Les peptides communs à plusieurs protéines: les vilains petits canards de la protéomique
|
|
- Pascal Lessard
- il y a 6 ans
- Total affichages :
Transcription
1 Les peptides communs à plusieurs protéines: les vilains petits canards de la protéomique Mélisande Blein-Nicolas 19 septembre 2014 Journée Bucoliques, les mathématiques?, INRA Jouy-en-Josas 1/35
2 1 Qu'est-ce que la protéomique? Dénitions Champs d'étude de la protéomique 2 Un outil incontournable : la spectrométrie de masse 3 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les méthodes les plus couramment utilisées 4 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Evaluation des performances 5 Pour conclure... 6 Remerciements 2/35
3 Qu'est-ce que la protéomique? Dénitions 1 Qu'est-ce que la protéomique? Dénitions Champs d'étude de la protéomique 2 Un outil incontournable : la spectrométrie de masse 3 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les méthodes les plus couramment utilisées 4 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Evaluation des performances 5 Pour conclure... 6 Remerciements 3/35
4 Qu'est-ce que la protéomique? Dénitions Proteome et protéomique PROTEOME : complément en PROTEines exprimées par un genome (Wilkins et al., 1995). Protéomique : étude du protéome (abondance, modications, interactions, localisation, structure et fonction des protéines) 4/35
5 Qu'est-ce que la protéomique? Champs d'étude de la protéomique 1 Qu'est-ce que la protéomique? Dénitions Champs d'étude de la protéomique 2 Un outil incontournable : la spectrométrie de masse 3 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les méthodes les plus couramment utilisées 4 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Evaluation des performances 5 Pour conclure... 6 Remerciements 5/35
6 Qu'est-ce que la protéomique? Champs d'étude de la protéomique La protéomique inventaire Identier l'ensemble des protéines présentes dans un compartiment donné pour : ˆ déterminer la structure primaire des gènes ˆ prouver expérimentalement l'expression et la traduction d'un gène ˆ localiser les protéines ˆ conrmer/découvrir des composants des complexes protéiques ˆ caractériser des modifs post-trad ˆ faire un bilan des fonctions exercées dans le compartiment étudié 6/35
7 Qu'est-ce que la protéomique? Champs d'étude de la protéomique La protéomique comparative Analyser les modications du protéome entre plusieurs conditions génétiques ou environnementales pour : ˆ identier les protéines dont la quantité ou les modifs post-trad évoluent ˆ identier les voies métaboliques et les fonctions cellulaires aectées ˆ proposer des relations de cause à eet entre les variations du protéome et les variations de caractères d'intérêt 7/35
8 Un outil incontournable : la spectrométrie de masse 1 Qu'est-ce que la protéomique? Dénitions Champs d'étude de la protéomique 2 Un outil incontournable : la spectrométrie de masse 3 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les méthodes les plus couramment utilisées 4 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Evaluation des performances 5 Pour conclure... 6 Remerciements 8/35
9 Un outil incontournable : la spectrométrie de masse Qu'est-ce que la spectrométrie de masse (MS)? Méthode d'identication des molécules présentes dans un échantillon à partir de leur masse atomique ou moléculaire 9/35
10 Un outil incontournable : la spectrométrie de masse Principe d'une analyse protéomique par LC-MS/MS 10/35
11 Un outil incontournable : la spectrométrie de masse Traitement des données pour l'identication des protéines Les données expérimentales acquises en MS2 sont confrontées aux bases de données par un logiciel d'interrogation 11/35
12 Un outil incontournable : la spectrométrie de masse Traitement des données pour la quantication des protéines Spectral counting : nombre de spectres MS2 par protéine 12/35
13 Un outil incontournable : la spectrométrie de masse Traitement des données pour la quantication des protéines Spectral counting : nombre de spectres MS2 par protéine Intégration des courants d'ions extraits (XIC) : aire sous les pics du chromatogramme 12/35
14 Un outil incontournable : la spectrométrie de masse Traitement des données pour la quantication des protéines Spectral counting : nombre de spectres MS2 par protéine Intégration des courants d'ions extraits (XIC) : aire sous les pics du chromatogramme ˆ dénir et isoler les pics ˆ relier les infos de quanti (MS1) et d'identication (MS2) ˆ aligner les temps de rétention entre les échantillons ˆ estimer des abondances de protéine à partir des données peptidiques 12/35
15 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte 1 Qu'est-ce que la protéomique? Dénitions Champs d'étude de la protéomique 2 Un outil incontournable : la spectrométrie de masse 3 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les méthodes les plus couramment utilisées 4 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Evaluation des performances 5 Pour conclure... 6 Remerciements 13/35
