Transcriptome, Protéome et quelques problématiques statistiques
|
|
- Arthur Jean
- il y a 6 ans
- Total affichages :
Transcription
1 Transcriptome, Protéome et quelques problématiques statistiques Olivier Martin Inra, Avignon BioSP IUT Avignon
2 Plan I. Rappels de biologie II. Le transcriptome : principes et techniques III. Le protéome : principes et techniques IV. Planification expérimentale, Pré-traitement et normalisation V. Analyse différentielle et rappel sur les tests Comparaison de 2 moyennes (données indépendantes) Comparaison de 2 moyennes (données appariées)
3 I. Rappels de biologie
4 L'ADN Un code à 4 bases (Adénine, Cytosine, Thymine, Guanine) complémentaires 2 à 2 (A-T et C-G). Organisation en gènes et chromosomes Nombre de gènes estimés Bactérie : 4000 Levure : 6000 Drosophile : Homme : entre et 30000
5 «Dogme de la biologie moléculaire»
6 «Dogme de la biologie moléculaire» Transcription inverse Replication de l'arn ADN ARN Protéines Replication de l'adn Transcritpion Traduction Support de l'information génétique Agent de liaison messager entre l'information génétique et les activités de la cellule Ouvrier de la cellule : fonction biologique
7 La génomique La génomique est l étude complète et systématique des génomes Objectifs : connaître le nombre, la position des gènes sur le génome, leur séquence et leurs produits cellulaires 1ère étape : séquençage systématique et automatique 2ème étape : annotation automatique des séquences
8 L ère post-génomique Structurale Génomique Comparative Fonctionnelle Transcriptome Protéome Prédiction de structure
9 Séquençage à grande échelle Génomique fonctionnelle 5% des gènes ont des fonctions biologiques connues 65% des gènes ont des fonctions prédites 30% ont des fonctions inconnues Etude du transcriptome et du protéome
10 II. Le transcriptome
11 Étude du transcriptome Étudier en masse, en une seule expérience l expression des gènes Identifier des réseaux de régulation de gènes Principe: mesure indirecte de leur abondance en ARNm (niveau d expression) Technologie: Les puces à ADN (microarrays)
12 Transcriptome : exemple d'une puce à ADN Fonction : Mesurer le niveau d'expression de plusieurs milliers de gènes simultanément Physiquement : Une grille régulière composée de plusieurs milliers de spots (un pour chaque gène) portés par une plaque de verre, une membrane de nylon,...
13 Le transcriptome : Principes de la puce a ADN
14 Le transcriptome : Principes de la puce a ADN
15 Différents types de biopuces Support des sondes Lame de verre membrane de nylon Densité des sondes Macroarrays (quelques dizaines/cm²) Microarrays (plusieurs milliers) Type de sondes ADNc Oligonucléotides Marquage des cibles Lame de verre membrane Affymetrix Radioactif Fluorochromes (Cy3, Cy5)
16 Quelques applications des microarrays... Étude exploratoire des mécanismes génétiques cellulaires Étude temporelle de phénomènes cellulaires Comparaison de tissus cancéreux/sains Étude de maladies génétiques
17 Intervention des statistiques 1. Comment organiser l expérience pour optimiser l analyse statistique? : Plan d expérience 2. Comment prendre en compte les biais expérimentaux? : Normalisation 3. Comparer l expression des gènes entre différentes conditions : Analyse différentielle 4. Peut-on regrouper des individus à partir de leur profil d expression? : Classification supervisée 5. Les gènes peuvent-ils constituer un outil de diagnostic? : Classification supervisée
18 Quelques expériences... Données de Golub et al., 1999 But : Trouver les gènes différentiellement exprimés entre 2 types de leucémie (ALL, AML) Expressions des gènes mesurées avec 38 puces Affymetrix représentant 6817 gènes humains 38 échantillons d'arnm de tumeurs (27 ALL et 11 AML) un patient par puce : données indépendantes Pas de référence.
19 Quelques expériences... Données de Callow et al., 2000 But : Identifier les gènes différentiellement exprimés dans des cellules hépatiques de souris pour lesquelles un gène (Apo AI) était réprimé par rapport à des souris contrôles Expressions des gènes mesurées avec 16 puces 2 couleurs représentant 6226 gènes. L'échantillon de référence résulte du pooling des 8 échantillons contrôles 1 puce : une des deux conditions (apo AI ou contrôle) versus la référence et 8 répétitions dans chaque condition. Comparaison indirecte des 2 conditions (via la réf.) : données indépendantes.
