/2 M7.32 3/3 M7.18 1/1 M /1 M8.16 1/1 M8.3 1/1 M8.99 1/1 M9.46 1/3 M /1 M9.11 1/1 M8.40 1/1 M8.25 2/3 M6.15 1/1 M8.55 1/1 M4.1 2/3 M8.86 1/1 M6.16 4/4 M9.48 1/4 M8.93 1/1 M8.28 1/2 M9.21 1/2 M /3 M7.23 1/1 M9.8 1/1 M9.26 1/1 M1.1 1/1 M9.19 1/1 M4.4 3/3 M8.63 1/1 M8.66 1/3 M9.40 1/1 M8.95 2/2 M2.1 1/2 M8.11 1/1 M7.14 1/1 M4.8 1/1 M9.24 1/1 M7.16 2/4 M4.6 1/1 M8.77 2/2 M4.16 3/3 M7.15 1/1 M8.98 2/2 M9.1 1/1 M6.13 1/1 M2.1 2/2 M8.17 2/2 M7.2 1/1 M7.35 1/1 M7.1 1/1 M9.15 1/1 M6.10 1/1 M8.90 1/1 M8.10 1/1 M5.11 1/1 M9.29 1/1 M8.30 1/1 M7.29 1/1 M8.75 1/1 M5.1 1/1 M8.67 1/1 M7.34 1/1 M9.22 1/1 M7.13 1/1 M9.41 1/1 M9.5 1/1 M8.41 1/1 M6.3 1/1 M8.57 1/2 M6.6 1/1 M8.24 1/1 M7.22 1/1 M8.56 1/1 M8.69 1/1 M7.10 1/1 M8.36 1/2 M8.39 1/1 M8.18 1/1 M9.4 1/1 M8.81 1/2 M6.14 1/1 M8.51 1/1 M9.28 1/1 M7.20 1/1 M7.12 2/2 M8.7 1/1 M8.52 1/1 M5.9 1/1 M6.19 2/2 M4.1 1/3 M8.25 3/3 M8.8 2/2 M4.5 1/1 M8.70 1/2 M9.44 1/2 M8.73 2/2 M8.82 1/1 M8.77 1/2 M4.2 1/1 M8.44 1/1 M8.65 1/1 M8.79 1/1 M6.20 1/1 M5.14 1/1 M7.27 1/1 M5.7 1/1 M8.2 2/2 M7.31 1/1 M8.66 2/3 M4.13 1/1 M9.7 1/2 M3.2 1/1 M9.31 1/1 M8.1 1/1 M8.66 3/3 M9.48 3/4 M6.1 1/1 M3.1 1/2 M4.4 2/3 M9.13 1/2 M9.33 1/1 M /1 M8.12 1/1 M8.53 1/1 M8.26 1/1 M5.3 1/1 M6.18 1/1 M7.33 1/1 M3.1 2/2 M4.4 1/3 M2.3 1/1 M2.2 1/1 M7.1 1/1 M7.2 1/1 M2.1 2/2 M9.1 1/1 M4.6 1/1 M4.8 1/1 M2.1 1/2 M4.4 3/3 M1.1 1/1 M9.8 1/1 M4.1 2/3 M8.3 1/1 M9.7 2/2 M9.3 1/1 M9.2 1/1 M4.3 1/1 M8.5 2/2 M8.6 1/1 M5.5 1/1 M4.7 1/1 M4.1 3/3 M4.9 1/1 M7.3 1/1 M6.4 1/1 M9.6 1/1 M5.8 1/1 M3.4 1/1 M1.2 1/1 M3.3 1/1 M7.7 1/1 M3.6 1/1 M8.2 1/2 M5.10 1/1 M3.5 1/1 M8.5 1/2 M5.6 1/1 M8.81 2/2 M8.13 1/1 M8.14 1/1 M7.8 1/1 M8.28 2/2 M /1 M7.6 1/1 M5.13 1/1 M9.46 2/3 M7.24 1/1 M8.17 1/2 M4.16 2/3 M8.36 2/2 M /3 M7.28 1/1 M7.32 2/3 M /1 M8.29 1/1 M5.4 1/1 M8.8 1/2 M8.64 1/1 M8.25 1/3 M6.7 1/1 M4.12 1/1 M6.12 1/1 M8.33 1/1 M7.19 1/1 M4.15 1/1 M6.19 1/2 M6.2 1/1 M8.61 1/1 M6.9 1/1 M7.5 1/1 M9.13 2/2 M7.4 1/1 M9.9 1/1 M7.11 1/1 M6.8 1/1 M8.74 1/1 M8.97 1/1 M8.78 1/1 M8.35 1/1 M6.17 1/1 M6.5 1/1 M8.57 2/2 M8.50 1/1 M8.59 2/2 M9.17 1/1 M9.14 1/1 M /1 M8.54 1/1 M7.30 1/1 M9.20 1/1 M7.9 1/1 M8.96 1/1 M /1 M4.16 1/3 M8.87 1/1 M8.48 1/1 M9.23 1/2 M7.16 1/4 M8.47 1/1 M8.92 1/1 M8.84 1/1 M8.4 1/1 M9.36 1/1 M7.21 1/1 M8.2 1/2 M8.38 1/1 M9.35 1/1 M /1 M8.42 1/2 M7.16 4/4 M9.48 4/4 M8.60 1/1 M8.42 2/2 M8.68 1/1 M /3 M8.22 1/1 M9.52 1/1 M8.59 1/2 M7.16 3/4 M3.6 1/1 M9.23 2/2 M9.21 2/2 M4.11 1/2 M8.89 1/1 M7.7 1/1 M7.32 1/3 M8.70 2/2 M9.44 2/2 M8.98 1/2 M4.11 2/2 M9.42 1/1 M6.16 1/4 M8.95 1/2 M9.46 3/3 M6.16 3/4 M3.3 1/1 M6.11 1/2 M6.11 2/2 M1.2 1/1 M3.4 1/1 M5.12 1/1 M9.48 2/4 M6.16 2/4 M8.85 1/1 M9.18 1/1 M5.8 1/1 M9.27 1/1 M7.25 1/1 M9.6 1/1 M6.4 1/1 M8.83 1/1 M7.17 1/1 M4.14 1/1 M8.20 1/1 M7.26 1/1 M7.3 1/1 M /1 M8.80 1/1 M8.46 1/1 M8.34 1/1 M9.25 1/1 M8.4 1/1 M9.50 1/1 M8.43 1/1 M9.37 1/1 M4.9 1/1 M7.12 1/2 M4.1 3/3 M4.7 1/1 M5.5 1/1 M8.6 1/1 M8.5 2/2 M8.21 1/1 M9.45 1/1 M8.73 1/2 M8.32 1/1 M8.76 1/1 M4.10 1/1 M8.19 1/1 M4.3 1/1 M8.37 1/1 M9.51 1/1 M9.34 1/1 M5.15 1/1 M8.27 1/1 M7.9 1/1 M6.5 1/1 M6.8 1/1 M9.9 1/1 M7.4 1/1 M7.5 1/1 M6.9 1/1 M6.2 1/1 M6.7 1/1 M8.8 1/2 M5.4 1/1 M7.6 1/1 M7.8 1/1 M5.6 1/1 M8.5 1/2 M3.5 1/1 M5.10 1/1 M3.5 1/1 M8.5 1/2 M5.6 1/1 M8.81 2/2 M8.13 1/1 M8.14 1/1 M7.8 1/1 M8.28 2/2 M /1 M7.6 1/1 M5.13 1/1 M9.46 2/3 M7.24 1/1 M8.17 1/2 M4.16 2/3 M8.36 2/2 M /3 M7.28 1/1 M7.32 2/3 M /1 M8.29 1/1 M5.4 1/1 M8.8 1/2 M8.64 1/1 M8.25 1/3 M6.7 1/1 M4.12 1/1 M6.12 1/1 M8.33 1/1 M7.19 1/1 M4.15 1/1 M6.19 1/2 M6.2 1/1 M8.61 1/1 M6.9 1/1 M7.5 1/1 M9.13 2/2 M7.4 1/1 M9.9 1/1 M7.11 1/1 M6.8 1/1 M8.74 1/1 M8.97 1/1 M8.78 1/1 M8.35 1/1 M6.17 1/1 M6.5 1/1 M8.57 2/2 M8.50 1/1 M8.59 2/2 M9.17 1/1 M9.14 1/1 M /1 M8.54 1/1 M7.30 1/1 M9.20 1/1 M7.9 1/1 M8.96 1/1 M /1 M4.16 1/3 M8.87 1/1 M8.48 1/1 M9.23 1/2 M7.16 1/4 M8.47 1/1 M8.92 1/1 M8.84 1/1 M8.4 1/1 M9.36 1/1 M7.21 1/1 M8.2 1/2 M8.38 1/1 M9.35 1/1 M /1 M8.42 1/2 M7.16 4/4 M9.48 4/4 M8.60 1/1 M8.42 2/2 M8.68 1/1 M /3 M8.22 1/1 M9.52 1/1 M8.59 1/2 M7.16 3/4 M3.6 1/1 M9.23 2/2 M9.21 2/2 M4.11 1/2 M8.89 1/1 M7.7 1/1 M7.32 1/3 M8.70 2/2 M9.44 2/2 M8.98 1/2 M4.11 2/2 M9.42 1/1 M6.16 1/4 M8.95 1/2 M9.46 3/3 M6.16 3/4 M3.3 1/1 DALIA I Visualisation globale Color Key des dynamiques en Post-ATI Value Color Key Time W24 W25 W26 W27 W28 W32 W36 W40 W Value Value Color Key Value Color Key Dynamics L interruption de traitement est un événement majeur Des dynamiques variées M8.57 1/2 M8.41 1/1 M9.41 1/1 M7.13 1/1 M9.22 1/1 M7.34 1/1 M8.67 1/1 M8.75 1/1 M7.29 1/1 M8.30 1/1 M9.29 1/1 M5.11 1/1 M8.10 1/1 M8.90 1/1 M6.10 1/1 M9.15 1/1 M7.35 1/1 M8.17 2/2 M6.13 1/1 M8.98 2/2 M7.15 1/1 M4.16 3/3 M8.77 2/2 M7.16 2/4 M9.24 1/1 M7.14 1/1 M8.11 1/1 M8.95 2/2 M9.40 1/1 M8.66 1/3 M8.63 1/1 M9.19 1/1 M9.26 1/1 M7.23 1/1 M /3 M9.21 1/2 M8.28 1/2 M8.93 1/1 M9.48 1/4 M6.16 4/4 M8.86 1/1 M8.55 1/1 M6.15 1/1 M8.25 2/3 M8.40 1/1 M9.11 1/1 M /1 M9.46 1/3 M8.99 1/1 M8.16 1/1 M /1 M7.18 1/1 M7.32 3/3 M8.88 1/1 M9.16 1/1 M8.45 1/1 M9.32 1/1 M8.62 1/1 M8.94 1/1 M8.31 1/1 M9.30 1/1 M9.12 1/1 M8.27 1/1 M5.15 1/1 M9.34 1/1 M9.51 1/1 M8.37 1/1 M8.19 1/1 M4.10 1/1 M8.76 1/1 M8.32 1/1 M8.73 1/2 M9.45 1/1 M8.21 1/1 M7.12 1/2 M9.37 1/1 M8.43 1/1 M9.50 1/1 M9.25 1/1 M8.34 1/1 M8.46 1/1 M8.80 1/1 M /1 M7.26 1/1 M8.20 1/1 M4.14 1/1 M7.17 1/1 M8.83 1/1 M7.25 1/1 M9.27 1/1 M9.18 1/1 M8.85 1/1 M6.16 2/4 M9.48 2/4 M5.12 1/1 M6.11 2/2 M6.11 1/2 M6.16 3/4 M9.46 3/3 M8.95 1/2 M6.16 1/4 M9.42 1/1 M4.11 2/2 M8.98 1/2 M9.44 2/2 M8.70 2/2 M7.32 1/3 M8.89 1/1 M4.11 1/2 M9.21 2/2 M9.23 2/2 M7.16 3/4 M8.59 1/2 M9.52 1/1 M8.22 1/1 M /3 M8.68 1/1 M8.42 2/2 M8.60 1/1 M9.48 4/4 M7.16 4/4 M8.42 1/2 M /1 M9.35 1/1 M8.38 1/1 M7.21 1/1 M9.36 1/1 M8.84 1/1 M8.92 1/1 M8.47 1/1 M7.16 1/4 M9.23 1/2 M8.48 1/1 M8.87 1/1 M4.16 1/3 M /1 M8.96 1/1 M9.20 1/1 M7.30 1/1 M8.54 1/1 M /1 M9.14 1/1 M9.17 1/1 M8.59 2/2 M8.50 1/1 M8.57 2/2 M6.17 1/1 M8.35 1/1 M8.78 1/1 M8.97 1/1 M8.74 1/1 M7.11 1/1 M9.13 2/2 M8.61 1/1 M6.19 1/2 M4.15 1/1 M7.19 1/1 M8.33 1/1 M6.12 1/1 M4.12 1/1 M8.25 1/3 M8.64 1/1 M8.29 1/1 M /1 M7.32 2/3 M7.28 1/1 M /3 M8.36 2/2 M4.16 2/3 M8.17 1/2 M7.24 1/1 M9.46 2/3 M5.13 1/1 M /1 M8.28 2/2 M8.14 1/1 M8.13 1/1 M8.81 2/2 M5.10 1/ /18