16 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte L'eet peptide Tous les peptides ne répondent pas de manière identique à l'ionisation : Comment prendre en compte cet eet du peptide? 14/35
17 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les peptides communs à plusieurs protéines Issus de l'épissage alternatif ou des gènes dupliqués Comment déconvoluer l'information portée par les peptides communs? 15/35
18 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte La taille et la structure des jeux de données Gros jeux de données : x1000 protéines, x10000 peptides, x100 échantillons Les jeux de données peuvent être très déséquilibrés : ˆ nombreuses données manquantes liées au seuil de détection du spectromètre ˆ données parfois inexistantes (par exemple en cas de polymorphisme génétique) 16/35
19 Estimer des abondances de protéine à partir des peptides Les méthodes les plus couramment utilisées 1 Qu'est-ce que la protéomique? Dénitions Champs d'étude de la protéomique 2 Un outil incontournable : la spectrométrie de masse 3 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les méthodes les plus couramment utilisées 4 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Evaluation des performances 5 Pour conclure... 6 Remerciements 17/35
20 Estimer des abondances de protéine à partir des peptides Les méthodes les plus couramment utilisées Les méthodes simples Pour chaque protéine dans chaque échantillon : ˆ somme ou moyenne des intensités des 3 peptides les plus abondants ˆ somme des intensités tous les peptides ˆ moyenne des rapports d'intensité des peptides entre deux conditions Problèmes de ces méthodes : ˆ Pas de prise en compte de l'eet peptide ˆ Toutes les données ne sont pas exploitées (les peptides communs sont supprimés) ˆ Quand on somme des intensités de peptides, on somme aussi les erreurs 18/35
21 Estimer des abondances de protéine à partir des peptides Les méthodes les plus couramment utilisées Les méthodes basées sur la modélisation statistique Clough et al Pas de modèle satisfaisant permettant de prendre en compte l'information portée par les peptides communs à plusieurs protéines 19/35
22 Comment inclure les peptides communs? 1 Qu'est-ce que la protéomique? Dénitions Champs d'étude de la protéomique 2 Un outil incontournable : la spectrométrie de masse 3 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les méthodes les plus couramment utilisées 4 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Evaluation des performances 5 Pour conclure... 6 Remerciements 20/35
23 Comment inclure les peptides communs? Présentation du jeu de données Objectif : analyser la diversité génétique du protéome des levures de la fermentation alcoolique 9 S. cerevisiae et 6 S. uvarum en condition oenologiques Echantillons à 30% de dégagement de CO2 3 réplicats indépendants, soit 45 échantillons LC-MS/MS : 654 protéines identiées, 7146 peptides quantiés, observations 21/35
24 Comment inclure les peptides communs? Objectif de l'analyse statistique Détecter les protéines dont l'abondance varie entre les souches : ˆ Estimer P kt = abondance de la protéine k dans la souche t ˆ Comparer les P k. par un test de comparaisons multiples ˆ Si p-value signicative, il existe au moins deux souches t et t' telles que P kt P kt Rappel : ˆ a i = k δ ik P k ˆ I i = α i a i ˆ et donc log(i i ) = α i + log( k δ ik P k ) 22/35
25 Comment inclure les peptides communs? Modèle 1 : protéine par protéine, sans peptide commun Pour chaque protéine k, on modélise : log(i itr ) = m + β t + α i + B r + C tr + ε itr ˆ β t = eet xe de la souche t ˆ m + β t = log(p kt ) ˆ α i = eet xe du peptide i ˆ B r N (0, σ 2 ) = eet aléatoire du réplicat r B ˆ C tr N (0, σ 2 ) = eet aléatoire de l'injection tr C ˆ ε itr N (0, σ 2 ε) = erreur résiduelle 23/35
26 Comment inclure les peptides communs? Modèle 1 : protéine par protéine, sans peptide commun Avantages : simple (facile à coder sous R) et rapide Inconvénient : peu de données pour estimer les eets aléatoires ˆ σ 2 B et σ2 C variables d'une protéine à une autre ˆ risque de détecter des faux-positifs ou des faux-négatifs 24/35
27 Comment inclure les peptides communs? Modèle 1 : protéine par protéine, sans peptide commun Avantages : simple (facile à coder sous R) et rapide Inconvénient : peu de données pour estimer les eets aléatoires ˆ σ 2 B et σ2 C variables d'une protéine à une autre ˆ risque de détecter des faux-positifs ou des faux-négatifs Mettre les eets aléatoires en eets xes? ˆ augmente le nombre de paramètres à estimer ˆ augmente la variance de l'estimateur de P kt ˆ perte de puissance = risque de ne pas détecter (faux-négatifs) 24/35
28 Comment inclure les peptides communs? Modèle 2 : toutes les protéines ensemble, sans peptide commun Pour l'ensemble des protéines, on modélise : log(i itr ) = m + β t + γ kt + α i + B r + C tr + ε itr ˆ β t = eet xe de la souche t ˆ γ kt = eet xe de l'interaction souche t x protéine k ˆ m + β t + γ kt = log(p kt ) ˆ α i = eet xe du peptide i ˆ B r N (0, σ 2 ) = eet aléatoire du réplicat r B ˆ C tr N (0, σ 2 ) = eet aléatoire de l'injection tr C ˆ ε itr N (0, σ 2 ε) = erreur résiduelle 25/35
