MultiOmics · Apprendre

Choisir une méthode et comprendre ses résultats

Des fiches courtes pour comprendre la démarche, sans programmation et sans multiplier les réglages.

Ouvrir MultiOmics

1. Choisir selon sa question

Explorer

ACP mono-omique ou exploration multi-omique, puis MOFA2 si les sujets sont réellement appariés.

Comparer

Comptages RNA-seq : DESeq2/edgeR. Valeurs continues : limma selon les prétraitements.

Interpréter

fgsea pour les voies, avec un classement signé complet et une base de voies versionnée.

Prédire

DIABLO avec séparation des sujets et prétraitements internes ajustés dans l’entraînement ; vérifier les étapes faites avant import et valider ensuite sur une cohorte externe.

2. Les méthodes expliquées

Cliquez sur une méthode pour lire sa condition d’utilisation.

PCA / ACP

Explore les différences entre profils. Ne teste pas des effets différentiels et ne prouve pas une séparation biologique.

DESeq2 / edgeR-QL

Pour des comptages RNA-seq bruts entiers : modèles adaptés aux comptes et à la dispersion, avec contrastes, lots et bloc sujet si apparié.

limma / voom

Pour des données continues correctement transformées, ou RNA-seq avec voom. Ne pas appliquer directement limma à des comptages bruts.

fgsea

Recherche des enrichissements de voies biologiques sur un classement de toutes les variables éligibles, en figeant voies et identifiants.

MOFA2

Modélisation latente non supervisée de plusieurs omiques ; vérifier appariement des sujets, normalisation et contribution de chaque omique.

DIABLO

Classification supervisée multi-omique avec évaluation interne sur sujets distincts. Le prétraitement et la sélection gérés par le modèle sont ajustés dans les données d’entraînement ; les étapes réalisées avant import doivent être auditées séparément et une validation externe reste nécessaire.

3. Comment lire les figures et statistiques

log2FC

Un effet +1 signifie un rapport 2 ; −1 signifie 0,5, si la mesure est bien une différence log2. Vérifier le sens du contraste.

p-value / q-value

Une p-value ne donne pas la probabilité que l’hypothèse soit vraie. La q-value correspond à une correction multiple ; aucune ne prouve la causalité.

Heatmap

Un z-score par variable montre sa variation relative. Une couleur forte ne représente pas nécessairement une quantité absolue élevée.

Manquants et zéros

Un zéro mesuré diffère d’une valeur manquante. En MS, la non-détection et le signal sous la limite de quantification demandent des vérifications.

Les calculs exploratoires JavaScript peuvent utiliser des modèles simplifiés et ne sont pas toujours égaux aux résultats R. Pour une inférence statistique, préférer les méthodes natives R adaptées au plan et au type de données. Les résultats restent soumis aux hypothèses et au contrôle qualité.

4. Le code R commenté et reproductible

Après l’analyse, téléchargez le ZIP. Il comprend ANALYSE_REPRODUCTIBLE.Rmd, avec explications du code, des méthodes, des tableaux et des figures, ainsi que le code R d’origine.

Rscript render_notebook.R

Les dépendances de rapport manquantes peuvent être installées automatiquement. En revanche, les versions des packages scientifiques ne sont jamais changées silencieusement : cela empêcherait de garantir les mêmes résultats.

Le rapport HTML est généré sur votre ordinateur. Attention : les fichiers peuvent contenir des données confidentielles.

5. Et vers la PK/PD ?

Le premier travail consiste à associer avec certitude les sujets, prélèvements, tissus et temps aux données d’exposition, puis à tester sans fuite de données les nouvelles covariables PK/PD. Cette extension n’est pas encore validée.