Просмотр новости
Найдите то, что Вас интересует
Спутники
РН
SpaceX
Роскосмос
NASA
Améliorer l’imputation des valeurs manquantes en protéomique
Дата публикации: 18-06-2025 10:00:00
Основное содержимое страницы с новостью.
Fait marquant | Résultat scientifique
© CEA
Des chercheurs du CEA-Irig/BGE proposent un nouveau modèle statistique pour les valeurs manquantes en protéomique par spectrométrie de masse, ainsi qu’un nouvel algorithme d’imputation plus performant.
En science expérimentale, la collecte d’observations peut être affectée par des valeurs manquantes (définies par une absence de mesures pour une observation donnée). Un trop grand nombre de valeurs manquantes pouvant compromettre l’analyse, l’imputation (c’est-à-dire la complétion des données par l’estimation des mesures qui auraient dues être observées) est dans bien des cas une nécessité et un moindre mal. Cependant, cela est particulièrement difficile en protéomique*, en raison du nombre de valeurs manquantes, mais aussi de leurs multiples origines.
Des chercheurs du CEA-Irig/BGE ont donc proposé un nouveau modèle statistique décrivant conjointement deux types de valeurs manquantes : celles censurées (quand un fragment de protéine n’est pas suffisamment abondant pour être détecté), et celles manquant aléatoirement (résultant de la non-exhaustivité des instruments). De plus, ils ont montré qu’à partir de ce modèle il est possible de dériver un algorithme d’imputation qui maximise les corrélations connues entre biomolécules (protéines et leurs fragments, transcrits, etc.). Enfin, en l’absence de solution analytique à ce problème de maximisation, ils ont implémenté une résolution numérique par réseau de neurones à propagation directe.
Figure : Illustration schématique de l’usage des corrélations entre différentes biomolécules pour réaliser une imputation de valeurs manquantes : plusieurs peptides provenant d’une même protéine (ainsi qu’éventuellement le transcrit ayant permis sa traduction) devant avoir des profils de mesures corrélés, il est pertinent d’imputer les valeurs manquantes afin de maximiser cette corrélation, comme illustré par l’emplacement des « ? » pour le Peptide 4.
L’outil d’imputation ainsi obtenu surpasse toutes les méthodes d’imputation de l’état de l’art, et son utilisation permet d’améliorer significativement les résultats des analyses protéomiques par spectrométrie de masse.
Protéomique* : caractérisation par identification et quantification de l’ensemble des protéines présentes dans un échantillon biologique.
Financements
Travail soutenu par l’ANR via les projets suivants :
- ProFI (ANR-10-INBS-08)
- GRAL CBH (ANR-17-EURE-0003)
- SECRET (ANR-22-CE45-0026)
- DEAP (ANR-15-IDEX-02)
- MIAI @ Grenoble Alpes (ANR-19-P3IA-0003)
Collaboration
Laboratoire Recherche Translationnelle et Innovation en Médecine et Complexité (TIMC) Univ. Grenoble Alpes, CNRS, Grenoble INP
L. Etourneau, L. Fancello, S. Wieczorek, N. Varoquaux and T. Burger.
Penalized likelihood optimization for censored missing value imputation in proteomics.
Biostatistics 2025.
Mots clés : protéomique | apprentissage automatique | EDyP
Схожие новости
Классификация: Наука. Схожих патентов: 0. Схожих новостей: 9. Тональность: 0. Информативность: 5. Источник: www.cea.fr.