28 Vaccin contre le pneumoccoque/grippe VS placebo Color Key Color Key Median trends Median trends Pneumo vs Saline Pneumo vs Saline Vaccin contre le pneumoccoque VS placebo Value Value M6.1 1/1 M4.9 1/1 M6.6: Apoptosis / Survival 1/1 M5.14 1/1 M6.20 1/1 M5.1: Inflammation 1/1 M6.13: Cell Death 1/1 M5.7: Inflammation 1/1 M3.2: Inflammation 1/1 M4.13: Inflammation 1/1 M4.6: Inflammation 1/1 M4.2: Inflammation 1/1 M6.9 1/1 M4.3: Protein Synthesis 1/1 M4.15: T cells 1/1 M5.11 1/1 M6.12: Mitochondrial Stress 1/1 M5.5 1/1 M4.1: T cell 1/1 M4.12 1/1 M5.8 1/1 M5.9: Protein Synthesis 1/1 M6.15 1/1 M3.6: Cytotoxic/NK Cell 1/1 M4.5: Protein Synthesis 1/1 M2.1 1/2 M4.8 1/1 M6.7 1/1 M4.7: Cell Cycle 1/1 M2.1 2/2 M5.2 1/1 M3.3: Cell Cycle 1/2 M3.3: Cell Cycle 2/2 M4.11: Plasma Cells 1/1 M6.10 1/1 M6.2: Mitochondrial Respiration 1/1 M4.16 1/1 M4.14: Monocytes 1/1 M5.13 1/1 M6.3 1/1 M5.15: Neutrophils 1/1 M5.12: Interferon 1/1 M1.2: Interferon 1/1 M3.4: Interferon 1/1 M5.3 2/2 M5.6: Mitochondrial Stress / Proteasome 1/1 M5.4 1/1 M1.1: Platelets 1/1 M3.5: Cell Cycle 1/1 M5.10: Mitochondrial Respiration 1/1 M6.14 1/1 M4.10: B cell 1/1 M2.2: Cell Cycle 1/1 M6.18: Erythrocytes 1/1 M2.3: Erythrocytes 1/1 M5.3 1/2 M4.4 1/1 M3.1: Erythrocytes 1/1 M3.2[100th pctile]: Inflammation 1/1 M4.6[98th pctile]: Inflammation 1/1 M5.1[96th pctile]: Inflammation 1/1 M4.13[95th pctile]: Inflammation 1/1 M4.2[93th pctile]: Inflammation 1/1 M5.7[91th pctile]: Inflammation 1/1 M1.1[90th pctile]: Platelets 1/1 M5.5[88th pctile] 1/1 M4.3[86th pctile]: Protein Synthesis 1/1 M3.5[85th pctile]: Cell Cycle 1/1 M3.1[83th pctile]: Erythrocytes 1/1 M4.12[81th pctile] 1/1 M6.13[80th pctile]: Cell Death 1/1 M4.1[78th pctile]: T cell 1/1 M5.14[77th pctile] 1/1 M4.15[75th pctile]: T cells 1/1 M5.8[73th pctile] 1/1 M4.11[72th pctile]: Plasma Cells 1/1 M5.9[70th pctile]: Protein Synthesis 1/1 M5.11[68th pctile] 1/1 M4.14[67th pctile]: Monocytes 1/1 M4.7[65th pctile]: Cell Cycle 1/1 M4.9[63th pctile] 1/1 M2.1[62th pctile] 1/2 M2.1[62th pctile] 2/2 M2.3[60th pctile]: Erythrocytes 1/1 M5.10[59th pctile]: Mitochondrial Respiration 1/1 M6.6[57th pctile]: Apoptosis / Survival 1/1 M5.12[55th pctile]: Interferon 1/1 M3.6[54th pctile]: Cytotoxic/NK Cell 1/1 M6.9[52th pctile] 1/1 M4.8[50th pctile] 1/1 M4.10[49th pctile]: B cell 1/1 M5.3[47th pctile] 1/2 M5.3[47th pctile] 2/2 M3.4[45th pctile]: Interferon 1/1 M4.4[44th pctile] 1/1 M1.2[42th pctile]: Interferon 1/1 M5.6[40th pctile]: Mitochondrial Stress / Proteasome 1/1 M6.15[39th pctile] 1/1 M6.20[37th pctile] 1/1 M4.16[36th pctile] 1/1 M6.3[34th pctile] 1/1 M6.12[32th pctile]: Mitochondrial Stress 1/1 M6.2[31th pctile]: Mitochondrial Respiration 1/1 M3.3[29th pctile]: Cell Cycle 1/2 M3.3[29th pctile]: Cell Cycle 2/2 M4.5[27th pctile]: Protein Synthesis 1/1 M6.14[26th pctile] 1/1 M6.1[24th pctile] 1/1 M2.2[22th pctile]: Cell Cycle 1/1 M6.10[21th pctile] 1/1 M5.4[19th pctile] 1/1 M5.2[18th pctile] 1/1 M6.7[16th pctile] 1/1 M6.18[14th pctile]: Erythrocytes 1/1 M5.13[13th pctile] 1/1 M5.15[11th pctile]: Neutrophils 1/1 D0 D1 D3 D7 D10 D14 D21 D28 D0 D1 D3 D7 D10 D14 D21 D28 Color Key Value Median trends FLu vs Saline 15/18

