Soutenance mémoire
OBTENTION DES SIGNATURES BIOLOGIQUES DES ECHANTILLONS
Orthogonal signal correction
Les données obtenues lors de notre étude sont sujettes à de fortes variations induites par différents facteurs (alimentation, sexe, âge, race…). Des méthodes de prétraitement peuvent donc être utilisées afin de mettre en exergue l’information pertinente et obtenir ainsi un modèle plus simple de l’étude pour une interprétation plus aisée. La filtration par «Orthogonal Signal Correction» (OSC) a été développée pour enlever la variation orthogonale de Y dans X (Trygg, 2002). Dans notre cas, X représente toutes les variables, et Y, les facteurs choisis pour la réalisation des OSC.Ainsi, l’OSC permet de s’affranchir de la variation de facteurs qui ne sont pas intéressants dans l’étude et qui viennent compliquer la représentation graphique des données.
Régression Partial Least Square
La régression «Partial Least Square» (PLS) est une extension du modèle de régression linéaire multiple.Elle est utilisée lorsque l’on cherche à réaliser une régression d’une ou plusieurs variables à expliquer sur des variables explicatives x1,… , xp qui peuvent être fortement corrélées entre elles (Tenenhaus, 1998). La présence de données manquantes est acceptée et il peut y avoir un grand nombre de variables explicatives, même supérieur au nombre d’observations. Par ailleurs, les coefficients de régression doivent être interprétables. C’est-àdire que l’on souhaite prendre en compte le fait que le chercheur mesure la contribution de la variable xj à la construction de la variable Y à l’aide du coefficient de régression (Wold, 1983).La PLS permet donc de trouver les relations fondamentales entre deux matrices notées X et Y (dans notre cas, X représente toutes les variables et Y le statut des chevaux de l’étude). Caractérisation métabolique de l’intoxication liée à l’ingestion d’Hypochaeris radicata chez le cheval
La démarche statistique de notre étude
Après obtention des données de la RMN, des analyses statistiques multidimensionnelles (ACP et AFD) ont été effectuées avec le logiciel Splus 2000® version 2.0 (Insightful Corp, Seattle, WA) avec les bibliothèques de fonction Mass et Multidim.
Une ACP a d’abord été réalisée pour observer la dispersion des individus et voir si certaines tendances au regroupement apparaissaient parmi les échantillons.
Ensuite, des AFD ont été effectuées, toujours avec Splus 2000®, sur la base de classes établies selon le statut, le stade, le traitement, l’écurie… Ces analyses ont été réalisées sur les données transformées en log (fonction logarithmique en base 10).Cependant, le nombre de variables générées par RMN est généralement nettement supérieur au nombre d’échantillons. Cette redondance d’informations empêche l’inversion des matrices de variances – covariances. Afin de retirer les variables redondantes, une double filtration a été réalisée, correspondant à une analyse successive de la variance et des corrélations issues du plan expérimental (Dumas et al., 2002).La première filtration est basée sur une ANOVA (ANalysis Of VAriance) en utilisant un facteur d’intérêt. Cette étape va nous permettre de révéler les variables significativement affectées par le plan expérimental. Lors de cette ANOVA, les variables non significatives sont écartées avec un seuil p = 0.05 (quand p > 0,05, la variable est écartée de la sélection). Ce seuil correspond à la valeur de la probabilité associée de l’analyse de variance et est fixé par l’opérateur.Ensuite, une deuxième filtration est effectuée. Il s’agit d’un processus de sélection «pas-à-pas» de variables, en utilisant les variables préalablement sélectionnées par l’ANOVA.Cette deuxième filtration de variables correspond en fait à une introduction de variables. En effet, à chaque «pas», le coefficient de corrélation partielle entre chaque variable candidate encore en lice et la variable de classe est calculé. Il code pour la distribution des individus en groupes. La variable dont la valeur prédictive de l’espace d’information restant est la plus élevée est sélectionnée tandis que les variables linéairement corrélées au sous-espace déjà sélectionné sont rejetées. Ainsi, la filtration sélectionne les variables très prédictives de l’espace d’information restant, qui est orthogonal à l’espace d’information modelé par les variables déjà sélectionnées.Cette sélection se termine lorsque toutes les variables sont sélectionnées ou lorsque les coefficients de corrélation sont tous inférieurs à un seuil final de 10-4 (valeur par défaut). Caractérisation métabolique de l’intoxication liée à l’ingestion d’Hypochaeris radicata chez le cheval.La double filtration effectuée nous permet donc d’obtenir une combinaison unique de variables informatives et indépendantes.Enfin, les variables sélectionnées au terme de l’analyse pas-à-pas, ont été exportées sous SAS® version 8.01 (SAS Institute Inc, Cary, NC) pour calculer les corrélations canoniques et les distances de Mahalanobis entre les groupes.Les corrélations canoniques correspondent aux coefficients de corrélation par projection orthogonale des variables sélectionnées selon chacune des directions factorielles discriminantes.
