Créer son package d’extension {recipes} : retex de {scimo}

Rencontres R 2024

Antoine Bichat

13 juin

Vannes

Intro

• Intro

• Prétraitement

• Données omiques

• Créer sa première étape

• Dépendances sans dépendances

• Outro

Présentation

Data scientist @ Servier

• Analyses exploratoires

• Oncologie, cancers pédiatriques

• R, packages, applications shiny

Tutoriel aux Rencontres R 2023

Créer un pipeline de machine learning complet avec {tidymodels}

Notes

Science ouverte

scimo est un package développé sur mon temps personnel, et non pour le compte de mon employeur.

Blocs de code

Il y aura beaucoup de code dans cette présentation, mais il n’est pas nécesssaire de regarder en détail à la première lecture.

Les manchots de Palmer

library(tidyverse)
library(palmerpenguins)

penguins

# A tibble: 344 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex     year
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int> <fct>  <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750 male    2007
 2 Adelie  Torgersen           39.5          17.4               186        3800 female  2007
 3 Adelie  Torgersen           40.3          18                 195        3250 female  2007
 4 Adelie  Torgersen           NA            NA                  NA          NA <NA>    2007
 5 Adelie  Torgersen           36.7          19.3               193        3450 female  2007
 6 Adelie  Torgersen           39.3          20.6               190        3650 male    2007
 7 Adelie  Torgersen           38.9          17.8               181        3625 female  2007
 8 Adelie  Torgersen           39.2          19.6               195        4675 male    2007
 9 Adelie  Torgersen           34.1          18.1               193        3475 <NA>    2007
10 Adelie  Torgersen           42            20.2               190        4250 <NA>    2007
# ℹ 334 more rows

Prétraitement

• Intro

• Prétraitement

• Données omiques

• Créer sa première étape

• Dépendances sans dépendances

• Outro

tidymodels

{tidymodels} est une collection de packages pour la modélisation et l’apprentissage statistique qui repose sur les principes du tidyverse.

Ma première recette

Une recette est un objet qui définit les rôles et les étapes de prétraitement de nos données.

library(recipes)

penguins %>% 
  recipe(flipper_length_mm ~ .)

── Recipe ────────────────────────────────────────────────────────────────────────────────────────────────────

── Inputs 

Number of variables by role

outcome:   1
predictor: 7

Étapes

penguins %>% 
  recipe(flipper_length_mm  ~ .) %>% 
  step_impute_mean(all_numeric_predictors(), -year) %>% 
  step_normalize(all_numeric_predictors(), -year) %>% 
  step_pca(all_numeric_predictors(), -year, num_comp = 2)

── Recipe ────────────────────────────────────────────────────────────────────────────────────────────────────

── Inputs 

Number of variables by role

outcome:   1
predictor: 7

── Operations 

• Mean imputation for: all_numeric_predictors() -year

• Centering and scaling for: all_numeric_predictors() -year

• PCA extraction with: all_numeric_predictors() -year

Estimation

penguins %>% 
  recipe(flipper_length_mm  ~ .) %>% 
  step_impute_mean(all_numeric_predictors(), -year) %>% 
  step_normalize(all_numeric_predictors(), -year) %>% 
  step_pca(all_numeric_predictors(), -year, num_comp = 2) %>% 
  prep()

── Recipe ────────────────────────────────────────────────────────────────────────────────────────────────────

── Inputs 

Number of variables by role

outcome:   1
predictor: 7

── Training information 

Training data contained 344 data points and 11 incomplete rows.

── Operations 

• Mean imputation for: bill_length_mm, bill_depth_mm, body_mass_g | Trained

• Centering and scaling for: bill_length_mm, bill_depth_mm, body_mass_g | Trained

• PCA extraction with: bill_length_mm, bill_depth_mm, body_mass_g | Trained

Application

penguins %>% 
  recipe(flipper_length_mm  ~ .) %>% 
  step_impute_mean(all_numeric_predictors(), -year) %>% 
  step_normalize(all_numeric_predictors(), -year) %>% 
  step_pca(all_numeric_predictors(), -year, num_comp = 2) %>% 
  prep() %>% 
  bake(new_data = NULL)

# A tibble: 344 × 7
   species island    sex     year flipper_length_mm       PC1        PC2
   <fct>   <fct>     <fct>  <int>             <int>     <dbl>      <dbl>
 1 Adelie  Torgersen male    2007               181 -1.27     -0.0476   
 2 Adelie  Torgersen female  2007               186 -0.854     0.429    
 3 Adelie  Torgersen female  2007               195 -1.37      0.157    
 4 Adelie  Torgersen <NA>    2007                NA  0.000199 -0.0000262
 5 Adelie  Torgersen female  2007               193 -1.92      0.00581  
 6 Adelie  Torgersen male    2007               190 -1.81     -0.827    
 7 Adelie  Torgersen female  2007               181 -1.16      0.352    
 8 Adelie  Torgersen male    2007               195 -0.731    -0.522    
 9 Adelie  Torgersen <NA>    2007               193 -1.86      0.774    
10 Adelie  Torgersen <NA>    2007               190 -0.936    -1.03     
# ℹ 334 more rows

