Event detection/fr: Difference between revisions
Fix obsolete file and editorial link targets |
Updating to match new version of source page |
||
| Line 1: | Line 1: | ||
__NOTOC__ | __NOTOC__ | ||
<div class="mw-translate-fuzzy"> | |||
[[File:Patch_clamp_schematic_1.png|thumb|right|320px|Peak or event detection concepts support nanopore signal analysis. Source: Wikimedia Commons, CC BY-SA 4.0.]] | [[File:Patch_clamp_schematic_1.png|thumb|right|320px|Peak or event detection concepts support nanopore signal analysis. Source: Wikimedia Commons, CC BY-SA 4.0.]] | ||
La « détection d'événements » fait partie de la voie d'apprentissage de Nanopore Wiki. La détection d'événements permet d'identifier les blocages réels ou les changements de signal dans les enregistrements réalisés par les nanopores, et d'en extraire des caractéristiques comparables. | La « détection d'événements » fait partie de la voie d'apprentissage de Nanopore Wiki. La détection d'événements permet d'identifier les blocages réels ou les changements de signal dans les enregistrements réalisés par les nanopores, et d'en extraire des caractéristiques comparables. | ||
</div> | |||
== Concepts fondamentaux == | == Concepts fondamentaux == | ||
| Line 9: | Line 11: | ||
* Des faux positifs peuvent survenir en raison de bruit, de dérives, de phénomènes de « bulles » (anomalies dans les données), de bouchages des capteurs, ainsi que des paramètres d'analyse inappropriés. | * Des faux positifs peuvent survenir en raison de bruit, de dérives, de phénomènes de « bulles » (anomalies dans les données), de bouchages des capteurs, ainsi que des paramètres d'analyse inappropriés. | ||
<div class="mw-translate-fuzzy"> | |||
== Flux de travail de détection d'événements == | == Flux de travail de détection d'événements == | ||
{| class="wikitable np-knowledge-table" | {| class="wikitable np-knowledge-table" | ||
| Line 29: | Line 32: | ||
| Exportez les tableaux et les graphiques des événements pour examen. | | Exportez les tableaux et les graphiques des événements pour examen. | ||
|} | |} | ||
</div> | |||
<div class="mw-translate-fuzzy"> | |||
== Applications typiques == | == Applications typiques == | ||
* Quantification de la profondeur du blocage et du temps d’immobilisation. | * Quantification de la profondeur du blocage et du temps d’immobilisation. | ||
* Comparaison d'échantillons ou de variantes de pores. | * Comparaison d'échantillons ou de variantes de pores. | ||
* Construire des données d'entraînement pour les modèles de classification. | * Construire des données d'entraînement pour les modèles de classification. | ||
</div> | |||
<div class="mw-translate-fuzzy"> | |||
== Pièges courants == | == Pièges courants == | ||
* Utiliser un seul seuil pour les enregistrements présentant une forte déviation. | * Utiliser un seul seuil pour les enregistrements présentant une forte déviation. | ||
* Échec à la vérification des faux positifs sur les contrôles vides. | * Échec à la vérification des faux positifs sur les contrôles vides. | ||
* Considérer les résultats automatisés comme corrects sans les avoir vérifiés visuellement. | * Considérer les résultats automatisés comme corrects sans les avoir vérifiés visuellement. | ||
</div> | |||
<div class="mw-translate-fuzzy"> | |||
== Pages liées == | == Pages liées == | ||
* [[Data analysis|Analyse de données]] | * [[Data analysis|Analyse de données]] | ||
| Line 45: | Line 54: | ||
* [[Single-molecule detection|Détection de molécules individuelles]] | * [[Single-molecule detection|Détection de molécules individuelles]] | ||
* [[Troubleshooting|Dépannage]] | * [[Troubleshooting|Dépannage]] | ||
</div> | |||
<div class="mw-translate-fuzzy"> | |||
== Références == | == Références == | ||
* [https://en.wikipedia.org/wiki/Detection_theory Théorie de la détection de signaux] | * [https://en.wikipedia.org/wiki/Detection_theory Théorie de la détection de signaux] | ||
* [https://en.wikipedia.org/wiki/Signal_processing Traitement du signal] | * [https://en.wikipedia.org/wiki/Signal_processing Traitement du signal] | ||
</div> | |||
<div lang="en" dir="ltr" class="mw-content-ltr"> | |||
== Related pages == | |||
* [[Data analysis]] | |||
* [[Noise and filtering]] | |||
* [[Single-molecule detection]] | |||
* [[Troubleshooting]] | |||
</div> | |||
<div lang="en" dir="ltr" class="mw-content-ltr"> | |||
== References == | |||
* [https://en.wikipedia.org/wiki/Detection_theory Signal detection theory] | |||
* [https://en.wikipedia.org/wiki/Signal_processing Signal processing] | |||
</div> | |||
<languages /> | <languages /> | ||
Revision as of 09:29, 15 July 2026
La « détection d'événements » fait partie de la voie d'apprentissage de Nanopore Wiki. La détection d'événements permet d'identifier les blocages réels ou les changements de signal dans les enregistrements réalisés par les nanopores, et d'en extraire des caractéristiques comparables.
Concepts fondamentaux
- Les seuils de détection doivent être liés au bruit de fond (« baseline noise ») et au bruit local (« local noise »).
- Les limites des événements influencent les métriques relatives au temps de séjour, à la superficie et à la forme de ces événements.
- Les événements faibles, chevauchants ou à plusieurs niveaux nécessitent une validation minutieuse.
- Des faux positifs peuvent survenir en raison de bruit, de dérives, de phénomènes de « bulles » (anomalies dans les données), de bouchages des capteurs, ainsi que des paramètres d'analyse inappropriés.
Flux de travail de détection d'événements
| Étape | Description |
|---|---|
| 1 | Indiquer les phases expérimentales ainsi que les temps d'ajout des échantillons. |
| 2 | Estimez le niveau de base local ainsi que le bruit (les perturbations). |
| 3 | Définissez des seuils pour les candidats et des règles concernant la durée minimale. |
| 4 | Fonctionnez sur la fusion, la séparation ou le rejet des événements en utilisant des critères bien documentés. |
| 5 | Exportez les tableaux et les graphiques des événements pour examen. |
Applications typiques
- Quantification de la profondeur du blocage et du temps d’immobilisation.
- Comparaison d'échantillons ou de variantes de pores.
- Construire des données d'entraînement pour les modèles de classification.
Pièges courants
- Utiliser un seul seuil pour les enregistrements présentant une forte déviation.
- Échec à la vérification des faux positifs sur les contrôles vides.
- Considérer les résultats automatisés comme corrects sans les avoir vérifiés visuellement.