20 Quelques expériences... Données Hertzberg, 2001 But : Etudier l'expression de 2995 gènes du peuplier pour 6 différentes profondeurs dans le tronc. Le contrôle correspond au pool des 6 échantillons analysés. Comparer (classer) les profils d'expression des gènes pour 6 profondeurs de bois différentes : problématique de clustering.
21 Le transcriptome et le séquençage haut débit La technique des puces à ADN est de moins en moins utilisée. La quatification du transcriptome est de plus en plus réalisé par du séquencage haut débit
22 III. Le protéome
23 Étude du protéome Étudier en masse et en quelques expériences les protéines et leur(s) état(s) Identifier des réseaux de régulation de protéines et des interactions entre protéines Principe: mesure indirecte de leur abondance Technologie: Les gels et la spectrométrie
24 Protéome : exemple d'un gels 2D Fonction : Séparer et quantifier l'ensemble des protéines solubles d'une cellule
25 Le protéome : Principes du gel 2D IEF : IsoElectric Focalisation SDS-PAGE : Sodium Dodécyl Sulfate Poly Acrylamide Gel Elecrophoresis
26 Analyse d'image d'un gel 2D Objectif : Identifier et séparer les taches qui correspondent à des protéines
27 Analyse d'image d'un gel 2D Difficulté : Définir correctement les contours du spot, et donc pour quantifier le niveau d'expression d'une protéine
28 Analyse d'image d'un gel 2D Objetcif : Etablir des correspondances entre les différents spots (protéines) de différents gels en se basant uniquement sur la localisation des spots sur les gels.
29 Le protéome et la spectrométrie de masse Objectif : Pouvoir associer à chaque spot du gel le nom de la protéine correspondante
30 Interrogation MASCOT d'un spectre
31 Résultat d'interrogation Mascot
32 La protéomique haut débit La technique des gels 2D n est pas très précise et est de moins en moins utilisée, voire abandonnée La quatification du protéome est réalisé par du séquencage haut débit
33 IV. La planification expérimentale La planification expérimentale Pré-traitement et normalisation
34 Rappel... Prélèvement des cellules à étudier Composition d'une population de référence Extraction des ARNm des deux populations de cellules : la référence et la condition d'intérêt Marquage des deux populations avec des fluorophores de couleurs différentes Rouge pour la population étudié et Vert pour la référence Les deux populations marquées sont mélangées et placées sur la puce Hybridation entre les cibles et sondes complémentaires
35 Mise en évidence du biais de marquage
36 Objectif de la planification Rendre l'analyse des données et l interprétation le plus efficace possible, compte tenu de la question biologique posée et des contraintes expérimentales. Identifier des gènes différentiellement exprimés Comparer des profils d'expression obtenus dans différentes conditions Déterminer s'il existe une relation entre un profil d'expression et un statut clinique afin de faire du diagnostic
37 Variabilité technique et biologique Variablité technique Permet l'observation et la quantification des biais Affine la mesure pour un individu Variabilité biologique Observer la variabilité des gènes entre individus Prendre en compte cette variabilité Conclusions généralisables aux populations
38 Quantifier la variabilité technique? A B n n
39 Quantifier la variabilité biologique? A1 A2 A3 An B1 B2 B3 Bn n n
40 Quantifier les variabilités biologique et technique? A1 A2 A3 Ak B1 B2 B3 Bk n1 nk n1 nk
41 Plan d'expériences (2 canaux) Proposition 1 (A 1 B 1 ) et (A 2 B 2 ) Proposition 2 A 1 B 1 et A 1 B 1 Proposition 3 : Dye swap (A 1 B 1 et A 1 B 1 ) et ( A 2 B 2 et A 2 B 2 )
42 Plan d'expériences (2 canaux) On a vu qu il existe un biais dû à l'utilisation des marqueurs Cy5 et Cy3. Une stratégie pour prendre en compte ce problème est le plan en dye-swap : Le dye-swap vise à éliminer le déséquilibre de marquage entre les deux marqueurs : il s'agit d'une répétition technique en inversant les marquages.