Informations

penguins %>% 
  recipe(flipper_length_mm  ~ .) %>% 
  step_impute_mean(all_numeric_predictors(), -year) %>% 
  step_normalize(all_numeric_predictors(), -year) %>% 
  step_pca(all_numeric_predictors(), -year, num_comp = 2) %>% 
  prep() %>% 
  tidy(2)

# A tibble: 6 × 4
  terms          statistic   value id             
  <chr>          <chr>       <dbl> <chr>          
1 bill_length_mm mean        43.9  normalize_hFPQb
2 bill_depth_mm  mean        17.2  normalize_hFPQb
3 body_mass_g    mean      4202.   normalize_hFPQb
4 bill_length_mm sd           5.44 normalize_hFPQb
5 bill_depth_mm  sd           1.97 normalize_hFPQb
6 body_mass_g    sd         800.   normalize_hFPQb

Données omiques

• Intro

• Prétraitement

• Données omiques

• Créer sa première étape

• Dépendances sans dépendances

• Outro

-omique

Les données omiques sont des jeux de données larges obtenus par séquençage haut-débit et utilisés pour comprendre des systèmes biologiques complexes.

• Génomique : mutations, fusions… des gènes

• Transcriptomique : expression des gènes

• Protéomique : quantification des protéines

• Métagénomique : abondance des micro-organismes

• …

Jeu de données multi-omique chez l’humain

Besoin d’un prétratement adapté

• Étapes de selection de variables :

  • conserver les gènes avec le plus de variabilité,

  • conserver les gènes significativement associés avec la réponse.

• Étapes d’agrégation de variables :

  • calculer l’activité de voies biologiques,

  • additioner les abondances appartenant à un même clade.

• Étapes de normalisation de variables :

  • convertir des comptes en proportions.

• Étapes de génération de variables :

  • réduire la dimension pour des distributions particulières,

  • extraire des clades à partir de lignées.

{scimo}

library(scimo)

{scimo} fournit des étapes de prétraitement supplémentaires dédiées aux données omiques, mais pouvant également être utilisées dans d’autres cas.

step_select_cv()

step_select_wilcoxon()

step_aggregate_list()

step_rownormalize_tss()

step_taxonomy()

…

pedcan_expression

Expression génique de 108 lignées cellulaires pour 5 cancers pédiatriques différents.

data("pedcan_expression")
pedcan_expression

# A tibble: 108 × 19,197
   cell_line sex    event      disease          A1BG   A1CF   A2M  A2ML1 A3GALT2 A4GALT  A4GNT  AAAS  AACS
   <chr>     <chr>  <chr>      <chr>           <dbl>  <dbl> <dbl>  <dbl>   <dbl>  <dbl>  <dbl> <dbl> <dbl>
 1 143B      Female Primary    Osteosarcoma     3.02 0.0566 2.78  0       0       2.13  0       5.55  2.90
 2 A-673     Female Primary    Ewing Sarcoma    4.87 0      2.00  3.19    0.0841  4.62  0.189   6.64  4.53
 3 BT-12     Female Primary    Embryonal Tumor  3.52 0.0286 0.111 0       0       2.32  0.0704  5.78  2.64
 4 BT-16     Male   Unknown    Embryonal Tumor  3.51 0      0.433 0.0144  0       1.54  0.0144  5.48  2.72
 5 C396      Male   Metastatic Osteosarcoma     4.59 0      0.956 0       0       5.10  0       4.81  2.70
 6 CADO-ES1  Female Metastatic Ewing Sarcoma    5.89 0      0.614 0.379   0.0704  6.60  0.151   6.08  3.92
 7 CAL-72    Male   Primary    Osteosarcoma     4.35 0.0426 0.333 0       0       0.614 0       4.53  3.42
 8 CBAGPN    Female Primary    Ewing Sarcoma    4.87 0.0976 1.33  0.111   0       0.722 0.0704  5.94  3.40
 9 CHLA-06   Female Unknown    Embryonal Tumor  5.05 0      0.124 0       0       0.848 0.138   4.11  2.22
10 CHLA-10   Female Unknown    Ewing Sarcoma    5.05 0.0144 0.949 1.73    0.0704  0.506 0.0704  5.86  4.65
# ℹ 98 more rows
# ℹ 19,184 more variables: AADAC <dbl>, AADACL2 <dbl>, AADACL3 <dbl>, AADACL4 <dbl>, AADAT <dbl>,
#   AAGAB <dbl>, AAK1 <dbl>, AAMDC <dbl>, AAMP <dbl>, AANAT <dbl>, AAR2 <dbl>, AARD <dbl>, AARS1 <dbl>,
#   AARS2 <dbl>, AARSD1 <dbl>, AASDH <dbl>, AASDHPPT <dbl>, AASS <dbl>, AATF <dbl>, AATK <dbl>, ABAT <dbl>, …

Créer sa première étape

• Intro

• Prétraitement

• Données omiques

• Créer sa première étape

• Dépendances sans dépendances

• Outro

Coefficient de variation

Les données omiques sont généralement très larges. Pour pedcan_expression, \(p \approx 20000 \gg n \approx 100\).

