Analyse de données longitudinales à haute dimension : application aux données -omiques

Dans le domaine des sciences -omiques, les études longitudinales suscitent un vif intérêt car elles offrent un aperçu dynamique et progressif de la réponse globale d'un système vivant à des stimuli. Ces expériences sont généralement conçues pour comparer les changements observés entre différents groupes et identifier des biomarqueurs capables de définir un état pathologique ou la réponse à un traitement. Les études -omiques génèrent des bases de données caractérisées par un nombre de variables corrélées souvent supérieur au nombre d'observations et dont l'analyse nécessite dès lors des outils statistiques spécifiques. Dans ce contexte, ces dernières années ont vu le développement de méthodes qui permettent l'analyse de données multivariées tout en tenant compte du design expérimental sous-jacent. Parmi ces méthodes, l'ASCA+ et APCA+ ont prouvé qu'elles pouvaient distinguer et analyser de manière efficace les sources de variabilité induites par des facteurs fixes. Cependant, la dimension temporelle des études longitudinales induit une structure dans les données car les observations faites sur un même individu ne peuvent pas être considérées comme indépendantes. La méthode LiMM-PCA, en se basant sur les modèles linéaires mixtes, offre un cadre plus général et permet d'étendre l'utilisation de l'ASCA+/APCA+ à l'analyse de designs plus sophistiqués (eg. mesures répétées, hiérarchiques, multiniveaux). En incluant des effets aléatoires, cette classe de modèles permet en effet de prendre en compte ces structures complexes de manière appropriée. Ce mémoire a pour objectif d'adapter et d'appliquer la méthodologie LiMM-PCA sur un jeu de données issues d'une étude métabolomique longitudinale. Par ailleurs, ce travail a pour but de mettre en évidence les possibilités d'extension de cette méthode à l'analyse de tous types de modèles longitudinaux.