29 Vaccin contre le pneumoccoque/grippe VS placebo Color Key Color Key Median trends Vaccin contre Flu vs Saline la grippe VS placebo Value Value Median trends Flu vs Saline M4.12 1/1 M6.12: Mitochondrial Stress 1/1 M3.5: Cell Cycle 1/1 M4.3: Protein Synthesis 1/1 M5.9: Protein Synthesis 1/1 M6.16: Cell Cycle 1/2 M4.5: Protein Synthesis 1/1 M5.2 1/1 M4.10: B cell 1/1 M6.9 1/1 M4.1: T cell 1/1 M6.15 1/1 M4.7: Cell Cycle 1/1 M6.19 1/1 M5.5 1/1 M6.7 1/1 M5.8 1/1 M5.11 1/1 M4.15: T cells 1/1 M4.8 1/1 M2.1 1/1 M3.6: Cytotoxic/NK Cell 1/1 M5.10: Mitochondrial Respiration 1/1 M6.2: Mitochondrial Respiration 1/1 M4.16 1/1 M6.4 1/1 M6.10 1/1 M5.1: Inflammation 1/1 M5.14 1/1 M5.13 1/1 M5.7: Inflammation 1/1 M6.20 1/1 M5.6: Mitochondrial Stress / Proteasome 1/1 M6.3 1/1 M6.5 1/1 M5.4 1/1 M4.9 1/1 M4.4 1/1 M3.1: Erythrocytes 1/1 M5.3 1/1 M2.3: Erythrocytes 1/1 M6.18: Erythrocytes 1/1 M4.13: Inflammation 1/1 M4.6: Inflammation 1/1 M3.2: Inflammation 1/1 M4.2: Inflammation 1/1 M6.13: Cell Death 1/1 M5.12: Interferon 1/1 M6.6: Apoptosis / Survival 1/1 M4.14: Monocytes 1/1 M5.15: Neutrophils 1/1 M3.4: Interferon 1/1 M4.11: Plasma Cells 1/1 M6.16: Cell Cycle 2/2 M1.2: Interferon 1/1 M6.11: Cell Cycle 1/1 M1.1: Platelets 1/1 M6.14 1/1 M3.4[100th pctile]: Interferon 1/1 M1.2[98th pctile]: Interferon 1/1 M3.2[96th pctile]: Inflammation 1/1 M5.12[95th pctile]: Interferon 1/1 M2.1[93th pctile] 1/1 M4.6[91th pctile]: Inflammation 1/1 M4.13[90th pctile]: Inflammation 1/1 M4.14[88th pctile]: Monocytes 1/1 M5.1[86th pctile]: Inflammation 1/1 M5.5[85th pctile] 1/1 M4.1[83th pctile]: T cell 1/1 M5.7[81th pctile]: Inflammation 1/1 M5.2[80th pctile] 1/1 M5.8[78th pctile] 1/1 M5.11[77th pctile] 1/1 M4.15[75th pctile]: T cells 1/1 M4.9[73th pctile] 1/1 M4.2[72th pctile]: Inflammation 1/1 M3.5[70th pctile]: Cell Cycle 1/1 M3.6[68th pctile]: Cytotoxic/NK Cell 1/1 M1.1[67th pctile]: Platelets 1/1 M4.3[65th pctile]: Protein Synthesis 1/1 M4.8[63th pctile] 1/1 M6.9[62th pctile] 1/1 M6.13[60th pctile]: Cell Death 1/1 M4.12[59th pctile] 1/1 M4.7[57th pctile]: Cell Cycle 1/1 M6.15[55th pctile] 1/1 M4.10[54th pctile]: B cell 1/1 M5.9[52th pctile]: Protein Synthesis 1/1 M5.14[50th pctile] 1/1 M5.3[49th pctile] 1/1 M3.1[47th pctile]: Erythrocytes 1/1 M5.6[45th pctile]: Mitochondrial Stress / Proteasome 1/1 M5.10[44th pctile]: Mitochondrial Respiration 1/1 M5.4[42th pctile] 1/1 M6.6[40th pctile]: Apoptosis / Survival 1/1 M5.13[39th pctile] 1/1 M6.4[37th pctile] 1/1 M6.14[36th pctile] 1/1 M2.3[34th pctile]: Erythrocytes 1/1 M6.19[32th pctile] 1/1 M6.3[31th pctile] 1/1 M6.20[29th pctile] 1/1 M4.11[27th pctile]: Plasma Cells 1/1 M6.2[26th pctile]: Mitochondrial Respiration 1/1 M4.16[24th pctile] 1/1 M4.5[22th pctile]: Protein Synthesis 1/1 M5.15[21th pctile]: Neutrophils 1/1 M6.7[19th pctile] 1/1 M6.12[18th pctile]: Mitochondrial Stress 1/1 M4.4[16th pctile] 1/1 M6.5[14th pctile] 1/1 M6.11[13th pctile]: Cell Cycle 1/1 M6.10[11th pctile] 1/1 M6.16[9th pctile]: Cell Cycle 1/2 M6.16[9th pctile]: Cell Cycle 2/2 M6.18[8th pctile]: Erythrocytes 1/1 D0 D1 D3 D7 D10 D14 D21 D28 D0 D1 D3 D7 D10 D14 D21 D28 Color Key Value Median trends FLu vs Saline 16/18

