Utilisation de la DSC (calorimétrie
différentielle à balayage) pour outil
diagnostique du gliome
Olga Ichimbayeva
Center fo...
Introduction Traitement des données Conclusion
Plan de la presentation
Calorimétrie différentielle à balayage (DSC)
Plasma ...
Introduction Traitement des données Conclusion
Calorimétrie différentielle à balayage
Une technique utilisée pour étudier l...
Introduction Traitement des données Conclusion
Calorimétrie différentielle à balayage
Tm change
Figure: DSC courbe pour une...
Introduction Traitement des données Conclusion
Calorimétrie différentielle à balayage
Figure: Deux macromolécules (ou une m...
Introduction Traitement des données Conclusion
Plasma sanguin et calorimétrie différentielle à balayage
La composition: Alb...
Introduction Traitement des données Conclusion
Plasma sanguin et calorimétrie différentielle à balayage
Figure: Profile de p...
Introduction Traitement des données Conclusion
Glioma
Il n’y a pas des analyses pre-cause et pas invasives
Incidence : 6 /...
Introduction Traitement des données Conclusion
Les échantillons et l’objective
Les échantillons:
17 patients en deux momen...
Introduction Traitement des données Conclusion
Analyse des courbes
Prétraitement des données
Normalisation de la concentra...
Introduction Traitement des données Conclusion
Prétraitement des courbes
Figure: Les données brutes
Olga Ichimbayeva Calor...
Introduction Traitement des données Conclusion
Prétraitement des courbes
Figure: Courbes de DSC et du deuxième balayage
Ol...
Introduction Traitement des données Conclusion
Prétraitement des courbes
Figure: Courbes après la soustraction de la deuxi...
Introduction Traitement des données Conclusion
Prétraitement des courbes
Figure: Soustraction de la ligne de base
Olga Ich...
Introduction Traitement des données Conclusion
Préparation des courbes
Figure: Courbes après prétraitement
Olga Ichimbayev...
Introduction Traitement des données Conclusion
Méthodes pour l’identification des paramètres des courbes et les
comparaison...
Introduction Traitement des données Conclusion
Analyse des courbes: déconvolution
Déconvolution - décomposition de la fonc...
Introduction Traitement des données Conclusion
Analyse des courbes: déconvolution
Choisir les paramètres des piques initia...
Introduction Traitement des données Conclusion
Analyse des courbes: déconvolution
Figure: Déconvolution des échantillons d...
Introduction Traitement des données Conclusion
Analyse des courbes: classification supervisée
Objectif de la classification:...
Introduction Traitement des données Conclusion
Analyse des courbes: classification
Utiliser comme les variables le valeur C...
Introduction Traitement des données Conclusion
Questions?
Merci pour votre attention!
Olga Ichimbayeva Calorimétrie différe...
Prochain SlideShare
Chargement dans…5
×

Olga Ichimbayeva_CRO2_M2BBSG

130 vues

Publié le

0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
130
Sur SlideShare
0
Issues des intégrations
0
Intégrations
12
Actions
Partages
0
Téléchargements
1
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Olga Ichimbayeva_CRO2_M2BBSG

