Afficher la notice abrégée

dc.contributor.advisorGiovannelli, Jean-François
dc.contributor.advisorGrangeat, Pierre
dc.contributor.authorSZACHERSKI, Pascal
dc.contributor.otherCharrier, Jean-Philippe
dc.contributor.otherCaron, François
dc.contributor.otherGiremus, Audrey
dc.date2012-12-21
dc.date.accessioned2020-12-14T21:11:32Z
dc.date.available2020-12-14T21:11:32Z
dc.identifier.urihttp://ori-oai.u-bordeaux1.fr/pdf/2012/SZACHERSKI_PASCAL_2012.pdf
dc.identifier.urihttps://oskar-bordeaux.fr/handle/20.500.12278/21804
dc.identifier.nnt2012BOR14740
dc.description.abstractCette thèse préparée au CEA Leti, Minatec Campus, Grenoble, et à l’IMS, Bordeaux, s’inscrit dans le thème du traitement de l’information pour des données protéomiques. Nous cherchons à reconstruire des profils protéiques à partir des données issues de chaînes d’analyse complexes associant chromatographie liquide et spectrométrie de masse. Or, les signaux cibles sont des mesures de traces peptidiques qui sont de faible niveau dans un environnement très complexe et perturbé. Ceci nous a conduits à étudier des outils statistiques adaptés. Ces perturbations peuvent provenir des instruments de mesure (variabilité technique) ou des individus (variabilité biologique). Le modèle hiérarchique de l’acquisition des données permet d’inclure ces variabilités explicitement dans la modélisation probabiliste directe. La mise en place d’une méthodologie problèmes inverses permet ensuite d’estimer les grandeurs d’intérêt. Dans cette thèse, nous avons étudié trois types de problèmes inverses associés aux opérations suivantes: 1. la quantification de protéines cibles, vue comme l’estimation de la concentration protéique, 2. l’apprentissage supervisé à partir d’une cohorte multi-classe, vu comme l’estimation des paramètres des classes, et 3. la classification à partir des connaissances sur les classes, vue comme l’estimation de la classe à laquelle appartient un nouvel échantillon.La résolution des problèmes inverses se fait dans le cadre des méthodes statistiques bayésiennes, en ayant recours pour les calculs numériques aux méthodes d’échantillonnage stochastique (Monte Carlo Chaîne de Markov).
dc.description.abstractEnThis thesis has been prepared at the CEA Leti, Minatec Campus, (Grenoble, France) and the IMS (Bordeaux, France) in the context of information and signal processing of proteomic data. The aim is to reconstruct the proteomic profile from the data provided by complex analytical workflow combining a spectrometer and a chromatograph. The signals are measurements of peptide traces which have low amplitude within a complex and noisy background. Therefore, adapted statistical signal processing methods are required. The uncertainty can be of technical nature (instruments, measurements) or of biological nature (individuals, “patients”). A hierarchical model, describing the forward problem of data acquisition, allows for includingexplicitly those variability sources within the probabilistic model. The use of the inverse problem methodology, finally, leads us to the estimation of the parameters of interest. In this thesis, we have studied three types of inverse problems for the following applications:1. quantification of targeted proteins, seen as estimation of the protein concentration,2. supervised training from a labelled cohort, seen as estimation of distribution parameters for each class,3. classification given the knowledge about the classes, seen as estimation of the class a biological sample belongs to.We solve these inverse problems within a Bayesian framework, resorting to stochastic sampling methods (Monte Carlo Markov Chain) for computation.
dc.language.isofr
dc.subjectProblème inverse
dc.subjectModèles hiérarchiques
dc.subjectMéthodes statistiques bayésiennes
dc.subjectMcmc
dc.subjectGibbs
dc.subjectClassification
dc.subjectApprentissage
dc.subjectQuantification
dc.subjectProtéomique
dc.subjectProtéines
dc.subjectPeptides
dc.subjectFragments
dc.subjectTransitions
dc.subjectSpectrométrie de masse
dc.subjectFull-MS
dc.subjectSelected Reaction Monitoring
dc.subjectChromatographie
dc.subject.enInverse problem
dc.subject.enHierarchical models
dc.subject.enBayesian statistical methods
dc.subject.enMcmc
dc.subject.enGibbs
dc.subject.enClassification
dc.subject.enStatistical learning
dc.subject.enQuantification
dc.subject.enProteomics
dc.subject.enProteins
dc.subject.enPeptides
dc.subject.enFragments
dc.subject.enTransitions
dc.subject.enMass-spectrometry
dc.subject.enFull-MS
dc.subject.enSelected Reaction Monitoring
dc.subject.enChromatography
dc.titleReconstruction de profils protéiques pour la recherche de biomarqueurs
dc.title.enReconstruction of proteomic profiles for biomarker discovery
dc.typeThèses de doctorat
dc.contributor.jurypresidentCommenges, Daniel
bordeaux.hal.laboratoriesThèses de l'Université de Bordeaux avant 2014*
bordeaux.hal.laboratoriesLaboratoire d'Intégration du Matériau au Système
bordeaux.institutionUniversité de Bordeaux
bordeaux.type.institutionBordeaux 1
bordeaux.thesis.disciplineAutomatique, productique, signal et image, ingénierie cognitique
bordeaux.ecole.doctoraleÉcole doctorale des sciences physiques et de l’ingénieur (Talence, Gironde)
star.origin.linkhttps://www.theses.fr/2012BOR14740
dc.contributor.rapporteurIdier, Jérôme
dc.contributor.rapporteurHero, Alfred
bordeaux.COinSctx_ver=Z39.88-2004&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.title=Reconstruction%20de%20profils%20prot%C3%A9iques%20pour%20la%20recherche%20de%20biomarqueurs&rft.atitle=Reconstruction%20de%20profils%20prot%C3%A9iques%20pour%20la%20recherche%20de%20biomarqueurs&rft.au=SZACHERSKI,%20Pascal&rft.genre=unknown


Fichier(s) constituant ce document

FichiersTailleFormatVue

Il n'y a pas de fichiers associés à ce document.

Ce document figure dans la(les) collection(s) suivante(s)

Afficher la notice abrégée