30 Limites Correction des tests multiples : corrélation entre les groupes de gènes non prise en compte Corrélation entre les gènes non prise en compte Définition des groupes de gènes pertinence biologique, temps de calcul... 17/18

31 Conclusion Méthode exploratoire pour l analyse de données longitudinales d expression génique Modélisation flexible Tiens compte de l hétérogénéité au sein des groupes de gènes Robuste aux données deséquilibrées Possibilité de comparer plusieurs groupes de traitement Possibilité d étudier plutôt l hétérogénéité entre les patients package TcGSA 18/18

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

Etude comparative des procedures d estimation du local False Discovery Rate

Etude comparative des procedures d estimation du local False Discovery Rate Etude comparative des procedures d estimation du local False Discovery ate Cyril Dalmasso & Philippe Broët INSEM U472 - Faculté de médecine Paris Sud 16, avenue Paul Vaillant-Couturier 94 807 Villejuif

Plus en détail

46 e journées de statistique

46 e journées de statistique 46 e journées de statistique Le 5 juin 2014 à Rennes Construction et estimation des capacités d un score pronostique : intérêts de la pénalisation de LASSO et de l estimateur bootstrap 0.632+ appliqués

Plus en détail

Intégration de données multiples générées

Intégration de données multiples générées Intégration de données multiples générées par les techniques à haut débit (séquençage, CGH, SNP, transcriptome ) Pascal Roy 1 MD-PhD, Caroline Truntzer PhD 2, Delphine Maucort-Boulch 1 MD-PhD 1 Equipe

Plus en détail

Mots-clés. modèle de Cox, pénalisation de LASSO, bootstrap 0.632+, courbes ROC dépendantes du temps, surajustement

Mots-clés. modèle de Cox, pénalisation de LASSO, bootstrap 0.632+, courbes ROC dépendantes du temps, surajustement Construction et estimation des capacités d un score pronostique : intérêt de la pénalisation de LASSO et de l estimateur bootstrap 0.632+ appliqués aux courbes ROC dépendantes du temps Marie-Cécile Fournier,,1

Plus en détail

Tests d hypothèses restreintes

Tests d hypothèses restreintes Tests d hypothèses restreintes Céline Delmas & Jean-Louis Foulley Station de Génétique Quantitative et Appliquée I.N.R.A., Domaine de Vilvert 7835 Jouy-en-Josas Cedex {delmas,foulley}@dga.jouy.inra.fr

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Analyse des données d expression de gènes issues de puces à ADN : démarche et outils statistiques

