Reconstruction de profils moléculaires : modélisation et inversion d'une chaîne de mesure protéomique

• Auteur / Autrice : Grégory Strubel
• Direction : Jean-François Giovannelli, Pierre Grangeat
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, parole, télécoms
• Date : Soutenance en 2008
• Etablissement(s) : Grenoble INPG

Mots clés

Mots clés contrôlés

Spectrométrie de masse

Protéomique

Monte-Carlo, Méthode de

Théorème de Bayes

Résumé

Des systèmes basés sur la chromatographie et la spectrométrie de masse sont utilisés pour analyser les échantillons biologiques comme l'urine ou le sang. Cette thèse propose une méthode, qui à partir des données, mesure la concentration de biomarqueurs. Dans la première partie du travail, nous élaborons un modèle décrivant chaque module de la chaîne d'analyse. Cependant, pour s'abstraire des fluctuations expérimentales, notre méthode doit évaluer certains paramètres instrument en plus des concentrations. La seconde partie consiste à traiter ce problème d'estimation non linéaire dans le cadre des approches statistiques bayésiennes. Cette démarche nous permet d'introduire de l'information supplémentaire, sous la forme de lois de probabilité, afin de régulariser le problème. La méthode est structurée autour d'un estimateur de la moyenne a posteriori. Sa mise en œuvre algorithmique utilise une boucle de Gibbs incluant un échantillonneur de Metropolis-Hastings.

Systems based on chromatography and mass spectrometry are used to analyse biologic samples like urine or blood. This thesis proposes a method which measures the concentration of biomarkers in data. In the first part we elaborate a model which describes each module of the analytic chain. In order to manage experimental fluctuation, our method estimates some instrumental parameters in addition to concentrations. The second part deals with this non linear estimation problem in a Bayesian statistical framework. This approach gives us the possibility to include additional information by using probability laws to regularize the problem. The method is built on a posterior mean estimator. Its implementation uses a Gibbs algorithm including a Metropolis-Hastings sampler.