Analyse des données
 
Normalisation
Pour remédier les erreurs systématiques et rendre plusieures expériences comparables entre elles, l'étape de normalisation est essentielle. La correction peut se faire par normalisation avec des spots de contrôle, normalisation globale par regression linéaire, normalisation locale par lowess (locally weighted scatterplot smoother), normalisation par aiguille, normalisation intralame et interlames (Yang et al. 2002).
Nos outils de normalisation: ArrayPlot (Marc P., 2002), Varan (Golfier et al, 2004) et le logiciel R 2.4.0.
Représentation des données normalisées par regression linéaire avec ArrayPlot (intensités de signaux)
Représentation des données normalisées par lowess avec Varan (MA plot)
Représentation des données normalisées par lowess et par aiguille avec le logiciel R (box-plot)
 
Ratio d'expression
Le rapport entre l'expression des gènes dans les deux conditions differentes (les deux cibles) comparées sur la biopuce, représente le ratio d'expression.
 
Analyse de variance
En raison de la variabilité expérimentale, des méthodes statistiques appropriées doivent être mises en place, d'où la nécessité de disposer de plusieurs répétitions pour une analyse robuste. L'analyse de variance permet de prendre en compte dans un premier temps les différents facteurs de variabilité.
 
Outils de calcul et de stockage de données: Microsoft Excel, Microsoft Access, SAM (Significance Analysis of Microarrays) , GEPAS, R 2.4.0. Tous nos outils répondent aux normes MIAME (Minimum information about a microarray experiment).

 

retour plateforme des biopuces végétales