Analyse des données d expression de gènes issues de puces à ADN : démarche et outils statistiques Département de Biostatistique Unité INSERM U900 Analyse des données d expression de gènes issues de puces à ADN : démarche et outils statistiques Eléonore GRAVIER 27 Mai 2010 15ème Journées des Statisticiens

Plus en détail

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Hervé Monod Unité MIA-Jouy en Josas INRA - Dépt Mathématiques

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : Applied Multivariate Statistical Analysis»,

Plus en détail

Sélection de modèles avec l AIC et critères d information dérivés

Sélection de modèles avec l AIC et critères d information dérivés Sélection de modèles avec l AIC et critères d information dérivés Renaud LANCELOT et Matthieu LESNOFF Version 3, Novembre 2005 Ceci n est pas une revue exhaustive mais une courte introduction sur l'utilisation

Plus en détail

Influence du nombre de réplicats dans une analyse différentielle de données RNAseq

Influence du nombre de réplicats dans une analyse différentielle de données RNAseq Influence du nombre de réplicats dans une analyse différentielle de données RNAseq Statisticiens: Sophie Lamarre Steve Van Ginkel Sébastien Déjean - Magali San Cristobal Matthieu Vignes Biologistes: Stéphane

Plus en détail

SEMIN- Introduction au modèle linéaire mixte. Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS

SEMIN- Introduction au modèle linéaire mixte. Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS SEMIN- Introduction au modèle linéaire mixte Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS SEMIN-R du MNHN 18 Décembre 2008 Introduction au modèle linéaire

Plus en détail

Analyse des Big Data en recherche clinique. Rodolphe Thiébaut INSERM U897, INRIA team SISTM, ISPED Bordeaux

Analyse des Big Data en recherche clinique. Rodolphe Thiébaut INSERM U897, INRIA team SISTM, ISPED Bordeaux Analyse des Big Data en recherche clinique Rodolphe Thiébaut INSERM U897, INRIA team SISTM, ISPED Bordeaux Big Data (google.com/trends) 90% des données dans le monde ont été créées au cours des deux dernières

Plus en détail

metarnaseq: un package pour la méta-analyse de données RNA-seq

metarnaseq: un package pour la méta-analyse de données RNA-seq metarnaseq: un package pour la méta-analyse de données RNA-seq Guillemette Marot, Florence Jaffrézic, Andrea Rau 28/06/13 Overview 1 Introduction 2 Analyse statistique d une seule étude 3 Méta-analyse

Plus en détail

Une introduction. Lionel RIOU FRANÇA. Septembre 2008

Une introduction. Lionel RIOU FRANÇA. Septembre 2008 Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4

Plus en détail

Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université Montpellier 1. 8 Juin 2012

Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université Montpellier 1. 8 Juin 2012 Extraction et analyse des mesures haut-débit pour l identification de biomarqueurs : problèmes méthodologiques liés à la dimension et solutions envisagées EA 2415 Epidémiologie, Biostatistique et Santé

Plus en détail

Les statistiques en biologie expérimentale

Les statistiques en biologie expérimentale Les statistiques en biologie expérimentale Qualités attendues d une méthode de quantification : Le résultat numérique de la mesure permet d estimer avec précision la grandeur mesurée (ex. : il lui est

Plus en détail

Analyse de données transcriptomiques : de leur visualisation à l intégration d information extérieure

Analyse de données transcriptomiques : de leur visualisation à l intégration d information extérieure Analyse de données transcriptomiques : de leur visualisation à l intégration d information extérieure Marie Verbanck Laboratoire de Mathématiques Appliquées, Agrocampus OUEST Soutenance de thèse - 4 septembre

Plus en détail

Anomalies chromosomiques et tumeurs d Ewing

Anomalies chromosomiques et tumeurs d Ewing Anomalies chromosomiques et tumeurs d Ewing Sylvain Blachon IRISA/INRIA Rennes - projet SITCON 21 Octobre 2008 Sylvain Blachon (IRISA/INRIA Rennes - projet SITCON) Anomalies chromosomiques et tumeurs d

Plus en détail

EXEMPLE : FAILLITE D ENTREPRISES

EXEMPLE : FAILLITE D ENTREPRISES EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : «Applied Multivariate Statistical

Plus en détail

Resolution limit in community detection

Resolution limit in community detection Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.

Plus en détail

Etude du transcriptome et du protéome en Neurooncologie

Etude du transcriptome et du protéome en Neurooncologie Etude du transcriptome et du protéome en Neurooncologie Principes, aspects pratiques, applications cliniques François Ducray Neurologie Mazarin, Unité Inserm U711 Groupe hospitalier Pitié-Salpêtrière Etude

Plus en détail

Introduction à l analyse statistique et bioinformatique des puces à ADN

Introduction à l analyse statistique et bioinformatique des puces à ADN Formation INSERM 10 février 2004 Introduction à l analyse statistique et bioinformatique des puces à ADN Gaëlle Lelandais lelandais@biologie.ens.fr 1 Première Partie Analyse d une puce à ADN : Le recherche

Plus en détail

QUANTIFICATION DES EXAMENS ONCOLOGIQUES AU FLUORO-DÉOXYGLUCOSE EN TOMOGRAPHIE PAR ÉMISSION DE POSITONS

QUANTIFICATION DES EXAMENS ONCOLOGIQUES AU FLUORO-DÉOXYGLUCOSE EN TOMOGRAPHIE PAR ÉMISSION DE POSITONS Journées Jeunes Chercheurs d Aussois d - Décembre D 2003 U494 QUANTIFICATION DES EXAMENS ONCOLOGIQUES AU FLUORO-DÉOXYGLUCOSE OXYGLUCOSE EN TOMOGRAPHIE PAR ÉMISSION DE POSITONS Juliette FEUARDENT Thèse

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite): Paramétrisation Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale Paramétrisation Distances

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Influence du nombre de réplicats dans une analyse différentielle de données RNA-Seq

Influence du nombre de réplicats dans une analyse différentielle de données RNA-Seq Influence du nombre de réplicats dans une analyse différentielle de données RNA-Seq Sophie Lamarre 1, Stéphane Pyronnet 2, Emeline Sarot 2, Sébastien Déjean 3, Magali San Cristobal 3,4 & Matthieu Vignes

Plus en détail

PROGRAMME (Susceptible de modifications)

PROGRAMME (Susceptible de modifications) Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des

Plus en détail

Modélisation et analyse des structures des réseaux hydrographiques

Modélisation et analyse des structures des réseaux hydrographiques Modélisation et analyse des structures des réseaux hydrographiques Université des Sciences et Techniques du Languedoc Stage de Master Parcours : Fonctionnement des Ecosystèmes Naturels Et Cultivés Réalisé

Plus en détail

La méthode de régression par discontinuité et l évaluation des politiques de l emploi

