Microchip arrays have become one of the most rapidly growing techniques for monitoring gene expression at the genomic level and thereby gaining valuable insight about various important biological mechanisms. Examples of such mechanisms are: identifying disease-causing genes, genes involved in the regulation of some aspect of the cell cycle, etc. In this article, we discuss the problem of estimating gene expression based on a proper statistical model. More precisely, we show how the model introduced by Li and Wong can be used in its full bivariate generality to provide a new measure of gene expression from high-density oligonucleotide arrays. We also present a second gene expression index based on a new way of reducing the model into a simpler univariate model. In both cases, the gene expression indices are shown to be unbiased and to have lower variance than the established ones. Moreover, we present a bootstrap method aiming at providing non-parametric confidence intervals for the expression index. To cite this article: Z. Taib, C. R. Biologies 327 (2004).

Les puces d'ADN sont devenues l'une des techniques les plus utilisées pour observer l'expression génétique à l'échelon génomique et ainsi mieux comprendre certains mécanismes biologiques. Comme exemples de ces mécanismes, citons l'identification de gènes causant certaines maladies héréditaires, ou l'identification de gènes impliqués dans la régulation de certains aspects du cycle cellulaires etc. Dans cet article, nous discutons le problème d'estimation de l'expression génétique à l'aide d'un modèle statistique adéquat. En effet, nous montrons comment le modèle introduit par Li et Wong peut être utilisé dans toute sa généralité multivariée pour obtenir une nouvelle mesure de l'expression génétique dans le cas de puces d'ADN d'oligonucléotide à haute densité. D'autre part, nous présentons une autre mesure de l'expression génétique basée sur un nouveau concept réduisant le modèle en un autre, univarié et plus simple. Nous montrons que les nouvelles mesures sont sans biais et que leurs variances sont plus petites que les variances des mesures existantes. Nous présentons aussi une méthode de bootstrap qui vise à créer des intervalles de confiance non-paramétriques pour les mesures d'expression génétique. Pour citer cet article : Z. Taib, C. R. Biologies 327 (2004).