Les distances de Mahalanobis permettent d’analyser les proximités entre les groupes par comparaison des distances entre ces groupes tout en prenant en compte la variabilité de chaque variable (Trygg, 2002).Par ailleurs, les données recueillies étaient sujettes à de fortes variations dues à un grand nombre de sources (environnement, mode de vie, alimentation, climat…), certaines d’entre elles ont subi des OSC avec différents facteurs grâce au logiciel Simca-P 11.0 (Umea, Sweden). En effet, les OSC permettent de souligner les informations réellement utiles afin de simplifier le modèle et d’en faciliter son interprétation.Ensuite, des PLS (Partial Least Square) ont pu être réalisées avec différents facteurs comme le statut des chevaux, animaux traités ou non, type de traitement…
|
Guide du mémoire de fin d’études avec la catégorie médecine vétérinaire |
|
Étudiant en université, dans une école supérieur ou d’ingénieur, et que vous cherchez des ressources pédagogiques entièrement gratuites, il est jamais trop tard pour commencer à apprendre et consulter une liste des projets proposées cette année, vous trouverez ici des centaines de rapports pfe spécialement conçu pour vous aider à rédiger votre rapport de stage, vous prouvez les télécharger librement en divers formats (DOC, RAR, PDF).. Tout ce que vous devez faire est de télécharger le pfe et ouvrir le fichier PDF ou DOC. Ce rapport complet, pour aider les autres étudiants dans leurs propres travaux, est classé dans la catégorie Hypochaeris Radicata où vous pouvez trouver aussi quelques autres mémoires de fin d’études similaires.
|
Table des matières
INTRODUCTION
INTRODUCTION DE L’ETUDE
MATERIEL ET METHODES
I. LE RECRUTEMENT DES SUJETS
II. LA REALISATION ET LE STOCKAGE DES PRELEVEMENTS
III. LES TRAITEMENTS
1) La phénytoïne
2) La taurine
IV. OBTENTION DES SIGNATURES BIOLOGIQUES DES ECHANTILLONS
1) La métabonomique
2) La spectroscopie par résonance magnétique nucléaire
a/ Principes fondamentaux
b/ Principes physiques de la RMN
Le spin nucléaire
Notion de moment magnétique
Phénomène de résonance
La structure des spectres
La fréquence de résonance et la notion de coefficient d’écran
Le déplacement chimique
Le couplage spin-spin
La discrétisation des spectres
c/ Réalisation pratique
V. REPRESENTATION DES DONNEES
ANALYSES STATISTIQUES MULTIVARIEES
1) L’analyse en composantes principales
2) L’analyse factorielle discriminante
3) Les distances de Mahalanobis
4) Le T2 de Hotelling
5) Orthogonal signal correction
6) Régression Partial Least Square
7) La démarche statistique de notre étude
RESULTATS
I. CARACTERISATION DE L’ECHANTILLON
1) Mode de vie des individus de l’étude
2) Répartition en fonction des écuries
3) Répartition en fonction de l’âge des chevaux
4) Répartition en fonction du sexe
5) Répartition en fonction du statut
6) Le suivi dans le temps
7) Répartition en fonction du traitement
II. L’ETUDE STATISTIQUE
1) Analyse en composante principale (ACP)
2) Analyse factorielle discriminante (AFD) et la sélection des variables
a/ Etude des 4 groupes notés A à D créés avec les ACP
Analyse factorielle discriminante
La sélection des variables
b/ Influence des statuts sur les profils métaboliques
Analyse factorielle discriminante
La sélection des variables
3) AFD obtenues après transformation OSC
a/ Influence des statuts sur les profils métaboliques
b/ Etude des profils métaboliques des individus malades
Analyse factorielle discriminante
La sélection des variables
c/ Effet du grade clinique et du traitement
Analyse factorielle discriminante
La sélection des variables
d/ Effet du traitement
Analyse factorielle discriminante
La sélection des variables
e/ Effet de la durée d’évolution de la maladie
Analyse Factorielle Discriminante
La sélection des variables
DISCUSSION
I. OBJECTIFS ET REALISATION
II. LES DIFFICULTES RENCONTREES SUR LE TERRAIN
III. PLASMA VERSUS URINE
IV. LES ANALYSES STATISTIQUES
1) La séparation des individus en deux groupes
2) Les traitements
a/ La phénytoïne
b/ La taurine
3) Le nombre d’individus de l’étude
a/ Evolution du Harper Australien au cours du temps
b/ L’effet traitement
4) L’AFD en fonction du statut des chevaux
5) Les individus suspects de l’étude
V. LES VARIABLES EXPLICATIVES ET METABOLITES CORRESPONDANTS
1) Influence des statuts sur les profils métaboliques
2) Etude des 4 groupes notés A à D créés avec les ACP
3) Profils métaboliques des individus malades
4) Effet du grade clinique et du traitement
5) Effet du traitement
6) Effet de la durée d’évolution de la maladie
CONCLUSION
REFERENCES BIBLIOGRAPHIQUES
LISTE DES PRINCIPALES ABREVIATIONS UTILISEES
Télécharger le rapport complet
