Support of temporal structure in the statistical analysis of high-throughput proteomic data
Prise en compte de la structure temporelle dans l'analyse de données protéomiques à haut débit
Résumé
Each year, in France, over 100 000 people suffer from myocardial infarction (MI) which, for some of them, lead to a left ventricular remodeling (LVR) and heart failure (HF). Studies have shown that during a year following MI, LVR is a risk factor for HF and cardiovascular death. Finding biomarkers which can detect early stage of LVR or HF after a MI is a leading public health matter. We are aiming at selecting few proteins responsible for LVR and survival, using not only baseline measurements of over 5000 proteins on 2 cohorts of around 240 patients each, but also using three additional longitudinal measurements of these proteins available on one of the two cohorts. In a first time, we will present how we developped a prediction survival model by creating cluster of patients. In a second time, we will focus on the longitudinal dimension of the data and explore how this dimension could help selecting relevant proteins for predicting survival using only baseline measurment. To handle the longitudinal (and high) dimension of the data, clustering of longitudinal data will be studied in order to create groups of proteins that could be used in a selection model.
Chaque année, en France, plus de 100 000 personnes déclarent un infarctus du myocarde (IM) qui, pour certains d'entre eux, conduit à un remodelage ventriculaire gauche (RVG) et à de l'insuffisance cardiaque (IC). De précédentes études ont montré que la présence d'un RVG suite à un infarctus était un facteur de risque d'IC et de décès pour causes cardiovasculaires. La rechercher de biomarqueurs permettant la prédiction du RVG ou de la survie à un stade précoce est donc un problème de santé publique. Notre but, ici, est de sélectionner un petit nombre de protéines liées au RVG ou à la survie en utilisant les mesures de plus de 5000 protéines sur deux cohortes d'environs 240 patients chacune disponibles au moment de l'infarctus, mais aussi à trois temps supplémentaires pour l'une des deux cohortes. Dans un premier temps, nous présenterons un modèle prédictif de la survie basé sur la création de clusters de patients. Puis, nous nous concentrerons sur la dimension longitudinale des données et explorerons comment cette dimension peut nous être utile dans la sélection de protéines pour la prédiction précoce de la survie des patients. Afin de modéliser la dimension longitudinale et la grande dimension des données un clustering longitudinal sera d'abord étudié afin de créer des groupes de protéines pouvant ensuite être utilisés dans un modèle de prédiction de la survie.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|