43 Plan d'expériences (2 canaux) Comparaison de plusieurs traitements : Plan en étoile Plan en boucle A1 A2 A1 A2 A3 A3 A0 AT AT-1 AT AT-1
44 Démarche statistique Modélisation : Traduire les questions biologiques au travers d'un modèle statistique avec des paramètres Contraintes : Nombre de lames, biais à contrôler,... : proposer un plan d'expériences Estimation des paramètres Estimer les paramètres, évaluer la précision de l'estimation et conclure quant à la question biologique de départ.
45 Exemple d'un modèle simple Mesure pour un gène : On note X itr le niveau d'expression d'un gène i sous la condition t pour la répétition r Modèle : X it r = m it + B r + E itr mesure = signal + effet lame + bruit avec : m it = niveau d'expression moyen du gène dans la condition t B r = niveau d'expression moyen de la lame r E itr = terme résiduel dû à la variabilité (aléatoire) des mesures
46 Problème de la variabilité... La variabilité entre les répétitions est prise en compte par la variance du terme résiduel E itr : on note V(E itr ) = σ 2 Quelques remarques : Si les répétitions sont des individus différents alors σ est la variabilité biologique Si les répétitions correspondent à différents échantillons d'un même individu alors σ est la variabilité technique σ doit il être constant pour toutes les répétitions? Tous les traitements? On utilise souvent une transformation logarithmique sur les données afin de «stabiliser» la variance des observations.
47 Plan d'expériences (2 canaux) Etude de deux conditions : On veut comparer deux conditions notées t=1, 2 et estimer la différence : δ = m 1 - m 2 Particularité : Il faut attribuer des marqueurs (Cy5 et Cy3) pour chaque ARNm de chaque lame. Remarque : On peut penser que le fait de disposer de 2 marqueurs va introduire un effet marqueur dans les mesures Modifier le modèle de départ pour l'analyse? Exemples : Quel(s) plan(s) d'expériences si on désire comparer deux conditions avec 4 lames 2 couleurs? Quel modèle écrire pour prendre en compte les marqueurs, les conditions, les répétitions, : analyse de variance?
48 Mise en évidence du biais de marquage
49 Pré-traitement et Normalisation Pré-traitement Sélectionner les données propres au processus biologique étudié, supprimer certaines anomalies dans les données récoltées, repérer certaines anomalies (bruit de fond dans l analyse d image, spots saturés en intensité, soustraction du bruit de fond aux intensités, etc ) et choisir une transformation adéquate (souvent la transformation logarithmique) Normalisation Identifier et supprimer les différences systématiques qui ne sont pas dues à la différence d expression et qui ne seront pas prises en compte par la suite. Ces 2 étapes sont cruciales avant toute analyse statistique.
50 L analyse d image
51 L analyse d image La quantité d ARNm est supposée proportionnelle à l intensité médiane (ou moyenne) des pixels qui composent le spot. L analyse d image permet de repérer les spots sur la lame, de définir les pixels qui sont considérés comme du signal (foreground) et ceux qui sont du bruit de fond (background) La mesure d expression varie entre 1=2^0 et 65536=2^16 Quantités données par le scanner : Signaux moyens et médians pour le signal et bruit de fond Bruit de fond (plusieurs algos) Qualité du spot : forme, étendue
52 Pré-traitement : transformation logarithmique? Données plus facilement interprétables R/G = 2 log 2 (R/G)=1 R/G=0.5 log 2 (R/G)=-1 Symétrie de la mesure des expressions
53 Pré-traitement: soustraction du bruit de fond?
54 Normalisation Pour s assurer que les différences observées sont bien dues à des niveaux d expression différents, et non à des biais techniques. La normalisation correspond à la détection de biais techniques et la mise en place de procédures de correction. Quelques biais connus : Expérimentateurs, réglages techniques, fluorochrome, aiguille du robot, température, ph, etc
55 Correction, identification des biais expérimentaux
56 Mise en évidence de l effet bloc
57 Normalisation LOESS par bloc
58 MA-plots: visualisation de l effet intensité M=log2(R/V) A=1/2 [log2(r)+log2(v)] Log ratio des intensité Intensité moyenne
59 Comment normaliser? Choisir une méthode pour corriger les biais techniques indésirables en utilisant tous les gènes (ou un sous ensemble) : Normalisation sur l ensemble des puces en utilisant une analyse de variance Utilisation de méthodes graphiques : MA plot et boxplot Normalisation par lame basée sur une correction lowess La normalisation est une étape délicate car elle a un impact fort sur le reste des analyses Définir une procédure que l on applique en routine.
