REGULAR ARTICLES

Dans ce papier, nous proposons un modèle hiérarchique bayésien prenant simultanément en compte les effets liés au support (i.e. la puce) pour détecter les gènes différentiellement exprimés. Nous montrons comment interpréter et utiliser les informations obtenues pour définir la liste des gènes nécessitant des investigations supplémentaires. Nous montrons empiriquement que la prise en compte des effets de support influençant les niveaux d'expression est nécessaire et nous explorons différentes fonctions non linéaires dans notre approche modèle-dépendante de normalisation des données. Notre modèle inclus des variances gène-spécifiques mais impose des contraintes relatives à la structure hiérarchique. La validité du modèle est discutée sur la base de contrôles prédictifs a posteriori. Modéliser les effets de support (la normalisation) simultanément avec les niveaux d'expression conduit à moins de résultats faussement positifs. Pour optimiser le choix de la liste de gènes d'intérêt, nous proposons de combiner plusieurs critères (par exemple la variation relative et l'expression totale) dans une variable indicatrice pour chaque gène. La distribution a posteriori de ces variables indicatrices est utilisée pour définir la liste de gènes d'intérêt, prenant ainsi en compte l'incertitude sur l'estimation des paramètres. Dans une application sur des données de souris invalidées, les annotations de Gene Ontology sur- et sous-représentées parmi les gènes de la liste choisie sont en accord avec les prévisions biologiques.