Un syst

1
Un système de classification à RNA pour la
détection de bactéries
2
Motivation

• Les substances fluorophores peuvent absorber la
  lumière et la ré-émettre à de plus grandes
  longueurs dondes
• La mesure de fluorescence est utile pour
• Surveillance environnementale polluants dans
  lair, leau 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 deffectuer une analyse spectrale en
  temps-réel

3
Ce quon peut mesurer
FLUORESCENCE
E.COLI (GFP/RFP)
FLUORESCEIN
CHLOROPHYLL
4
Photodétecteurs à leds petits et pas chers,
mais aussi performants que les gros !
Fluoromètre portatif LED photodetector
filtre
Spectral range 370-670 nm
Light Source N LEDs
Photodetector N LEDs
Band pass Filter
Mux
Amp
Selection logic
Voltmeter
5
Marquage de bactéries avec des marqueurs
fluorescents
Fluorochromes courants
6
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 5.10-7 M
  suivant des puissances de 10, ou 100 cell/ml à
  0.0219 cell/ml suivant des puissances de 2.

7
Fluorescence mesurée
8
Principe didentification de lanalyte
Algorithme pas évident!
9
Données brutes
Noise 0.07, 0.15, 0.03,0.01,0.01, 0.01,
0.01 Blank -0.68,2.87,.75,1.19,6.97.1.29,.11
Ces valeurs sont soustraites des lectures
Nombre de cells/ml deau Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA)
Nombre de cells/ml deau LED 1 LED 2 LED 3 LED 4 LED 5 LED 6 LED 7 LED 8
14870000 2.06 0.54 0.81 1.13 0.84 1.19 0.25
7437000 2.38 0.84 0.78 1.43 2.16 1.56 0.22
3717500 2.48 1.43 0.73 1.29 4.54 1.53 0.19
1858750 2.54 2.08 0.7 1.04 7.6 1.25 0.16
929300 2.43 2.8 0.69 0.83 10.51 1.05 0.15
464600 2.38 3.3 0.69 0.75 12.55 0.96 0.15
232300 2.21 3.69 0.69 0.73 13.78 0.92 0.16
116100 2.09 3.99 0.69 0.68 14.95 0.88 0.12
58000 1.89 4.04 0.71 0.69 14.93 0.86 0.12
29000 1.61 4.36 0.76 0.69 15.13 0.9 0.14
14500 1.38 4.18 0.74 0.69 15.25 0.89 0.14
7200 1.24 4.18 0.73 0.69 15.32 0.9 0.14
3600 1.26 4.2 0.74 0.69 15.34 0.91 0.14
10
Données brutes
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
Nombre de cells/ml deau Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA)
Nombre de cells/ml deau LED 1 LED 2 LED 3 LED 4 LED 5 LED 6 LED 7 LED 8
1.37E7 -- 0.43 1.42 1.25
6.85E6 0.64 0.39 1.22 1.13
3.425E6 0.4 0.47 1.49 0.88
1.712E6 0.42 0.72 1.95 0.81
856000 0.4 0.94 2.36 0.74
428000 0.26 1.14 2.74 0.7
214000 0.52 1.32 2.96 0.72
107000 0.44 1.41 3.15 0.72
53000 0.27 1.49 3.28 0.7
26000 0.23 1.56 3.35 0.71
13000 0.13 1.58 3.5 0.71
6000 0.04 1.58 3.5 0.7
3000 0.07 1.55 3.34 0.71
1600 0.74 1.74 3.78 0.92
11
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 nest 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

12
Prétraitement
Nombre de cells/ml deau Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA) Photoréponse (nA)
LED 1 LED 2 LED 3 LED 4 LED 5 LED 6 LED 7 LED 8 cat
100 0 0.17949 0.2449 0.05699 0.22917 0.83333 0.90909 1 4
50 0 0.20513 0.36735 0.14508 0.33333 0.91667 0.90909 0.9 4
25 0 0.19231 0.59184 0.49741 0.41667 1 1 0.9 4
12.49635 0 0.25641 0.63265 0.8601 0.5 1 0.90909 0.9 4
6.24818 0 0.35897 0.65306 1 0.58333 0.91667 0.81818 0.5 4
3.12409 0 0.46154 0.67347 0.96373 0.6875 0.91667 0.90909 1 4
1.56204 0 0.62821 0.73469 0.89637 0.70833 0.75 0.72727 0.7 4
0.78102 0 0.71795 0.77551 0.83938 0.75 0.75 0.63636 0.8 4
0.38686 0 0.78205 0.79592 0.78238 0.77083 0.75 0.81818 0.8 4
0.18978 0 0.83333 0.83673 0.76684 0.77083 0.75 0.81818 0.8 4
0.09489 0 0.83333 0.81633 0.7513 0.79167 0.91667 0.81818 0.9 4
0.0438 0 0.83333 0.81633 0.74093 0.79167 0.83333 0.81818 0.9 4
0.0219 0 0.87179 0.81633 0.74093 0.79167 0.83333 0.81818 0.9 4
0.01168 0 1 1 0.83938 1 1 0.81818 0.9 4
13
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 lune des 7 substances
étudiées (chlorophylle, pyrène, anthracène,
fluoresceïne, E-coli avec GFP, GFPUV,RFP) ou
mélange. Nombre de sorties 1 Nombre
dentrées 8 (une par LED) Nombre de
neurones cachés 8 (essai et erreur)
14
SNNS

• Fenêtre principale
• 8-8-1 PMC,
• Rprop w/paramètres (0.01,50,4)
• Exemple de courbe derreur de reconnaissance pour
  les ensembles dapprentissage (noir)et de test
  (rouge).
• 2/3 des données pour lapprentissage, 1/3 pour
  tester.

15
Fichier de patrons dentrée

• SNNS pattern definition file V1.0
• generated at Mon Nov 30 115337 1999
• No. of patterns 249
• No. of input units 8
• No. of output units 1
• 0 0.98246 0.97368 0.92913 0.87234 0 0 0 0
• 0 0 0.98824 0.65909 0.86667 0.89695 0.94737 0 0
• 0 0.92982 0.91892 0.55249 0 0 0 0 0
• 0 0 0 0.94286 0.96183 0.9505 0.99304 0 0
• ...
• 0 0.98214 0.97222 0.96694 1 0 0 0 1
• 0 0 0.94659 1 0.96491 0.97404 0 0 1
• 0 0 0.96439 0.9434 0.94737 0.97053 0 0 1
• 0 0.92857 0.94444 0.95868 0.97674 0 0 0 1
• ...
• 0 0 0 0.96667 0.96 0.96842 0.98845 0 2
• 0 0 0 1 1 1 0.99532 0 2

16
Fichier de résultats
55.1 1 1.0482 56.1 1 1.9009 66.1 2 2.24086
67.1 2 2.28263 68.1 2 2.33307
. . . 369.1 7 7.00047 370.1 7 6.02177

• SNNS result file V1.4-3D
• generated at Fri May 23 231936 2003
• No. of patterns 375
• No. of input units 8
• No. of output units 1
• startpattern 1
• endpattern 375
• teaching output included
• 1.1
• 0
• 0.02248
• 2.1
• 0
• 0.37074
• 3.1
• 0
• 0.37074

17
Erreur de categorisation pour différents
ensembles d apprentissage et de test
18
Résultats de la catégorisation
19
Mais en pratique ?
20
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.