  1. 1. Utilisation de la DSC (calorimétrie différentielle à balayage) pour outil diagnostique du gliome Olga Ichimbayeva Center for Research in Oncobiology and Oncopharmacology CRO2 Encadrants: Francois Devred et Philippe Tsvetkov, Aix-Marseille Université, Faculté de Pharmacie Master 2 Recherche: BioInformatique, Biochimie Structurale et Génomique Mars 14, 2016
  2. 2. Introduction Traitement des données Conclusion Plan de la presentation Calorimétrie différentielle à balayage (DSC) Plasma sanguin Maladie gliome Prétraitement des données de DSC Méthodes pour diagnostic du gliome Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  3. 3. Introduction Traitement des données Conclusion Calorimétrie différentielle à balayage Une technique utilisée pour étudier le thermostabilité des macromolécules. ∆H et Tm sont unique pour chaque macromolécule. Figure: DSC courbe pour une protéine Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  4. 4. Introduction Traitement des données Conclusion Calorimétrie différentielle à balayage Tm change Figure: DSC courbe pour une macromolécule avec ligand Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  5. 5. Introduction Traitement des données Conclusion Calorimétrie différentielle à balayage Figure: Deux macromolécules (ou une macromolécule avec deux domaines), ∆H1, Tm1 et ∆H2 et Tm2 Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  6. 6. Introduction Traitement des données Conclusion Plasma sanguin et calorimétrie différentielle à balayage La composition: Albumin, IGG, IGA, A2M, HAPT, A1AT Figure: Profil de plasma sanguin pour les sains (DSC courbes) Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  7. 7. Introduction Traitement des données Conclusion Plasma sanguin et calorimétrie différentielle à balayage Figure: Profile de plasma sanguin pour les sains et les patients avec cancer du côlon (Biochim Biophys Acta. 2012 Dec;1820(12):1879-85) Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  8. 8. Introduction Traitement des données Conclusion Glioma Il n’y a pas des analyses pre-cause et pas invasives Incidence : 6 / 100 000 3 à 5 % des tumeurs primitives de l’adulte Examen clinique: biopsie, IRM, examen neurologique Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  9. 9. Introduction Traitement des données Conclusion Les échantillons et l’objective Les échantillons: 17 patients en deux moment du temps (34) N sains (dans 1 mois) L’objective de stage: préparer des courbes des sains et des malades pour l’analyse identifier des paramètres des courbes comparer ces courbes créer les intervalles pour l’examen clinique du gliome Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  10. 10. Introduction Traitement des données Conclusion Analyse des courbes Prétraitement des données Normalisation de la concentration Soustraction de ligne de la deuxième scan Soustraction de ligne de base Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  11. 11. Introduction Traitement des données Conclusion Prétraitement des courbes Figure: Les données brutes Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  12. 12. Introduction Traitement des données Conclusion Prétraitement des courbes Figure: Courbes de DSC et du deuxième balayage Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  13. 13. Introduction Traitement des données Conclusion Prétraitement des courbes Figure: Courbes après la soustraction de la deuxième scan Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  14. 14. Introduction Traitement des données Conclusion Prétraitement des courbes Figure: Soustraction de la ligne de base Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  15. 15. Introduction Traitement des données Conclusion Préparation des courbes Figure: Courbes après prétraitement Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  16. 16. Introduction Traitement des données Conclusion Méthodes pour l’identification des paramètres des courbes et les comparaison: Déconvolution des courbes Classification des courbes Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  17. 17. Introduction Traitement des données Conclusion Analyse des courbes: déconvolution Déconvolution - décomposition de la fonction en plusieurs sous-fonctions Figure: Déconvolution des échantillons sains (noir), exemple Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  18. 18. Introduction Traitement des données Conclusion Analyse des courbes: déconvolution Choisir les paramètres des piques initiales: largeur, hauteur, center; Choisir l’équation pour régler les paramètres des pics (fitting): Gaussian, Hubbert; Régler les paramétrés pour chaque pic. Minimiser la fonction d’erreur. Figure: Déconvolution des échantillons sains (noir), exemple Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  19. 19. Introduction Traitement des données Conclusion Analyse des courbes: déconvolution Figure: Déconvolution des échantillons de patients (cancer du côlon) et sains (Sci. Rep. 5, 7988; DOI:10.1038/srep07988, 2015) Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  20. 20. Introduction Traitement des données Conclusion Analyse des courbes: classification supervisée Objectif de la classification: identifier les classes auxquelles appartiennent des objets à partir de traits descriptifs (attributs, caractéristiques). Supervisé: les classes sont connues pour les objects. Figure: Classification, example Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  21. 21. Introduction Traitement des données Conclusion Analyse des courbes: classification Utiliser comme les variables le valeur Cp dans chaque valeur de la température (≈ 340 variables); Ajouter des variable "artificielles" (aire sous la courbe ou des paramètres de la déconvolution); Faire la sélection de variables; Appliquer les méthode de classification sur R (LDA, QDA, kNN). Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies
  22. 22. Introduction Traitement des données Conclusion Questions? Merci pour votre attention! Olga Ichimbayeva Calorimétrie différentielle à balayage pour détection des maladies

×