La méthode de régression par discontinuité et l évaluation des politiques de l emploi La méthode de régression par discontinuité et l évaluation des politiques de l emploi Thomas Lemieux University of British Columbia Le 24 novembre 2009 Plan de la présentation La méthode de régression

Plus en détail

Analyse de variance à 2 facteurs imbriqués sur données de comptage - Application au contrôle de

Analyse de variance à 2 facteurs imbriqués sur données de comptage - Application au contrôle de Analyse de variance à 2 facteurs imbriqués sur données de comptage - Application au contrôle de qualité Florence Loingeville 1,2,3, Julien Jacques 1,2, Cristian Preda 1,2, Philippe Guarini 3 & Olivier

Plus en détail

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f JFMS Toulouse 24, 25, 26 mars 2010 AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f Benjamin Echard Nicolas Gayton Maurice Lemaire LaMI Laboratoire

Plus en détail

Medication management ability assessment: results from a performance based measure in older outpatients with schizophrenia.

Medication management ability assessment: results from a performance based measure in older outpatients with schizophrenia. Medication Management Ability Assessment (MMAA) Patterson TL, Lacro J, McKibbin CL, Moscona S, Hughs T, Jeste DV. (2002) Medication management ability assessment: results from a performance based measure

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

Prise en compte du temps dans les essais de phase I

Prise en compte du temps dans les essais de phase I 4 ème Conférence d Epidémiologie Clinique XV ème Réunion des Statisticiens des Centres de Lutte contre le Cancer Prise en compte du temps dans les essais de phase I Application aux essais d escalade de

Plus en détail

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

Plus en détail

COURS DE STATISTIQUES (24h)

COURS DE STATISTIQUES (24h) COURS DE STATISTIQUES (24h) Introduction Statistiques descriptives (4 h) Rappels de Probabilités (4 h) Echantillonnage(4 h) Estimation ponctuelle (6 h) Introduction aux tests (6 h) Qu est-ce que la statistique?

Plus en détail

Medication management capacity in highly functioning community living older adults: detection of early deficits.

Medication management capacity in highly functioning community living older adults: detection of early deficits. Drug Regimen Unassisted Grading Scale (DRUGS) Edelberg HK, Shallenberger E, Wei JY (1999) Medication management capacity in highly functioning community living older adults: detection of early deficits.

Plus en détail

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés M1 MLG Année 2012 2013 Feuille de TP N 3 : Modèle log-linéaire - Travail guidé 1 Cancers : modèle log-linéaire à deux facteurs croisés Ce premier exercice reprend l exercice 1 de la feuille de TD n 3.

Plus en détail

Evaluation d un test diagnostique - Concordance

Evaluation d un test diagnostique - Concordance Evaluation d un test diagnostique - Concordance Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr Plan 1 Introduction 2 Evaluation

Plus en détail

Introduction à la méthode d'analyse des réseaux sociaux

Introduction à la méthode d'analyse des réseaux sociaux Colloques d'épidémiologie clinique et biostatistique HUG 8 mars 2011 Gil Viry Introduction à la méthode d'analyse des réseaux sociaux FACULTÉ DES SCIENCES ÉCONOMIQUES ET SOCIALES Plan du cours 1. Les principes

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

Logiciels pour l analyse d incertitude et l analyse de sensibilité. David Makowski, Hervé Monod, Hervé Richard

Logiciels pour l analyse d incertitude et l analyse de sensibilité. David Makowski, Hervé Monod, Hervé Richard Logiciels pour l analyse d incertitude et l analyse de sensibilité David Makowski, Hervé Monod, Hervé Richard PLAN Exemple sous tableur : Crystal Ball Panorama des logiciels disponibles Modules de tableurs

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Planification d'essais randomisés séquentiels ayant comme critère de jugement un délai de survie à l'aide de la fonction plansurvct.

Planification d'essais randomisés séquentiels ayant comme critère de jugement un délai de survie à l'aide de la fonction plansurvct. 1 eres Rencontres R Bordeaux 2-3 Juillet 2012 Planification d'essais randomisés séquentiels ayant comme critère de jugement un délai de survie à l'aide de la fonction plansurvct.func J.Gal 1, A.Kramar

Plus en détail

TEP-IRM : évaluation de la réponse thérapeutique des gliomes. Samuel Valable Equipe CERVOxy, UMR 6301 ISTCT GIP CYCERON, Caen

TEP-IRM : évaluation de la réponse thérapeutique des gliomes. Samuel Valable Equipe CERVOxy, UMR 6301 ISTCT GIP CYCERON, Caen TEP-IRM : évaluation de la réponse thérapeutique des gliomes Samuel Valable Equipe CERVOxy, UMR 6301 ISTCT GIP CYCERON, Caen GBM GBM = forme la plus courante et la plus agressive des tumeurs du SNC 1 er

Plus en détail

Exemple 7.7 : Modèles multiniveaux de croissance expliquant le soutien social perçu par les élèves

Exemple 7.7 : Modèles multiniveaux de croissance expliquant le soutien social perçu par les élèves Exemple 7.7 : Modèles multiniveaux de croissance expliquant le soutien social perçu par les élèves Modèle 1 (modèle vide) : GET FILE='C:\Users\Desktop\donnees stats\soutien.sav'. DATASET ACTIVATE Ensemble_de_données2.

Plus en détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

Immunologie Intégrative & Biologie des Systèmes

Immunologie Intégrative & Biologie des Systèmes Immunologie Intégrative & Biologie des Systèmes Adrien Six (adrien.six@upmc.fr) IF-IVa Université Pierre et Marie Curie février 2010 1 Immunologie Intégrative & Biologie des Systèmes Introduction 1. Modèle

Plus en détail

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Séverine Demeyer, Frédéric Jenson, Nicolas Dominguez CEA, LIST, F-91191

Plus en détail

Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr

Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr Cette note examine les différences entre R et SAS dans l estimation des modèles ARIMA et SARIMA. Elle illustre

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Graphes, réseaux et internet

Graphes, réseaux et internet Graphes, réseaux et internet Clémence Magnien clemence.magnien@lip6.fr LIP6 CNRS et Université Pierre et Marie Curie (UPMC Paris 6) avec Matthieu Latapy, Frédéric Ouédraogo, Guillaume Valadon, Assia Hamzaoui,...