60 L analyse différentielle et rappels sur les tests
61 L analyse différentielle Etant donné 2 conditions expérimentales A et B, on souhaite identifier les gènes qui ont une différence d expression entre les deux conditions. Une solution consiste à utiliser les tests d hypothèses. Les hypothèses : H0 = {le niveau d expression du gène est identique entre les conditions A et B} H1 = {le niveau d expression du gène est différent entre les conditions A et B} On réalise un test de comparaison de 2 moyennes : H0 : μ A = μ B contre H1 : μ A μ B On dira que le gène est différentiellement exprimé si on rejette H0.
62 Niveau/Puissance d un test (simple) Décision Accepter H0 Rejeter H0 Réalité H0 vraie 1 α α H0 fausse β 1 β α est le risque de première espèce = P(H1/H0) = proba de détecter une fausse différence (faux positifs) β est le risque de seconde espèce 1-β est la puissance = P(H1/H1) = proba de détecter une vraie différence (vrais positifs)
63 Zone de Rejet
64 Test de comparaison de la moyenne de deux populations Test de Student La technologie induit un choix de modélisation: les données sont appariées pour la technologie des cdna arrays Comment modéliser la variance? Variance commune à tous les gènes Variance différente pour tous les gènes
65 Structure des données Condition 1 Condition 2 r1 R r1 R Gène 1 Gène g X 1g1 X 2g1 Gène G
CHAPITRE 3 LA SYNTHESE DES PROTEINES
CHAITRE 3 LA SYNTHESE DES ROTEINES On sait qu un gène détient dans sa séquence nucléotidique, l information permettant la synthèse d un polypeptide. Ce dernier caractérisé par sa séquence d acides aminés
Plus en détailMaster 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 détailBiomarqueurs en Cancérologie
Biomarqueurs en Cancérologie Définition, détermination, usage Biomarqueurs et Cancer: définition Anomalie(s) quantitative(s) ou qualitative(s) Indicative(s) ou caractéristique(s) d un cancer ou de certaines
Plus en détailBASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
Plus en détail2D-Differential Differential Gel Electrophoresis & Applications en neurosciences
2D-Differential Differential Gel Electrophoresis & Applications en neurosciences Jean-Etienne Poirrier Centre de Neurobiologie Cellulaire et Moléculaire Centre de Recherches du Cyclotron Université de
Plus en détailTD de Biochimie 4 : Coloration.
TD de Biochimie 4 : Coloration. Synthèse de l expérience 2 Les questions posées durant l expérience 2 Exposé sur les méthodes de coloration des molécules : Générique Spécifique Autres Questions Pourquoi
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailCATALOGUE DES PRESTATIONS DE LA
1/23 La plate-forme Biopuces et Séquençage de Strasbourg est équipée des technologies Affymetrix et Agilent pour l étude du transcriptome et du génome sur puces à ADN. SOMMAIRE ANALYSE TRANSCRIPTIONNELLE...
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailDr E. CHEVRET UE2.1 2013-2014. Aperçu général sur l architecture et les fonctions cellulaires
Aperçu général sur l architecture et les fonctions cellulaires I. Introduction II. Les microscopes 1. Le microscope optique 2. Le microscope à fluorescence 3. Le microscope confocal 4. Le microscope électronique
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailJournée SITG, Genève 15 octobre 2013. Nicolas Lachance-Bernard M.ATDR Doctorant, Laboratoire de systèmes d information géographique
Monitorint spatio-temporel intégré de la mobilité urbaine Monitoring spatio-temporel de l ADN urbain Une réponse aux défis, problèmes, enjeux et risques des milieux urbains Nicolas Lachance-Bernard M.ATDR
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailMise en place d une plateforme de gestion de matériels biologiques : quels avantages pour les chercheurs?
