La photométrie par fibre optique est une technique de pointe permettant de capturer en temps réel l'activité cérébrale in vivo chez les animaux de laboratoire. Souvent combinée à des données comportementales enregistrées par vidéo, elle permet aux scientifiques d'établir un lien direct entre le comportement observé et la signalisation cérébrale. Bien que la photométrie par fibre optique soit utile pour de nouvelles expériences comportementales, chaque étape expérimentale (collecte, traitement et analyse des données) comporte un risque d'erreur. Par conséquent, il est essentiel de garantir la reproductibilité des recherches, mais la taille des ensembles de données (jusqu'à 0,25 gigaoctets) rend le contrôle qualité complexe.
JMP Graph Builder offre une interface optimale pour identifier de manière dynamique et efficace les problèmes de contrôle qualité. Dans le cadre d'un projet utilisant la photométrie par fibre optique pour comprendre comment la signalisation de la noradrénaline accompagne le comportement de peur chez les rongeurs, nous avons utilisé JMP pour détecter les décalages entre les données comportementales enregistrées par Ethovision XT et celles issues de la photométrie par fibre optique. Ceci a permis d'identifier facilement les perturbations du suivi comportemental et de garantir la présence des schémas attendus. Ces contrôles qualité ont permis une compréhension rapide des données, des interventions et des corrections appropriées, préservant ainsi l'intégrité de la recherche. De plus, les graphiques de contrôle qualité ont offert aux scientifiques une perspective nouvelle et éclairante sur leurs expériences.
Graph Builder a permis de contrôler la qualité des données pour une analyse sonore réalisée via la plateforme de modélisation JMP. Les scientifiques ont également pu utiliser des scripts JMP et ont été motivés à apprendre à utiliser JMP par eux-mêmes grâce à cette expérience. Dans cette présentation, nous illustrons le problème du contrôle qualité pour les ensembles de données volumineux et complexes, à travers l'exemple de la photométrie des fibres, et comment les fonctionnalités graphiques de JMP nous ont permis de garantir la qualité des données et la reproductibilité des recherches.
Bonjour à tous. Je m'appelle Kate Konrad. Aujourd'hui, je vais vous parler de mon projet : « Utilisation de JMP Graph Builder pour améliorer la qualité des données dans les ensembles de données de photométrie de fibres longitudinales ». Je suis consultante en statistiques au DLH, et nous collaborons avec des scientifiques des Instituts nationaux de la santé (NIH) sur ce projet. Mes collaborateurs travaillaient sur la photométrie de fibres, une technique fascinante qui permet d'observer l'activité nerveuse.
Les scientifiques parviennent à injecter un colorant fluorescent dans le cerveau de ces animaux. Lorsque leur activité cérébrale génère différents signaux de neurotransmetteurs, une caméra observe leur fluorescence. C'est une technique novatrice et fascinante, à la pointe de la recherche neurocomportementale, qui nous permet de comprendre le cerveau d'une manière inédite. Cependant, ces données sont traitées en plusieurs étapes.
Plusieurs logiciels interviennent entre la caméra intégrée au cerveau de la souris et le moment où je reçois les données pour analyse. Ce n'est pas forcément un problème, mais cela augmente simplement le risque d'erreurs dans les différents algorithmes et classificateurs utilisés entre la caméra et mon ensemble de données. Nous souhaitons donc effectuer un contrôle qualité afin de nous assurer que tout s'est déroulé comme prévu.
Ces ensembles de données sont volumineux, ce qui complique la détection d'erreurs éventuelles. Dans le cadre de cette expérience, réalisée avec le logiciel EthoVision XT sur 41 souris différentes, nous disposons d'un enregistrement toutes les 0,04 secondes pendant 10 minutes. Chaque animal a été enregistré à trois reprises, ce qui nous permet d'obtenir trois segments de 10 minutes pour chacun.
Pendant que nous enregistrons les données comportementales, notamment les mouvements des animaux dans l'espace, leur posture (étirée ou recroquevillée), leur immobilité ou leur vitesse de déplacement, nous enregistrons simultanément les mesures des neurotransmetteurs grâce à la photométrie de fibres. Nous observons les signaux de noradrénaline et de dopamine dans le cerveau des animaux pendant leurs mouvements. Nous observons leur activité neuronale.
C'est un point essentiel que nous voulons vérifier. Nous voulons nous assurer de la cohérence entre les mouvements et les signaux de neurotransmetteurs afin de comprendre l'activité corporelle pendant l'activité cérébrale. L'objectif de ce projet était d'identifier toute anomalie dans ces données. Nous souhaitions garantir la présence des schémas attendus et, ainsi, promouvoir l'intégrité de la recherche.
Je vais vous montrer trois exemples de contrôle qualité illustrant comment nous avons traité cet ensemble de données de photométrie par fibres optiques, utilisé JMP Graph Builder et obtenu ainsi des ensembles de données de haute qualité pour une recherche fiable. Commençons par notre premier exemple. Nous allons ouvrir JMP Graph Builder. Je vais vous présenter brièvement cet ensemble de données. Vous voyez que chaque animal possède un identifiant unique. Nous disposons également de deux mesures différentes de son signal cérébral, ici le signal de dopamine.