Plus en détail

CLASSIFICATION ET PREDICTION FONCTIONNELLES D ACTIFS BOURSIERS EN "TICK DATA"

CLASSIFICATION ET PREDICTION FONCTIONNELLES D ACTIFS BOURSIERS EN TICK DATA CLASSIFICATION ET PREDICTION FONCTIONNELLES D ACTIFS BOURSIERS EN "TICK DATA" SIMON DABLEMONT, MICHEL VERLEYSEN Université catholique de Louvain, Machine Learning Group, DICE 3, Place du Levant, B-1348

Plus en détail

MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique»

MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique» M1_presentation_generale_4juil05.doc 1/11 MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique» La mention s articule autour de 6 spécialités : Recherche en éthique : Pr Christian HERVE (herve@necker.fr)

Plus en détail

Économétrie - Une Étude de la Création d Entreprise entre 1994 et 2007

Économétrie - Une Étude de la Création d Entreprise entre 1994 et 2007 LESAUX Loïc MAROT Gildas TANGUY Brewal Économétrie - Une Étude de la Création d Entreprise entre 1994 et 007 Charpentier Arthur Semestre 008 Master 1 Cadoret Isabelle 1 Plan Introduction... 3 Présentation

Plus en détail

A. Chambaz, L. Meyer, P. Tubert-Bitter. 22 juin 2010

A. Chambaz, L. Meyer, P. Tubert-Bitter. 22 juin 2010 Présentation du parcours Biostatistique de la spécialité Recherche en santé publique du Master 2 Santé Publique de l université Paris-Sud, cohabilité Paris Descartes A. Chambaz, L. Meyer, P. Tubert-Bitter

Plus en détail

5. Validité de la méta-analyse

5. Validité de la méta-analyse 5. Validité de la méta-analyse 5.1. Poids de la preuve d une méta-analyse Le poids de la preuve d un résultat scientifique quantifie le degré avec lequel ce résultat s approche de la réalité. Il ne s agit

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Série : STL Spécialité biotechnologies SESSION 2014 BACCALAURÉAT TECHNOLOGIQUE

Série : STL Spécialité biotechnologies SESSION 2014 BACCALAURÉAT TECHNOLOGIQUE BACCALAURÉAT TECHNLGIQUE Série : STL Spécialité biotechnologies SESSIN 2014 CBSV : sous épreuve coefficient 4 Biotechnologies : sous épreuve coefficient 4 Durée totale de l épreuve: 4 heures Les sujets

Plus en détail

REGRESSION LOGISTIQUE ASSURES BELGES

REGRESSION LOGISTIQUE ASSURES BELGES REGRESSION LOGISTIQUE ASSURES BELGES Cte étude concerne l assurance automobile. L échantillon est constitué de 1106 assurés belges observés en 1992 répartis en deux groupes. Les assurés qui n ont eu aucun

Plus en détail

Situation actuelle. Attachée temporaire d enseignement et de recherche (section CNU 25) à l Université Paris 2. Thèmes de recherche

Situation actuelle. Attachée temporaire d enseignement et de recherche (section CNU 25) à l Université Paris 2. Thèmes de recherche Cyrielle DUMONT Docteur en biostatistiques Née le 9 mai 1985 à Chartres (28) Adresse : Université Paris 2 12 place du Panthéon 75005 Paris Courriel : cyrielle.dumont@inserm.fr Page personnelle : www.biostat.fr/home-dumont.htm

Plus en détail

Modèlisation statistique d un championnat de football. Extension au tournoi de fighting

Modèlisation statistique d un championnat de football. Extension au tournoi de fighting Modèlisation statistique d un championnat de football. Extension au tournoi de fighting Eric Parent, Edouard Kolf le 20 décembre 2012, AppliBUGS, Paris Contents 1 Exemple du championnat de football 2 3

Plus en détail

TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES

TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES Jean-Cléophas ONDO (*) (*) Institut Sous-régional de Statistique et d Economie Appliquée (ISSEA) Résumé Les procédures couramment utilisées

Plus en détail

Essais de modélisation de l épilepsie en Tunisie: Théorie et application basées sur des modèles de régression logistique

Essais de modélisation de l épilepsie en Tunisie: Théorie et application basées sur des modèles de régression logistique Essais de modélisation de l épilepsie en Tunisie: Théorie et application basées sur des modèles de régression logistique Abdelwaheb Daouthi, Mohamed Dogui, Abdeljelil Farhat To cite this version: Abdelwaheb

Plus en détail

Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant

Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master

Plus en détail

Méthode en trois étapes destinée à une évaluation globale des résultats obtenus pour différents échantillons.

Méthode en trois étapes destinée à une évaluation globale des résultats obtenus pour différents échantillons. ISP Rue J. Wytsman, 14 B-1050 BRUXELLES SERVICE PUBLIC FEDERAL (SPF) SANTE PUBLIQUE, PROTECTION DE LA CHAINE ALIMENTAIRE ET ENVIRONNEMENT COMMISSION DE BIOLOGIE CLINIQUE SERVICE DES LABORATOIRES DE BIOLOGIE

Plus en détail

Points méthodologiques Adapter les méthodes statistiques aux Big Data

Points méthodologiques Adapter les méthodes statistiques aux Big Data Points méthodologiques Adapter les méthodes statistiques aux Big Data I. Répétition de tests et inflation du risque alpha II. Significativité ou taille de l effet? 2012-12-03 Biomédecine quantitative 36

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

La régression logistique

La régression logistique La régression logistique Présentation pour le cours SOL6210, Analyse quantitative avancée Claire Durand, 2015 1 Utilisation PQuand la variable dépendante est nominale ou ordinale < Deux types selon la

Plus en détail

INFERENCE PAR APPROXIMATION NORMALE DE L A POSTERIORI DANS LES MODELES DYNAMIQUES A EFFETS MIXTES

INFERENCE PAR APPROXIMATION NORMALE DE L A POSTERIORI DANS LES MODELES DYNAMIQUES A EFFETS MIXTES INFERENCE PAR APPROXIMATION NORMALE DE L A POSTERIORI DANS LES MODELES DYNAMIQUES A EFFETS MIXTES 1,2,3, J. Guedj 4, J. Drylewicz 5, D. Commenges 1,2,3 and R. Thiébaut 1,2,3 1 Univ. Bordeaux, ISPED, Bordeaux,

Plus en détail

Data Mining et Big Data

Data Mining et Big Data Data Mining et Big Data Eric Rivals LIRMM & Inst. de Biologie Computationnelle CNRS et Univ. Montpellier 14 novembre 2015 E. Rivals (LIRMM & IBC) Big Data 14 novembre 2015 1 / 30 Introduction, contexte

Plus en détail

Choix de modèle en régression linéaire

Choix de modèle en régression linéaire Master pro Fouille de données Philippe Besse 1 Objectif Choix de modèle en régression linéaire La construction d un score d appétence sur les données bancaires correspond au choix et à l estimation d un

Plus en détail

Analyses de données NGS et présentation de la librairie NGS++

Analyses de données NGS et présentation de la librairie NGS++ Analyses de données NGS et présentation de la librairie NGS++ UQÀM, 13 Mars 2013 Alexei Nordell Markovits 2 Présentation Nicolas Gevry Shengrui Wang 3 Plan 1) Introduction/Next Generation Sequencing(NGS)

Plus en détail

Clustering par quantification en présence de censure

Clustering par quantification en présence de censure Clustering par quantification en présence de censure Svetlana Gribkova 1 Laboratoire de Statistique Théorique et Appliquée, Université Pierre et Marie Curie Paris 6, 4 place Jussieu, 75005 Paris Résumé.

