Détection de l'expression génique différentielle avec une méthode de mélange hiérarchique semi-paramétrique

La modélisation par mélange offre une approche efficace au problème de l'expression différentielle dans l'analyse des données de microarrays. Des méthodes basées sur des modèles de mélange entièrement paramétriques sont disponibles, mais un manque d'ajustement dans certains exemples indique que des modèles plus flexibles peuvent être bénéfiques. Les modèles de mélange existants, plus flexibles, fonctionnent au niveau des statistiques résumées spécifiques aux gènes unidimensionnelles, et donc, lorsqu'il y a relativement peu de mesures par gène, ces méthodes peuvent ne pas fournir de détecteurs sensibles d'expression différentielle. Nous proposons un modèle de mélange hiérarchique pour fournir une méthodologie qui est à la fois sensible à la détection de l'expression différentielle et suffisamment flexible pour tenir compte de la variabilité complexe des données de microarrays normalisées. Des algorithmes basés sur l'EM sont utilisés pour ajuster à la fois les versions paramétriques et semi-paramétriques du modèle. Nous restreignons notre attention au problème de comparaison à deux échantillons ; une expérience impliquant des microarrays Affymetrix et la traduction de levures fournit l'étude de cas motivante. Les probabilités a posteriori spécifiques aux gènes de l'expression différentielle constituent la base des inférences statistiques ; elles définissent de courtes listes de gènes et des taux de fausses découvertes. Comparé à plusieurs méthodologies concurrentes, la méthodologie proposée présente de bonnes caractéristiques de fonctionnement dans une étude de simulation, sur l'analyse de données de spike-in, et dans un calcul de validation croisée.