Sélection de composés assistée par inférence bayésienne sur des mesures d'efficacité au ISMB 2020

La présentation de Caroline Labelle: Sélection de composés assistée par inférence bayésienne sur des mesures d’efficacité, a été acceptée à la 28e conférence internationale sur les systèmes intelligent pour la biologie moléculaire (International Conference on Intelligent Systems for Molecular Biology, ISMB) 2020. L’affiche est aussi accessible publiquement en ligne.

Abstract

Les composés chimiques sont testés dans divers essaies à partir desquels des métriques d’efficacité (ME) peuvent être estimées. Les composés sont sélectionnés dans le but d’en identifier au moins un qui soit suffisamment puissant et efficace pour passer à des tests précliniques. La sélection est basée sur des ME répondant à un seuil spécifique ou par comparaison avec d’autres composés. Les méthodes d’analyse actuelles suggèrent uniquement des estimations de ME et considèrent à peine le bruit expérimental inévitable, échouant donc a quantifier l’incertitude sur les ME sur lesquelles repose les conclusions des essaies. Nous proposons d’étendre nos méthodes statistiques rigoureuses introduites précédemment (inférence expectation-maximization (EM)) à un panel de composés. Compte tenu d’un critère d’efficacité, nous visons à identifier les composés avec la probabilité la plus élevée de répondre à ces critères. Nous utilisons un modèle bayésien hiérarchique pour en déduire des tests de dose-réponse. Compte tenu des distributions de valeurs empiriques pour une ME d’intérêts, notre méthode originale de classement retourne la probabilité que chaque composé dans un ensemble puisse atteindre un rang donné. Nous sommes en mesure d’identifier tous les composés d’un ensemble expérimental de dose-réponse avec au moins 1% de chances d’être parmi les meilleurs pour une ME donnée. Pour une analyse plus approfondie, nous générons des graphes dirigés acycliques (GDA) où le chemin entre deux composés indique lequel est statistiquement meilleur.