Nous avons ici leur centre X et leur centre Y. Il s'agit simplement de leur position dans l'espace. L'allongement, c'est-à-dire s'ils sont contractés ou étirés, deux mesures de leur activité, s'ils sont très actifs ou pas du tout mobiles, et ensuite nos trois dates d'exposition différentes, qui sont nos trois points temporels différents.
Nous allons utiliser l'éditeur de graphes. Nous allons l'ouvrir. Voilà. Nous sommes dans l'éditeur de graphes. Nous allons saisir nos coordonnées X et Y, et utiliser des points pour visualiser la position des animaux dans l'espace pendant leurs déplacements. J'aimerais afficher une couleur différente pour chaque animal, afin de bien suivre leur position dans l'espace.
Nous allons déplacer cela vers le bloc de couleur, puis nous allons le séparer pour trois temps d'exposition différents et nous concentrer sur le premier. Nous voyons ici nos différents animaux, qui occupent l'espace XY. Ils le remplissent. En cliquant sur différents animaux, vous pouvez voir comment ils remplissent cet espace avec les différentes couleurs. Certains sont un peu difficiles à distinguer, mais pour d'autres, on voit bien qu'ils occupent généralement tout l'espace. Ils se déplacent assez complètement sur les axes X et Y, sauf celui-ci.
Cet animal, l'animal N091, est resté bien en évidence dans le coin supérieur droit. Il n'occupait pas beaucoup d'espace ; il était juste là. Son apparence est différente. Nous voulions savoir si d'autres mesures présentaient également des anomalies chez cette souris. Ce qui nous amène à notre graphique suivant. Nous allons de nouveau utiliser l'outil de création de graphiques. Cette fois-ci, nous allons examiner la mesure d'allongement. Nous allons créer un diagramme en boîte différent pour chaque animal.
Nous allons à nouveau associer l'identifiant de l'animal à la couleur. Nous allons également le déplacer sur l'axe des abscisses afin d'obtenir un diagramme en boîte différent pour chaque animal. On constate que l'animal N091, actuellement mis en évidence, présente une valeur plus basse. Son allongement est plus faible, ce qui signifie qu'il reste plus replié que les autres souris.
Je vais supprimer les valeurs aberrantes, car cela ne m'inquiète pas outre mesure. Je souhaite me concentrer sur les données principales. Je vais légèrement modifier les styles, mais vous pouvez constater que, comparé aux autres animaux, celui-ci a un aspect un peu particulier.
Voici les deux graphiques que nous avons déjà réalisés. Nous avons analysé le pourcentage de temps passé immobile par cet animal. On constate qu'il est très sédentaire. Ces trois graphiques ont révélé un problème de suivi. Un souci est survenu avec la vidéo, mais mes collaborateurs ont pu le résoudre. Nous avons utilisé Graph Builder pour identifier et corriger ce problème dans cet important ensemble de données.
Notre prochain exemple est un peu moins spectaculaire. Il confirme simplement la présence des tendances attendues. Les signaux de dopamine, un neurotransmetteur du cerveau, diminuent progressivement. Sur ces graphiques, le temps est représenté en abscisse et le signal en ordonnée. Vous voyez ? Le signal de dopamine diminue avec le temps, comme prévu.
Une fois le signal de dopamine recueilli, un algorithme de correction est appliqué pour compenser sa diminution au fil du temps. Nous voulions nous assurer de son bon fonctionnement. Un graphique simple et rapide, coloré pour chaque animal, s'affiche. Tout semble correct. Ce contrôle rapide et facile nous a permis de confirmer que le classificateur et les signaux étaient bien recueillis et fonctionnaient comme prévu. Un atout pour le contrôle qualité et pour la recherche.
Enfin, il nous restait à confirmer la classification des mouvements. Un animal pouvait être soit inactif, soit très actif, mais pas les deux à la fois. Ces animaux ne devraient pas courir et être sédentaires simultanément. Nous allons donc retourner dans Graph Builder pour vérifier qu'aucune donnée n'est classée à la fois comme très active et inactive.
Nous allons glisser ces deux colonnes sur notre graphique et repasser à l'affichage par points, car je préfère ce format après avoir modifié l'identifiant de l'animal. Vous pouvez voir le grand espace vide dans le coin supérieur droit. C'est là que nous verrions si le classificateur s'est trompé et a indiqué qu'un animal était à la fois très actif et inactif. Effectivement, cet espace est vide. C'est parfait. Cela confirme également que notre classificateur fonctionne correctement et n'a pas commis cette erreur.
Nos objectifs ont été atteints. Nous avons analysé un ensemble de données complexes de photométrie par fibres optiques, collectées au fil du temps, obtenu ces données longitudinales, et utilisé JMP Graph Builder pour effectuer un contrôle qualité rapide et facile de ces données et garantir ainsi la fiabilité et la qualité de notre recherche. Si vous souhaitez en savoir plus sur la dopamine et la noradrénaline dans le cerveau et leur fonctionnement chez ces souris, veuillez scanner le code QR ; il vous redirigera vers notre article. J’espère que vous avez appris des choses. Merci.