29 Comment inclure les peptides communs? Modèle 2 : toutes les protéines ensemble, sans peptides commun Avantage : susamment de données pour estimer correctement la variance des eets aléatoires 26/35
30 Comment inclure les peptides communs? Modèle 2 : toutes les protéines ensemble, sans peptides commun Avantage : susamment de données pour estimer correctement la variance des eets aléatoires Inconvénient : mise en oeuvre moyennement facile ˆ problème de sur-paramétrisation : ajout de contraintes sur les paramètres, mettre l'eet peptide en aléatoire ˆ modication des contrastes pour obtenir log(p kt ) = m + β t + γ kt ˆ Problème de mémoire sous R pour analyser le jeu de données entier : couper le jeu de données en morceaux 26/35
31 Comment inclure les peptides communs? Modèle 3 : toutes les protéines ensemble, avec peptides communs Rappel modèle 2 : log(i itr ) = log(p kt ) + α i + B r + C tr + ε itr Généralisation : log(i itr ) = log( k δ ik P kt ) + D i + B r + C tr + ε itr ˆ δ ik = 1 si i k, 0 sinon ˆ P kt = exp(θ kt ) ˆ D i N (0, σ 2 ) = eet aléatoire du peptide i D ˆ B r N (0, σ 2 ) = eet aléatoire du réplicat r B ˆ C tr N (0, σ 2 ) = eet aléatoire de l'injection tr C ˆ ε itr N (0, σ 2 ε) = erreur résiduelle 27/35
32 Comment inclure les peptides communs? Modèle 3 : toutes les protéines ensemble, avec peptides communs Avantage : permet de prendre en compte l'ensemble des peptides Inconvient : estimation des paramètres diciles car modèle non-linéaire 28/35
33 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien 1 Qu'est-ce que la protéomique? Dénitions Champs d'étude de la protéomique 2 Un outil incontournable : la spectrométrie de masse 3 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les méthodes les plus couramment utilisées 4 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Evaluation des performances 5 Pour conclure... 6 Remerciements 29/35
34 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Principe de l'inférence bayésienne 30/35
35 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Implémentation dans un cadre bayésien 31/35
36 Comment inclure les peptides communs? Evaluation des performances 1 Qu'est-ce que la protéomique? Dénitions Champs d'étude de la protéomique 2 Un outil incontournable : la spectrométrie de masse 3 Estimer des abondances de protéine à partir des peptides Les dicultés à prendre en compte Les méthodes les plus couramment utilisées 4 Comment inclure les peptides communs? Implémentation du modèle dans un cadre bayésien Evaluation des performances 5 Pour conclure... 6 Remerciements 32/35
37 Comment inclure les peptides communs? Evaluation des performances Gains du modèle 3 par rapport au modèle 1 Blein-Nicolas et al /35
38 Conclusions Pour conclure... 34/35
39 Remerciements Remerciements 35/35
MABioVis. 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 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 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 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 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 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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailCritère du choix des variables auxiliaires à utiliser dans l'estimateur par calage
des variables auxiliaires à utiliser dans l'estimateur par calage Mohammed El Haj Tirari Institut National de Statistique et d'economie Appliquée - roc Laboratoire de Statistique d'enquêtes, CREST - Ensai
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
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 détailEpidémiologie appliquée aux sciences vétérinaires DES DAOA DES - DEA
Epidémiologie appliquée aux sciences vétérinaires DES DAOA DES - DEA Claude SAEGERMAN Département des maladies infectieuses et parasitaires, Service d épidémiologie et analyse de risques appliquées aux
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 détailModélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr
Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant
Plus en détailAnnée : Team-War Jaafar AMRANI-MESBAHI Fabien GARCIA Abdelali NAIT BELKACEM Rahma NAKARA Philippe NGUYEN
Projet de Fin d'étude Rapport de gestion de projet Recherche de méthode d'estimation de volume de production à risque Équipe 5e me Année : Team-War Jaafar AMRANI-MESBAHI Fabien GARCIA Abdelali NAIT BELKACEM
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
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 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 détailChapitre 2 Les ondes progressives périodiques
DERNIÈRE IMPRESSION LE er août 203 à 7:04 Chapitre 2 Les ondes progressives périodiques Table des matières Onde périodique 2 2 Les ondes sinusoïdales 3 3 Les ondes acoustiques 4 3. Les sons audibles.............................