Plus en détail

Module Mixmod pour OpenTURNS

Module Mixmod pour OpenTURNS Module Mixmod pour OpenTURNS Régis LEBRUN EADS Innovation Works 23 septembre 2013 EADS IW 2013 (EADS Innovation Work) 23 septembre 2013 1 / 21 Outline Plan 1 OpenTURNS et propagation d incertitudes 2 Mixmod

Plus en détail

Analyse de la Variance pour Plans à Mesures Répétées

Analyse de la Variance pour Plans à Mesures Répétées Analyse de la Variance pour Plans à Mesures Répétées Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr/

Plus en détail

Estimation spline de quantiles conditionnels pour variables explicatives fonctionnelles

Estimation spline de quantiles conditionnels pour variables explicatives fonctionnelles Estimation spline de quantiles conditionnels pour variables explicatives fonctionnelles Hervé Cardot 1, Christophe Crambes 2 & Pascal Sarda 2,3 1 INRA Toulouse, Biométrie et Intelligence Artificielle,

Plus en détail

Introduction aux modèles mixtes Comparaison de k moyennes à partir d échantillons non indépendants. 27 mai 2009 Pierre INGRAND

Introduction aux modèles mixtes Comparaison de k moyennes à partir d échantillons non indépendants. 27 mai 2009 Pierre INGRAND Introduction aux modèles mixtes Comparaison de k moyennes à partir d échantillons non indépendants 27 mai 2009 Pierre INGRAND Position du problème. Exemple On cherche à comparer la réponse pharmacologique

Plus en détail

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU $SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le

Plus en détail

Initiation à la fouille de données et à l apprentissage automatiq

Initiation à la fouille de données et à l apprentissage automatiq Initiation à la fouille de données et à l apprentissage automatique 1 Laboratoire d Informatique Fondamentale de Marseille Université de Provence christophe.magnan@lif.univ-mrs.fr www.lif.univ-mrs.fr/

Plus en détail

Les Meta-analyses. Sibilia Quilici. Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014

Les Meta-analyses. Sibilia Quilici. Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014 Les Meta-analyses Sibilia Quilici Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014 Nombre de publication en méta-analyses 8000 7000 6000 5000 4000

Plus en détail

Immunologie Intégrative & Biologie des Systèmes. Biologie des systèmes. Biologie des systèmes? Immunologie Intégrative & Biologie des Systèmes

Immunologie Intégrative & Biologie des Systèmes. Biologie des systèmes. Biologie des systèmes? Immunologie Intégrative & Biologie des Systèmes Adrien Six (adrien.six@upmc.fr) IF-IVa Université Pierre et Marie Curie février 2011 Introduction Modèle de la différenciation T Analyse immunomique anticorps Signature transcriptionnelle "Mémoire" Modules

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Les déterminants des investissements en rénovation dans le résidentiel en France : une approche empirique

Les déterminants des investissements en rénovation dans le résidentiel en France : une approche empirique Les déterminants des investissements en rénovation dans le résidentiel en France : une approche empirique Dorothée Charlier IREGE Journée OFCE Ville et Logement, 4 décembre 2012 1 Contexte Un objectif

Plus en détail

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Jean Gaudart Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale jean.gaudart@univmed.fr

Plus en détail

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters Analyse de données en présence de clusters Notion de clusters Conséquences de la non prise en compte des clusters Un exemple, une structure hiérarchique Elevage > Animal Le facteur d inflation de la variance

Plus en détail

Quantification en tomographie d émission

Quantification en tomographie d émission Quantification en tomographie d émission Irène Buvat Imagerie et Modélisation en Neurobiologie et Cancérologie UMR 8165 CNRS - Paris 7 - Paris 11 buvat@imnc.in2p3.fr http://www.guillemet.org/irene Séminaire

Plus en détail

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine.

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Anne Poupon Biologie et Bioinformatique des Systèmes de Signalisation INRA - Nouzilly France

Plus en détail

Annales du Contrôle National de Qualité des Analyses de Biologie Médicale

Annales du Contrôle National de Qualité des Analyses de Biologie Médicale Annales du Contrôle National de Qualité des Analyses de Biologie Médicale ARN du virus de l hépatite C : ARN-VHC ARN-VHC 03VHC1 Novembre 2003 Edité : mars 2006 Annales ARN-VHC 03VHC1 1 / 8 ARN-VHC 03VHC1

Plus en détail

Chronique R LAtent VAriables ANalysis - Le package lavaan pour les modèles d'équations structurelles

Chronique R LAtent VAriables ANalysis - Le package lavaan pour les modèles d'équations structurelles Chronique R LAtent VAriables ANalysis - Le package lavaan pour les modèles d'équations structurelles Les modèles d'équations structurelles sont des modèles statistiques initialement créés afin de combiner

Plus en détail

Application de la chimiométrie en recherche pharmaceutique

Application de la chimiométrie en recherche pharmaceutique Application de la chimiométrie en recherche pharmaceutique Lionel Blanchet Analytical Chemistry / Chemometrics Radboud University Nijmegen This study/ work was performed (partly) within the framework of

Plus en détail

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Table des matières 1 Graph Kernels for Molecular Structure-Activity Relationship Analysis

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes CNES Paris - 22/05/2003 Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes Michel DHOME LASMEA UMR 6602CNRS/UBP Clermont-Ferrand Etat de l art (communauté vision artificielle)

Plus en détail

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées.

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Baptiste Gregorutti 12, Bertrand Michel 2 & Philippe Saint Pierre 2 1 Safety

Plus en détail

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

Plus en détail

Ecole Supérieure de la Statistique et de l Analyse de l Information المدرسة العلیا للا حصاء وتحلیل المعلومات بتونس. Sujet N 1

Ecole Supérieure de la Statistique et de l Analyse de l Information المدرسة العلیا للا حصاء وتحلیل المعلومات بتونس. Sujet N 1 Sujet N 1 Enseignante : JENHANI Dorra Intitulé du sujet : ÉLABORATION DE MODÈLES STATISTIQUES Etant donnée une base de données, l objectif de cet atelier est de modéliser une variable Y (variable à expliquer,

Plus en détail