But de l’étude : Pour toute analyse de données impliquant simultanément un nombre important de tests statistiques, l’un des problèmes majeurs est la prise en compte de la multiplicité de ces tests. L’ampleur du nombre de comparaisons effectuées dans le cas des études ayant pour objectif d’identifier, au moyen de puces à ADN, les gènes dont les modifications d’expression sont liées à un facteur biologique ou clinique particulier a entraîné un renouveau d’intérêt pour le problème des comparaisons multiples. Cette problématique n’est cependant pas spécifique à la génomique fonctionnelle et elle se retrouve dans de très nombreux autres domaines tels que la psychométrie, l’épidémiologie, la génétique.

Résultats : Après avoir présenté le cadre méthodologique relatif aux comparaisons multiples, nous présentons les principales procédures basées sur un risque global d’erreur appelé « Family Wise Error Rate » (FWER), puis les procédures basées sur une espérance du taux de faux positifs (le « False Discovery Rate » (FDR) et le « positive False Discovery Rate » (pFDR)). Nous appliquons ensuite les différentes procédures à des données réelles issues d’une étude de génomique fonctionnelle portant sur les carcinomes mammaires. Enfin, nous discutons les résultats et précisons le cadre d’application de ces différentes procédures.

Background: When analysing data which simultaneously implicate a large number of statistical tests, one of the main problems is to take into account the multiplicity of these tests. The huge amount of comparisons done in studies of which the aim is to detect, using microarray, genes whose transcriptional changes are related to a biological or clinical outcome leads to a renewed interest for the multiple comparisons problem. However, this problem concerns many other fields such as psychometry, epidemiology, genetics.

Results: First, we introduce the multiple comparison framework. Then, we present the main procedures based on a global error rate called the “Family Wise Error Rate” (FWER) and those based on a false discovery rate expectancy (the “False Discovery Rate” (FDR) and the “positive False Discovery Rate” (pFDR)). Next, we apply the different procedures on a real dataset from a breast carcinoma study. Finally, we discuss the main results and we present guidelines for the use of these procedures.