Plus en détailCentre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles
CEA-N-1195 Note CEA-N-1195 Centre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles Service d'etudes de Protections de Piles PROPAGATION DES NEUTRONS
Plus en détail1.5 0.5 -0.5 -1.5 0 20 40 60 80 100 120. (VM(t i ),Q(t i+j ),VM(t i+j ))
La logique oue dans les PME/PMI Application au dosage de l'eau dans les bétons P.Y. Glorennec INSA de Rennes/IRISA glorenne@irisa.fr C. Hérault Hydrostop christophe@hydrostop.fr V. Hulin Hydrostop vincent@hydrostop.fr
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailUTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY
UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY Yvan Le Bras yvan.le_bras@irisa.fr Cyril Monjeaud, Mathieu Bahin, Claudia Hériveau, Olivier Quenez, Olivier Sallou, Aurélien Roult, Olivier
Plus en détailChapitre 4 - Spectroscopie rotationnelle
Chapitre 4 - Spectroscopie rotationnelle 5.1 Classification Déterminer à quelle catégorie (sphérique, symétrique, asymétrique) appartiennent ces molécules : a) CH 4, b) CH 3 F, c) CH 3 D, d) SF 6, e) HCN,
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 détailTEMPÉRATURE DE SURFACE D'UNE ÉTOILE
TEMPÉRATURE DE SURFACE D'UNE ÉTOILE Compétences mises en jeu durant l'activité : Compétences générales : Etre autonome S'impliquer Elaborer et réaliser un protocole expérimental en toute sécurité Compétence(s)
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 détailWindows Internet Name Service (WINS)
Windows Internet Name Service (WINS) WINDOWS INTERNET NAME SERVICE (WINS)...2 1.) Introduction au Service de nom Internet Windows (WINS)...2 1.1) Les Noms NetBIOS...2 1.2) Le processus de résolution WINS...2
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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailCHAPITRE 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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailSpécialisation 3A AgroSup Dijon IAA Microbiologie Industrielle et Biotechnologie (MIB)
Spécialisation 3A AgroSup Dijon IAA Microbiologie Industrielle et Biotechnologie (MIB) Responsable : Jean-François Cavin (Pr. Microbiologie Biotechnologie) Tel 03 80 77 40 72, Fax 03 80 77 23 84 jf.cavin@agrosupdijon.fr
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailEquilibrage de charge multi-critère pour les serveurs DNS(SEC)
Equilibrage de charge multi-critère pour les serveurs DNS(SEC) Stanislas Francfort, Stéphane Sénécal, Qinghui Xu, Daniel Migault 6 décembre 2010 Résumé Cet article présente le problème de répartition de
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 détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
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 détailMass Spec/tacular. performance, productivité et fiabilité. Systèmes CPL/SM Agilent série 6000. Our measure is your success.
Systèmes CPL/SM Agilent série 6000 Mass Spec/tacular performance, productivité et fiabilité. Our measure is your success. products applications software services Une «spectacular» lignée CPL/SM Si vous
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailPartie Observer : Ondes et matière CHAP 04-ACT/DOC Analyse spectrale : Spectroscopies IR et RMN
Partie Observer : Ondes et matière CHAP 04-ACT/DOC Analyse spectrale : Spectroscopies IR et RMN Objectifs : Exploiter un spectre infrarouge pour déterminer des groupes caractéristiques Relier un spectre
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
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 détailEcole Préparatoire SNV Université d Oran Semestre 02 2014/2015 Matière : Travaux d Initiative Personnelle Encadrés (TIPE) Prof. M. Z.