Mise en place d une plateforme de gestion de matériels biologiques : quels avantages pour les chercheurs? Dr Xavier Manival, Laboratoire IMoPA, CR, CNRS Françoise Tisserand-Bedri, Documentaliste, Inist-CNRS
Plus en détailPlateforme. DArT (Diversity Array Technology) Pierre Mournet
Plateforme DArT (Diversity Array Technology) Pierre Mournet Lundi 8 avril 203 Pourquoi des DArT? Développement rapide et peu onéreux de marqueurs : Pas d information de séquence nécessaire. Pas de pré-requis
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
Plus en détailBase de données bibliographiques Pubmed-Medline
Chapitre 1 ; Domaine 1 ; Documentation ; Champs référentiels 1.1.1, 1.1.2 et 1.1.3 Base de données bibliographiques Pubmed-Medline D r Patrick Deschamps,, 30 mai 2007 PLAN C2i métiers de la santé Introduction
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailGénétique et génomique Pierre Martin
Génétique et génomique Pierre Martin Principe de la sélections Repérage des animaux intéressants X Accouplements Programmés Sélection des meilleurs mâles pour la diffusion Index diffusés Indexation simultanée
Plus en détailwww.gbo.com/bioscience 1 Culture Cellulaire Microplaques 2 HTS- 3 Immunologie/ HLA 4 Microbiologie/ Bactériologie Containers 5 Tubes/ 6 Pipetage
2 HTS 3 Immunologie / Immunologie Informations Techniques 3 I 2 ELISA 96 Puits 3 I 4 ELISA 96 Puits en Barrettes 3 I 6 en Barrettes de 8 Puits 3 I 7 en Barrettes de 12 Puits 3 I 8 en Barrettes de 16 Puits
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailAlarme domestique- Présentation
STI2D PROJET SIN Alarme domestique- Présentation Document réponses Séquence découverte Le fonctionnement du système d alarme domestique: (Démarche d investigation) Après avoir fait une présentation de
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailBig Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014
Big Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014 1 Classiquement, le Big Data se définit autour des 3 V : Volume, Variété et
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailMontréal, 24 mars 2015. David Levine Président et chef de la direction DL Strategic Consulting. DL Consulting Strategies in Healthcare
Montréal, 24 mars 2015 David Levine Président et chef de la direction DL Strategic Consulting 1 RSSPQ, 2013 2 MÉDECINE INDIVIDUALISÉE Médecine personnalisée Médecine de précision Biomarqueurs Génomique
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailANTICORPS POLYCLONAUX ANTI IMMUNOGLOBULINES
L OUTIL IDEAL POUR TOUTES LES DETECTIONS IMMUNOCHIMIQUES pour toutes les techniques immunodosages (EIA/ELISA) dot/ westernblot immunohistochimie immunocytochimie cytométrie en flux quel que soit le système
Plus en détailLes mesures à l'inclinomètre
NOTES TECHNIQUES Les mesures à l'inclinomètre Gérard BIGOT Secrétaire de la commission de Normalisation sols : reconnaissance et essais (CNSRE) Laboratoire régional des Ponts et Chaussées de l'est parisien
Plus en détailUnivers Vivant Révision. Notions STE
Univers Vivant Révision Notions STE Chap. 13) L Écologie 1) a) Qu est-ce que l empreinte écologique? L empreinte écologique correspond à la surface terrestre et aquatique totale nécessaire à un individu,
Plus en détailAGREGATION DE BIOCHIMIE GENIE BIOLOGIQUE
AGREGATION DE BIOCHIMIE GENIE BIOLOGIQUE CONCOURS EXTERNE Session 2005 TRAVAUX PRATIQUES DE BIOCHIMIE PHYSIOLOGIE ALCOOL ET FOIE L éthanol, psychotrope puissant, est absorbé passivement dans l intestin
Plus en détailATELIER IMAGEJ. Différentes applications vous sont proposées pour apprendre à utiliser quelques fonctions d ImageJ :
Différentes applications vous sont proposées pour apprendre à utiliser quelques fonctions d ImageJ : 1. ANALYSE QUANTITATIVE D UN GEL D ELECTROPHORESE... 2 2. NUMERATION DE COLONIES BACTERIENNES SUR UNE
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailHépatite chronique B Moyens thérapeutiques
