252
Toxicologie nucléaire environnementale et humaine
extraits, alignés et restitués sous la forme d’une matrice contenant les variables
(identifiées par un déplacement chimique pour la RMN, ou par un rapport m/z et
un temps de rétention pour les techniques chromatographiques couplées à la spectrométrie de masse) et des numéros échantillons. Les valeurs contenues dans la
matrice correspondent aux aires ou aux intensités de chaque variable pour chacun
des échantillons. Différents logiciels de traitement des données sont actuellement
disponibles. Certains d’entre eux sont des logiciels commerciaux, fournis ou non
par les fabricants d’instruments, d’autres sont des logiciels libres.
2.3.4. Les analyses statistiques multivariées
Les techniques d’analyses statistiques multivariées sont utilisées pour organiser
et visualiser les données d’analyse métabolomique. Elles permettent de synthétiser
et de visualiser rapidement une grande quantité d’information, ceci en projetant
les données initiales dans un espace de dimensions réduites qui permet une visualisation aisée de l’ensemble des données. Certaines méthodes dérivées de la PLS
(de 1 anglais projection to latent structures) telles que la PLSDA (analyse discriminante PLS) ou 1 OPLS (de l’anglais orthogonal projection to latent structures)
sont particulièrement intéressantes lorsque l’on étudie des milieux complexes tels
que les biofluides de mammifères (plasma, urines) où les multiples sources de
variabilités peuvent masquer les phénomènes biologiques à étudier (Trygg et ol.,
2.3.5. L’identification des signaux d’intérêt biologique
RMN ou, en LC/mCh
Un m$tabolite reP°se sur une homologie de spectres
de MS/MS ou de MS"
de retentlon chromatographique et de spectres
métabolite de référé™
6 6 comP°sd Présent dans la matrice biologique et le
spectrales, biochimie
S°UVent d’ongine commerciale. Des bases de données
ce travail d’identificatinr
encore métaboliques constituent une aide efficace à
que le signal à caraeté ’ (Werner et al., 2008). Cependant, il arrive très souvent
alors à réaliser une
présent da"s ~ de ces banques. Il reste
de proposer une struct
af?piofondæ des spectres de masse et de RMN afin
chimiste organicien
° im^ue flu’ devra ensuite être synthétisée par un
Grâce à la
PenpeCÜVeS de l>an^fyse métabolomique ?
de । informatique, l’analvse rn Ja,C^'mæ analytique, des méthodes statistiques et
détections multiparamétriane ° a ° om'clue permet non seulement de réaliser des
partir des empreintes mét-ih^r ma*S ^a^ement ^e faire de la fouille de données à ;
mettre en relation avec des inf^UeS
en extraire des signaux que l’on pourra :
es effets secondaires liés à I °rrnatl°ns contextuelles, telles qu’une pathologie011 '
se révéler particulièrement
d'Un médicament. Ce type d’approche devrait |
e SL1ggèrent des publications t
teUI ^ans 'e domaine de la toxicologie, comme .
rai ant de la toxicité des métaux lourds vis-à-vis de
Toxicologie nucléaire environnementale et humaine
extraits, alignés et restitués sous la forme d’une matrice contenant les variables
(identifiées par un déplacement chimique pour la RMN, ou par un rapport m/z et
un temps de rétention pour les techniques chromatographiques couplées à la spectrométrie de masse) et des numéros échantillons. Les valeurs contenues dans la
matrice correspondent aux aires ou aux intensités de chaque variable pour chacun
des échantillons. Différents logiciels de traitement des données sont actuellement
disponibles. Certains d’entre eux sont des logiciels commerciaux, fournis ou non
par les fabricants d’instruments, d’autres sont des logiciels libres.
2.3.4. Les analyses statistiques multivariées
Les techniques d’analyses statistiques multivariées sont utilisées pour organiser
et visualiser les données d’analyse métabolomique. Elles permettent de synthétiser
et de visualiser rapidement une grande quantité d’information, ceci en projetant
les données initiales dans un espace de dimensions réduites qui permet une visualisation aisée de l’ensemble des données. Certaines méthodes dérivées de la PLS
(de 1 anglais projection to latent structures) telles que la PLSDA (analyse discriminante PLS) ou 1 OPLS (de l’anglais orthogonal projection to latent structures)
sont particulièrement intéressantes lorsque l’on étudie des milieux complexes tels
que les biofluides de mammifères (plasma, urines) où les multiples sources de
variabilités peuvent masquer les phénomènes biologiques à étudier (Trygg et ol.,
2.3.5. L’identification des signaux d’intérêt biologique
RMN ou, en LC/mCh
Un m$tabolite reP°se sur une homologie de spectres
de MS/MS ou de MS"
de retentlon chromatographique et de spectres
métabolite de référé™
6 6 comP°sd Présent dans la matrice biologique et le
spectrales, biochimie
S°UVent d’ongine commerciale. Des bases de données
ce travail d’identificatinr
encore métaboliques constituent une aide efficace à
que le signal à caraeté ’ (Werner et al., 2008). Cependant, il arrive très souvent
alors à réaliser une
présent da"s ~ de ces banques. Il reste
de proposer une struct
af?piofondæ des spectres de masse et de RMN afin
chimiste organicien
° im^ue flu’ devra ensuite être synthétisée par un
Grâce à la
PenpeCÜVeS de l>an^fyse métabolomique ?
de । informatique, l’analvse rn Ja,C^'mæ analytique, des méthodes statistiques et
détections multiparamétriane ° a ° om'clue permet non seulement de réaliser des
partir des empreintes mét-ih^r ma*S ^a^ement ^e faire de la fouille de données à ;
mettre en relation avec des inf^UeS
en extraire des signaux que l’on pourra :
es effets secondaires liés à I °rrnatl°ns contextuelles, telles qu’une pathologie011 '
se révéler particulièrement
d'Un médicament. Ce type d’approche devrait |
e SL1ggèrent des publications t
teUI ^ans 'e domaine de la toxicologie, comme .
rai ant de la toxicité des métaux lourds vis-à-vis de