Un système de classification à RNA pour la détection de bactéries.

Slides:



Advertisements
Présentations similaires
Chapitre 4 Pigments et colorants.
Advertisements

LES SPECTRES DE LUMIERE
Messages de la lumière 1. Le prisme : un système dispersif
L'hybridation fluorescente (FISH)
Une nouvelle technique d'analyse : La spectrophotométrie
Travail de Fin d’Etudes – été 2009
Mesures dans le domaine fréquentiel
Nevila JOZJA1, Paul-Henri MONDAIN2, Philippe MUET3
Sources de lumière colorée
Thème : Les ondes au service de la santé
Diode Laser A. Objectifs de la séquence:
Identification d'espèces chimiques
Sources de lumière colorée
Utilisation des méthodes neuronales pour l'analyse des images de couleur de l'océan C. Moulin, C. Jamet (LSCE) J. Brajard, A. Chazottes, M. Crépon, C.
Progrès de la technique de mesure PLIF à deux couleurs
ONDES ET PARTICULES.
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
Univers 4 Les spectres lumineux.
Applications du perceptron multicouche
UV- ANA1 Spectroscopie Atomique et moléculaire
Spectrophotométrie.
Rappels Lorsqu’on veut analyser la lumière provenant d’une source, il faut utiliser un objet capable de décomposer cette lumière ( prisme (dispersif) ou.
Benjamin Ivorra - Bijan Mohammmadi - (I3M – UM2)
Spectrophotométrie Les solutions colorées ont la propriété d’absorber un domaine de longueur d’onde du spectre visible.
Conception d’un protocole expérimental avec un logiciel dédié
Une nouvelle technique d'analyse : La spectrophotométrie
LES DIFFERENTS TYPES DE SPECTRES LUMINEUX
Réseaux de neurones.
Principe d’un spectrophotomètre
Les réseaux de neurones
LES SPECTRES DE LUMIERE
Spectrophotométrie.
Interprétation automatique
Les réseaux de neurones artificiels (RNA)
Chapitre 6. Analyse spectrale
Groupe de Microélectronique et Microsystèmes
Information Theory and Radar Waveform Design Mark R. bell September 1993 Sofia FENNI.
Chapitre IV Analyse Spectrale.
Vision des couleurs et spectrophotométrie
Capture d’images biologiques et numériques
Spectres lumineux I. Les spectres d'émission 1. Définition
Chapitre 2: Messages de la lumière
Nature ondulatoire de la lumière
Chapitre 3 Sources de lumières colorées
S. Canu, laboratoire PSI, INSA de Rouen
Les réseaux de neurones à réservoir en traitement d’images
Couleurs et images.
Karima Tabari1, Mounir Boukadoum1, Sylvain Chartier2,3, Hakim Lounis1
Spectrophotométrie.
OBSERVER COULEURS ET IMAGES.
Les réseaux de neurones à réservoir en traitement d’images
LUMIERE ET PHOTOMETRIE
Les signaux périodiques
Photosynthèse et panneaux solaires
Quelques tests de reconnaissance d’ions
Les substances pure et les mélanges
I Les spectres d’émission
Spectres UV-visible et infrarouge
Thème : L’Univers Domaine : Les étoiles
TP 6 : COMBIEN DE BONBONS SCHTROUPFS PEUT-ON MANGER PAR JOUR ?
1 1Justesse des longueurs d’onde PARTIE 3a : Applications en UV Pour vérifier que l’appareil mesure les bonnes longueurs d’onde, on utilise idéalement.
Validation d’une méthode d’analyse
Synthèse : Contraintes et Conceptions d'objets
6 Absorption en UV-Visible
Apprentissage automatique L’apprentissage automatique.
Techniques immunologiques utilisant des réactifs marqués
LA SPECTROPHOTOMETRIE
I- Le trajet de l’eau II- La station d’épuration
Transcription de la présentation:

Un système de classification à RNA pour la détection de bactéries

Motivation  Les substances fluorophores peuvent absorber la lumière et la ré-émettre à de plus grandes longueurs d’ondes  La mesure de fluorescence est utile pour : Surveillance environnementale : polluants dans l’air, l’eau et les plantes Instrumentation biomédicale : capteurs implantables Détection de bactéries : Industrie agroalimentaire et bioterrorisme  Un besoin existe pour des instruments miniatures, à faible consommation et bon marché, avec la capacité d’effectuer une analyse spectrale en temps-réel

FLUORESCENCE I II III FLUORESCEIN CHLOROPHYLL E.COLI (GFP/RFP) Ce qu’on peut mesurer

Photodétecteurs à leds : petits et pas chers, mais aussi performants que les gros ! Fluoromètre portatif = LED + photodetector + filtre Selection logic Light Source N LEDs Photodetector N LEDs Mux Amp Band pass Filter Voltmeter Spectral range: nm

Marquage de bactéries avec des marqueurs fluorescents Fluorochromes courants :

Expérience  But: Détecter et identifier le spectre de fluorescence de : E-coli marqué avec pGFPuv, GFPmut and DsRed Distinguer leur spectre de celui de substances organiques flurophores : Fluresceïne Pyrène Anthracène Chlorophylle Étudier des concentrations de 50 M à M suivant des puissances de 10, ou 100 cell/ml à cell/ml suivant des puissances de 2.

Fluorescence mesurée

Principe d’identification de l’analyte Algorithme pas évident!

Données brutes Noise: 0.07, 0.15, 0.03,0.01,0.01, 0.01, 0.01 Blank: -0.68,2.87,.75,1.19, ,.11 Ces valeurs sont soustraites des lectures Nombre de cells/ml d’eau Photoréponse (nA) LED 1LED 2LED 3LED 4LED 5LED 6LED 7LED

Données brutes Nombre de cells/ml d’eau Photoréponse (nA) LED 1LED 2LED 3LED 4LED 5LED 6LED 7LED E E E E Noise response: 0.04, 0.14, 0.24,0.05; Blank (spontaneous response): -1.69,1.04,3.21,0.72 Ces valeurs sont soustraites des lectures

Prétraitement  Problèmes Certaines diodes ne répondent pas Certaines lectures sont douteuses Les gammes de concentrations ne sont pas homogènes Les dimensions de mesure peuvent différer ! La gamme dynamique des diodes n’est pas constante  Solutions Ignorer les résultats des diodes qui ne répondent pas ou dont les valeurs sont douteuses Normaliser les valeurs lues Utiliser uniquement les données correspondant à des concentrations communes

Prétraitement Nombre de cells/ml d’eau Photoréponse (nA) LED 1LED 2LED 3LED 4LED 5LED 6LED 7LED 8cat

Vous avez dit RNA ? Perceptron Multi Couche avec un neurone de sortie qui génère un résultat entre 0 et 6 (ou 0 et 1), correspondant à l’une des 7 substances étudiées (chlorophylle, pyrène, anthracène, fluoresceïne, E-coli avec GFP, GFP UV,RFP) ou mélange. Nombre de sorties:1 Nombre d’entrées: 8 (une par LED) Nombre de neurones cachés : 8 (essai et erreur)

SNNS Fenêtre principale : PMC, Rprop w/paramètres (0.01,50,4) Exemple de courbe d’erreur de reconnaissance pour les ensembles d’apprentissage (noir)et de test (rouge). 2/3 des données pour l’apprentissage, 1/3 pour tester.

Fichier de patrons d’entrée SNNS pattern definition file V1.0 generated at Mon Nov 30 11:53: No. of patterns : 249 No. of input units : 8 No. of output units :

Fichier de résultats SNNS result file V1.4-3D generated at Fri May 23 23:19: No. of patterns : 375 No. of input units : 8 No. of output units : 1 startpattern : 1 endpattern : 375 teaching output included # # # # # # # # # # #

Erreur de categorisation pour différents ensembles d’ apprentissage et de test

Résultats de la catégorisation

Mais en pratique ? X mm sapphire metallization X200 ~0.3 mm LED chip

Le but ultime Developper des puces LOC avec intelligence intégrée qui permettent de réaliser des capteur chimiques et biologiques, permettant de caractériser une grande variété de substances dans des environnements divers.