Hépatite chronique B Moyens thérapeutiques Dr Olfa BAHRI Laboratoire de Virologie Clinique Institut Pasteur de Tunis INTRODUCTION Plus de 300. 10 6 porteurs chroniques de VHB dans le monde Hépatite chronique
Plus en détailLarge succès de l introduction en bourse de Genomic Vision sur Euronext à Paris qui lève 23,0 M
Communiqué de presse 1 er avril 2014 GÉNOMIQUE TESTS DE DIAGNOSTIC GÉNÉTIQUE R&D Large succès de l introduction en bourse de Genomic Vision sur Euronext à Paris qui lève 23,0 M Offre sursouscrite 4,7 fois,
Plus en détailGestion et entretien des Installations Electriques BT
Durée : 5 jours Gestion et entretien des Installations Electriques BT Réf : (TECH.01) ² Connaître les paramètres d une installation basse tension, apprendre les bonnes méthodes de gestion et entretien
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détail4 : MÉTHODES D ANALYSE UTILISÉES EN ÉCOLOGIE MICROBIENNE
4 : MÉTHODES D ANALYSE UTILISÉES EN ÉCOLOGIE MICROBIENNE L écologie microbienne (ou étude des micro-organismes de l environnement) étudie : les relations entre les différentes populations de micro-organismes
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailLe Modèle Conceptuel de Virginia Henderson. P. Bordieu (2007)
Le Modèle Conceptuel de Virginia Henderson P. Bordieu (2007) Postulats qui l étayent (= fondements) Valeurs qui le justifient Éléments qui le composent: - But poursuivi - Cible - Rôle de l infirmière -
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailContrôle de l'expression génétique : Les régulations post-transcriptionnelles
Contrôle de l'expression génétique : Les régulations post-transcriptionnelles http://perso.univ-rennes1.fr/serge.hardy/ utilisateur : biochimie mot de passe : 2007 L'ARNm, simple intermédiaire entre le
Plus en détailDétection de fuite hélium Aspect Mesure
Détection de fuite hélium Aspect Mesure Préparé par : F.Rouveyre Date : 24 Octobre 2012 La détection de fuite La détection de fuite par spectrométrie de masse à gaz traceur a plus de 50 ans. Même si cette
Plus en détailTP 03 B : Mesure d une vitesse par effet Doppler
TP 03 B : Mesure d une vitesse par effet Doppler Compétences exigibles : - Mettre en œuvre une démarche expérimentale pour mesurer une vitesse en utilisant l effet Doppler. - Exploiter l expression du
Plus en détailMonitoring de l hémoglobine au bloc opératoire Place d une mesure continue non invasive. C Decoene PH CHRU Lille
Monitoring de l hémoglobine au bloc opératoire Place d une mesure continue non invasive C Decoene PH CHRU Lille objectif Le taux d hémoglobine intervient dans : Le transport d O2 L hémostase L équilibre
Plus en détailPlateforme Transgenèse/Zootechnie/Exploration Fonctionnelle IBiSA. «Anexplo» Service Transgenèse. Catalogue des prestations
Plateforme Transgenèse/Zootechnie/Exploration Fonctionnelle IBiSA «Anexplo» Service Transgenèse Catalogue des prestations 04/01/12 - Page 1 sur 8 Présentation du service de Transgenèse Le service de Transgenèse
Plus en détailIntroduction 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 détailCritères pour les méthodes de quantification des résidus potentiellement allergéniques de protéines de collage dans le vin (OIV-Oeno 427-2010)
Méthode OIV- -MA-AS315-23 Type de méthode : critères Critères pour les méthodes de quantification des résidus potentiellement allergéniques de protéines de collage (OIV-Oeno 427-2010) 1 Définitions des
Plus en détailLeucémies de l enfant et de l adolescent
Janvier 2014 Fiche tumeur Prise en charge des adolescents et jeunes adultes Leucémies de l enfant et de l adolescent GENERALITES COMMENT DIAGNOSTIQUE-T-ON UNE LEUCEMIE AIGUË? COMMENT TRAITE-T-ON UNE LEUCEMIE
Plus en détailIMMUNOLOGIE. La spécificité des immunoglobulines et des récepteurs T. Informations scientifiques
IMMUNOLOGIE La spécificité des immunoglobulines et des récepteurs T Informations scientifiques L infection par le VIH entraîne des réactions immunitaires de l organisme qui se traduisent par la production
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailMYRIAD. l ADN isolé n est à présent plus brevetable!