Ecole Préparatoire SNV Université d Oran Semestre 02 2014/2015 Matière : Travaux d Initiative Personnelle Encadrés (TIPE) Prof. M. Z. TALEB Avec quel outil? Comment? Trouvez-vous facilement l information?
Plus en détailL'analyse de données. Polycopié de cours ENSIETA - Réf. : 1463. Arnaud MARTIN
L'analyse de données Polycopié de cours ENSIETA - Réf : 1463 Arnaud MARTIN Septembre 2004 Table des matières 1 Introduction 1 11 Domaines d'application 2 12 Les données 2 13 Les objectifs 3 14 Les méthodes
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 détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailStratégie optimale de stockage de déchets à vie longue
Stratégie optimale de stockage de déchets à vie longue Bertrand Villeneuve Université Paris-Dauphine bertrand.villeneuve@dauphine.fr 3 octobre 211 Ce texte présente des calculs théoriques et indications
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailRésonance Magnétique Nucléaire : RMN
21 Résonance Magnétique Nucléaire : RMN Salle de TP de Génie Analytique Ce document résume les principaux aspects de la RMN nécessaires à la réalisation des TP de Génie Analytique de 2ème année d IUT de
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détail- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE
- MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détail2 e partie de la composante majeure (8 points) Les questions prennent appui sur six documents A, B, C, D, E, F (voir pages suivantes).
SUJET DE CONCOURS Sujet Exploitation d une documentation scientifique sur le thème de l énergie 2 e partie de la composante majeure (8 points) Les questions prennent appui sur six documents A, B, C, D,
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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
Plus en détailPlan de formation Personnel de l UCE
Plan de formation Personnel de l UCE Juin 2015 Sommaire Contexte Termes de référence du consultant Environnementales et Sociales Termes de référence pour l archivage électronique des documents Proposition
Plus en détailStages - le calendrier
Stages - le calendrier BIOCHIMIE ET BIOTECHNOLOGIES Ingénieurs pluridisciplinaires formés en chimie, biochimie analytique et fonctionnelle, biologie cellulaire et moléculaire, microbiologie, physiologie
Plus en détailCollecte de données auprès des refuges pour femmes battues et enfants
Collecte de données auprès des refuges pour femmes battues et enfants Kirstina Stenager, consultante auprès du Conseil National des Services sociaux, Ministère de l'enfance, de l'égalité des genres, de
Plus en détailENSEIGNEMENT DES SCIENCES ET DE LA TECHNOLOGIE A L ECOLE PRIMAIRE : QUELLE DEMARCHE?
ENSEIGNEMENT DES SCIENCES ET DE LA TECHNOLOGIE A L ECOLE PRIMAIRE : QUELLE DEMARCHE? Les nouveaux programmes 2008 confirment que l observation, le questionnement, l expérimentation et l argumentation sont
Plus en détailEvaluation de cépages résistants ou tolérants aux principales maladies cryptogamiques de la vigne
VITICULTURE 27 Evaluation de cépages résistants ou tolérants aux principales maladies cryptogamiques de la vigne Marc Chovelon Grab Mathieu Combier Chambre d Agriculture du Var Gilles Masson Centre du
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
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 détailFiche 19 La couleur des haricots verts et cuisson
Fiche 19 La couleur des haricots verts et cuisson Objectif : Valider ou réfuter des «précisions culinaires»* permettant de "conserver une belle couleur verte" lors la cuisson des haricots verts frais (gousses
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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailChapitre 1. Une porte doit être ouverte et fermée. 1.1 Les enjeux de l'informatique quantique
Chapitre Une porte doit être ouverte et fermée Crois et tu comprendras ; la foi précède, l'intelligence suit. Saint Augustin. Les enjeux de l'informatique quantique La puissance de calcul des ordinateurs
Plus en détailL importance du suivi du dioxyde de carbone (CO 2. ) dans la production de dindes
FICHE D INFORMATION L importance du suivi du dioxyde de carbone (CO 2 ) dans la production de dindes info.hybrid@hendrix-genetics.com www.hybridturkeys.com Dans la production de dindes, la performance
Plus en détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
