Vendredi 14 janvier 2011
IRMA
Cette demi-journée sera consacrée aux modèles hiérarchiques.
- Lieu : Petit amphithéâtre de mathématiques (Bâtiment UFR math/info, RdC)
- Horaires : 14H-18H
Organisateurs :
- Frédéric Bertrand et Myriam Maumy-Bertrand, IRMA, Université de Strasbourg et CNRS
- Nicolas Meyer, (PU-PH), Laboratoire de Biostatistique et Informatique Médicale, Faculté de Médecine de Strasbourg / Pôle Santé Publique Santé au Travail, Hôpitaux Universitaires de Strasbourg.
L'inscription est gratuite mais obligatoire. merci de compléter le formulaire en ligne.
-
Vendredi 14 janvier 2011
-
14:00 - 15:00
Jean-Louis Fouley, INRA/Dept of Animal Genetics/GABI/PsGen, CR Jouy-Domaine de Vilvert
Modèles bayésiens hiérachiques: éléments de base et applications en biostatistique
-
15:00 - 16:00
Eric Parent, UMR 518, Math. et Informatique Appliquées, AgroParistech, Paris
Un modèle hiérarchique à composante partagée pour représenter la façon dont les communautés de poissons varient en fonction de la température des rivières et des régimes d'écoulement.Etude de trois groupes de juvéniles dans la partie supérieure du Rhône
Un modèle hiérarchique est développé pour analyser les réponses des variations annuelles des peuplements de poissons aux modifications de la température et aux régimes de débit. Une variable latente -l'hypersignal- représente la source commune de variation de l'environnement et des données biologiques. Cette composante partagée relie deux ensembles de variables de différents types: d'un côté, la variable latente peut être comprise comme le facteur d'une analyse en composantes principales des variables explicatives de l'environnement, de l'autre côté, elle doit être considérée comme un régresseur logistique dans un modèle de réponse multinomiale pour les abondances relatives de diverses espèces de poissons collectées lors de pêches electriques. -
16:00 - 17:00
Andrea Rau, INRIA, Orsay
Inférence rétrospective de réseaux de gènes avec Approximate Bayesian Computation (ABC)
Les réseaux de gènes régulateurs représentent un ensemble de gènes qui interagissent, directement ou indirectement, les uns avec les autres ainsi qu'avec d'autres produits cellulaires. Ces interactions règlementent le taux de transcription des gènes et la production subséquente de protéines. Le développement des technologies telles que les puces à ADN et le séquençage à ultra-haut débit (RNA sequencing) permettent une étude simultanée de l'expression des milliers de gènes chez un organisme au cours du temps. Avec ces données temporelles, il est possible d'inférer (soit « reverse-engineer ») la structure des réseaux biologiques qui s'impliquent pendant un processus cellulaire particulier. Cependant, ces réseaux sont en général très compliqués et difficilement élucidés, surtout vu le grand nombre de gènes considérés et le peu de répliques biologiques disponibles dans la plupart des données expérimentales. Dans cette optique, nous proposons une nouvelle application des méthodes de Approximate Bayesian Computation (ABC), qui exploitent les techniques de simulation pour permettre l'inférence des modèles avec un vraisemblance complexe ou insoluble. Notre méthode, qui s'appelle ABC for Networks (ABC-Net), est basée sur une procédure de Monte Carlo par chaînes de Markov (MCMC), qui échantillonne des lois a posteriori d'un réseau de gènes. Nous étudions le performance de cette approche avec des simulations et un vrai jeu de données sur un réseau de réparation génétique chez Escherichia coli.