MYRIAD La Cour Suprême des Etats-Unis revient sur plus de 30 ans de pratique : l ADN isolé n est à présent plus brevetable! Mauvaise passe pour les inventions en biotechnologies sur le territoire américain.
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailGénoToul 2010, Hôtel de Région Midi Pyrénées, Toulouse, 10 décembre 2010
GénoToul 2010, Hôtel de Région Midi Pyrénées, Toulouse, 10 décembre 2010 Analyse de la diversité moléculaire des régions génomiques de 30 gènes du développement méristématique dans une core collection
Plus en détailLa reconnaissance moléculaire: la base du design rationnel Modélisation moléculaire: Introduction Hiver 2006
La reconnaissance moléculaire: la base du design rationnel En 1890 Emil Fisher a proposé le modèle "serrure et clé" pour expliquer la façon de fonctionner des systèmes biologiques. Un substrat rentre et
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailUE : GENE 2208. Responsable : Enseignant : ECUE 1. Enseignant : ECUE 2. Dr COULIBALY Foungotin Hamidou
UE : GENE 2208 Responsable : Enseignant : ECUE 1 Enseignant : ECUE 2 Dr COULIBALY Foungotin Hamidou Spécialités : Génétique Humaine Biologie de la Procréation Cytogénétique Spermiologie Essais Cliniques
Plus en détaile-biogenouest CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé
e-biogenouest Coordinateur : Olivier Collin Animateur : Yvan Le Bras CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé
Plus en détailEnvironmental Research and Innovation ( ERIN )
DÉpartEment RDI Environmental Research and Innovation ( ERIN ) Le département «Environmental Research and Innovation» (ERIN) du LIST élabore des stratégies, des technologies et des outils visant à mieux
Plus en détail23. 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 détailMASTER (LMD) MANAGEMENT DE PROJET ET INNOVATION EN BIOTECHNOLOGIE
MASTER (LMD) MANAGEMENT DE PROJET ET INNOVATION EN BIOTECHNOLOGIE RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : BIOLOGIE SANTE Spécialité
Plus en détailANALYSE DU BESOIN. L ANALYSE FONCTIONNELLE par Jean-Marie VIRELY & all (ENS Cachan) Cette présentation décrit l outil «Analyse du Besoin».
-- Cette présentation décrit l outil «Analyse du Besoin». AA-GC-CL-JMV Page mis à jour le oct 00 L'objectif L'Analyse du Besoin est une méthode qui permet de caractériser le besoin exprimé -- L objet est
Plus en détailCapteur à CO2 en solution
Capteur à CO2 en solution Référence PS-2147CI Boîtier adaptateur Sonde ph Sonde température Sonde CO2 Page 1 sur 9 Introduction Cette sonde est conçue pour mesurer la concentration de CO 2 dans les solutions
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailLes OGM. 5 décembre 2008. Nicole Mounier
Les OGM 5 décembre 2008 Nicole Mounier Université Claude Bernard Lyon 1 CGMC, bâtiment Gregor Mendel 43, boulevard du 11 Novembre 1918 69622 Villeurbanne Cedex OGM Organismes Génétiquement Modifiés Transfert
Plus en détailSemestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments»
Master In silico Drug Design Semestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments» 30NU01IS INITIATION A LA PROGRAMMATION (6 ECTS) Responsables : D. MESTIVIER,
Plus en détailInformatique. epims : un LIMS pour la gestion des données de spectrométrie de masse TECHNOLOGIE APPLIQUÉE
Véronique DUPIERRIS 1, Damien BARTHE 2, Christophe BRULEY 2 epims : un LIMS pour la gestion des données de spectrométrie de masse Informatique RÉSUMÉ La protéomique constitue aujourd hui un outil de choix
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailLes réseaux cellulaires
Les réseaux cellulaires Introduction Master 2 Professionnel STIC-Informatique Module RMHD 1 Introduction Les réseaux cellulaires sont les réseaux dont l'évolution a probablement été la plus spectaculaire
Plus en détailLes outils de génétique moléculaire Les techniques liées aux acides nucléiques
Les outils de génétique moléculaire Les techniques liées aux acides nucléiques Sommaire Preparation des acides nucléiques Extraction / purification Les enzymes agissant sur les acides nucléiques Les enzymes