Plus en détailConférence technique internationale de la FAO
Décembre 2009 ABDC-10/7.2 F Conférence technique internationale de la FAO Biotechnologies agricoles dans les pays en développement: choix et perspectives pour les cultures, les forêts, l élevage, les pêches
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailLe principe de prudence : Les amortissements
Le principe de prudence : Les s Chapitre 13 Introduction La mise en situation comprend 5 parties I Le principe de prudence II L III Plan d IV Enregistrement V Les cessions d immobilisations Il faut garder
Plus en détailComparaison de populations
Ricco Rakotomalala Comparaison de populations Tests paramétriques Version 1.2 Université Lumière Lyon 2 Page: 1 job: Comp_Pop_Tests_Parametriques macro: svmono.cls date/time: 11-Jun-2013/6:32 Page: 2 job:
Plus en détailThermo Scientific Training Courses. La clé de la réussite pour votre laboratoire. Catalogue Formations 2015 Suisse
Thermo Scientific Training Courses La clé de la réussite pour votre laboratoire Catalogue Formations 2015 Suisse Investissez dans le développement des compétences de votre équipe Votre personnel est le
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 détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailBases de données des mutations
Bases de données des mutations CFMDB CFTR2 CFTR-France / Registre Corinne THEZE, Corinne BAREIL Laboratoire de génétique moléculaire Montpellier Atelier Muco, Lille, 25-27 septembre 2014 Accès libre http://www.genet.sickkids.on.ca/app
Plus en détailANALYSE DE RISQUE AVEC LA MÉTHODE MEHARI Eric Papet e.papet@dev1-0.com Co-Fondateur SSII DEV1.0 Architecte Logiciel & Sécurité Lead Auditor ISO 27001
ANALYSE DE RISQUE AVEC LA MÉTHODE MEHARI Eric Papet e.papet@dev1-0.com Co-Fondateur SSII DEV1.0 Architecte Logiciel & Sécurité Lead Auditor ISO 27001 PLAN Introduction Générale Introduction MEHARI L'analyse
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
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 détailEtude théorique de Processus de Processus Photophysiques dans des Protéines Fluorescentes
ORSAY N d'ordre : 9847 Université Paris Sud 11 Faculté des sciences d'orsay Etude théorique Etude théorique de Processus de Processus Photophysiques dans des Protéines dans des Protéines Fluorescentes
Plus en détailPROGRAMME (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!-.!#- $'( 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 détailAptitude : Identifiez les Meilleurs Talents Plus Vite et à Moindre Coût
Aptitude : Identifiez les Meilleurs Talents Plus Vite et à Moindre Coût L'utilisation des évaluations, nous a aidé à gagner en objectivité dans l'étude du potentiel d'un candidat, plus que via l'analyse
Plus en détailMode d'emploi du plugin Grayscale_Granulometry
Mode d'emploi du plugin Grayscale_Granulometry D. Legland 27 mars 2013 Mode d'emploi rapide du plugin Grayscale Granulometry pour ImageJ. Le plugin permet de calculer des courbes de granulométrie en niveaux
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 détailCURSUS MUSIQUES TRADITIONNELLES
CURSUS MUSIQUES TRADITIONNELLES Tableau de suivi de CURSUS DEPARTEMENT DE MUSIQUES TRADITIONELLES Le mode de notation s'éffectue sur /20, la moyenne de validation d'un UV étant 10/20. 1er CYCLE Acquisitions
Plus en détailDIAPOSITIVE 1 Cette présentation a trait à la réglementation sur les thérapies cellulaires.
Produits de thérapie cellulaire DIAPOSITIVE 1 Cette présentation a trait à la réglementation sur les thérapies cellulaires. DIAPOSITIVE 2 La fabrication des thérapies cellulaires est examinée par la Division
Plus en détailLe management des risques de l entreprise Cadre de Référence. Synthèse
Le management des risques de l entreprise Cadre de Référence Synthèse SYNTHESE L incertitude est une donnée intrinsèque à la vie de toute organisation. Aussi l un des principaux défis pour la direction
Plus en détailUtilisation des médicaments au niveau des soins primaires dans les pays en développement et en transition
09-0749 1 WHO/EMP/MAR/2009.3 Utilisation des médicaments au niveau des soins primaires dans les pays en développement et en transition Synthèse des résultats des études publiées entre 1990 et 2006 Organisation
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détail