Plus en détailBiochimie I. Extraction et quantification de l hexokinase dans Saccharomyces cerevisiae 1. Assistants : Tatjana Schwabe Marcy Taylor Gisèle Dewhurst
Biochimie I Extraction et quantification de l hexokinase dans Saccharomyces cerevisiae 1 Daniel Abegg Sarah Bayat Alexandra Belfanti Assistants : Tatjana Schwabe Marcy Taylor Gisèle Dewhurst Laboratoire
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailTHESE. pour obtenir LE GRADE DE DOCTEUR. Spécialité INFORMATIQUE. Ecole Doctorale : Informatique et Information pour la Société. par Sylvain BLACHON
N D'ORDRE : 2007-ISAL-0034 ANNEE 2007 THESE présentée devant L'INSTITUT NATIONAL DES SCIENCES APPLIQUEES DE LYON pour obtenir LE GRADE DE DOCTEUR Spécialité INFORMATIQUE Ecole Doctorale : Informatique
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailRéunion du réseau de génétique du Département EFPA
17 19 novembre 2014 Centre INRA de Nancy Lorraine Programme Lundi 17 novembre Salle Tilleul 13:00 Bus pour l'inra depuis la gare de Nancy 14:00 14:30 Introduction de la réunion tour de table 14:30 14:45
Plus en détailComment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain?
DOSSIER SOLUTION Solution CA Virtual Placement and Balancing Comment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain? agility made possible La solution automatisée
Plus en détailTS 35 Numériser. Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S
FICHE Fiche à destination des enseignants TS 35 Numériser Type d'activité Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S Compétences
Plus en détailTowards realistic modeling of IP-level topology dynamics
Towards realistic modeling of IP-level topology dynamics Clémence Magnien, Amélie Medem, Fabien Tarissan LIP6, CNRS et UPMC Sorbonne Universités Algotel 2012 Mai 2012 La Grande Motte, Hérault, France Etude
Plus en détailSciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION
Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailSUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION)
Terminale S CHIMIE TP n 2b (correction) 1 SUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION) Objectifs : Déterminer l évolution de la vitesse de réaction par une méthode physique. Relier l absorbance
Plus en détailUne conférence-débat proposée par l Institut National de la Recherche Agronomique
Economies d'énergies dans les procédés agro-alimentaires : l'optimisation coût/qualité, un équilibre pas si facile à maîtriser Une conférence-débat proposée par l Institut National de la Recherche Agronomique
Plus en détailLaboratoire de Photophysique et de Photochimie Supra- et Macromoléculaires (UMR 8531)
Unité Mixte du CNRS (UMR8531) Institut de Chimie Directeur : Keitaro NAKATANI (PU ENS Cachan) Courrier électronique : nakatani@ppsm.ens-cachan.fr http://www.ppsm.ens-cachan.fr Problématique générale :
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailSéquence 6. Mais ces espèces pour autant ne sont pas identiques et parfois d ailleurs ne se ressemblent pas vraiment.
Sommaire Séquence 6 Nous avons vu dans les séances précédentes qu au cours des temps géologiques des espèces différentes se sont succédé, leur apparition et leur disparition étant le résultat de modifications
Plus en détailJEU VIDEO : UN NOUVEAU COMPAGNON par Colette KELLER-DIDIER
JEU VIDEO : UN NOUVEAU COMPAGNON par Colette KELLER-DIDIER JEU VIDEO : UN NOUVEAU COMPAGNON par Colette KELLER-DIDIER ALS (séance du 11 mai 2003) 48 Jeu video : un nouveau compagnon (Colette KELLER-DIDIER)
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailLES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION
LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION DES NOMBRES par Jean-Luc BREGEON professeur formateur à l IUFM d Auvergne LE PROBLÈME DE LA REPRÉSENTATION DES NOMBRES On ne conçoit pas un premier enseignement
Plus en détailAlgorithmique I. Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr. Algorithmique I 20-09-06 p.1/??
Algorithmique I Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr Télécom 2006/07 Algorithmique I 20-09-06 p.1/?? Organisation en Algorithmique 2 séances par semaine pendant 8 semaines. Enseignement
Plus en détail