Nous voulons une étape qui conserve 10% des variables qui ont les plus hauts coefficients de variation.

\[\mathrm{CV} = \frac{\sigma}{\left|\mu\right|}\]

cv <- function(x, na.rm = TRUE) {
  sd(x, na.rm = na.rm) / abs(mean(x, na.rm = na.rm))
}

step_select_cv() en action

rec_cv <-
  # recipe(disease ~ ., data = pedcan_expression) %>%  # trop de variables pour une formule
  recipe(pedcan_expression) %>%                        # <- astuce pour éviter un débordement de pile
  update_role(disease, new_role = "output") %>%        #    bientôt résolu dans une future version de recipes
  update_role(-disease, new_role = "predictor") %>%    #
  step_select_cv(all_numeric_predictors(), prop_kept = 0.1) %>% 
  prep()

bake(rec_cv, new_data = NULL)

# A tibble: 108 × 1,923
   cell_line sex    event      disease   A1CF  AADAC AADACL3
   <fct>     <fct>  <fct>      <chr>    <dbl>  <dbl>   <dbl>
 1 143B      Female Primary    Osteos… 0.0566 0.0704       0
 2 A-673     Female Primary    Ewing … 0      0.151        0
 3 BT-12     Female Primary    Embryo… 0.0286 3.49         0
 4 BT-16     Male   Unknown    Embryo… 0      0.0286       0
 5 C396      Male   Metastatic Osteos… 0      0            0
 6 CADO-ES1  Female Metastatic Ewing … 0      0            0
 7 CAL-72    Male   Primary    Osteos… 0.0426 0            0
 8 CBAGPN    Female Primary    Ewing … 0.0976 0            0
 9 CHLA-06   Female Unknown    Embryo… 0      0            0
10 CHLA-10   Female Unknown    Ewing … 0.0144 0            0
# ℹ 98 more rows
# ℹ 1,916 more variables: ABCB11 <dbl>, ABCC12 <dbl>,
#   ABRA <dbl>, AC002456.2 <dbl>, AC008397.1 <dbl>,
#   ACOD1 <dbl>, ACSM1 <dbl>, ACSM2B <dbl>, ACSM5 <dbl>, …

tidy(rec_cv, 1)

# A tibble: 19,193 × 4
   terms       cv kept  id             
   <chr>    <dbl> <lgl> <chr>          
 1 A1BG    0.371  FALSE select_cv_3YfWC
 2 A1CF    4.60   TRUE  select_cv_3YfWC
 3 A2M     1.69   FALSE select_cv_3YfWC
 4 A2ML1   2.45   FALSE select_cv_3YfWC
 5 A3GALT2 2.37   FALSE select_cv_3YfWC
 6 A4GALT  0.979  FALSE select_cv_3YfWC
 7 A4GNT   1.53   FALSE select_cv_3YfWC
 8 AAAS    0.0934 FALSE select_cv_3YfWC
 9 AACS    0.194  FALSE select_cv_3YfWC
10 AADAC   3.40   TRUE  select_cv_3YfWC
# ℹ 19,183 more rows

Interface utilisateur : step_select_cv()

step_select_cv <- function(recipe, ..., role = NA, trained = FALSE,
                           n_kept = NULL, prop_kept = NULL,
                           cutoff = NULL, res = NULL,
                           skip = FALSE, 
                           id = rand_id("select_cv")) { 

  add_step(                        # Ajouter une nouvelle étape à une recette existante
    recipe,
    step_select_cv_new(            # Les arguments sont hérités tels quels
      terms = enquos(...),
      role = role,                 
      trained = trained,           # trained = FALSE
      n_kept = n_kept,
      prop_kept = prop_kept,
      cutoff = cutoff,
      res = res,                   # res = NULL à mettre à jour plus tard
      skip = skip,
      id = id                      # id aléatoire
    )
  )
}

Création de l’étape : step_select_cv_new()

step_select_cv_new <- function(terms, role, trained,
                               n_kept, prop_kept, cutoff,
                               res, skip, id) {

  step(
    subclass = "select_cv",  # Spécification de la classe pour dispatcher aux futures méthodes
    terms = terms,           # Les arguments sont hérités tels quels
    role = role,
    trained = trained,       
    n_kept = n_kept,
    prop_kept = prop_kept,
    cutoff = cutoff,
    res = res,
    skip = skip,
    id = id
  )
}

Calculs : prep.step_select_cv()

prep.step_select_cv <- function(x, training, info = NULL, ...) {
  
  col_names <- recipes_eval_select(x$terms, training, info)    # x est la liste des arguments de l'étape
  check_type(training[, col_names], quant = TRUE)              # Vérification des variables

  #####
  
  res_cv <-                                  # Calculs
    training[, col_names] %>%                #  Un tibble à 3 colonnes :
    apply(2, cv) %>%                         #  variables, CVs et s'il faut les garder ou non
    enframe(name = "terms", value = "cv") %>%
    mutate(kept = var_to_keep(.data$cv, x$n_kept, x$prop_kept, x$cutoff, maximize = TRUE))

  #####
  
  step_select_cv_new(    # Mettre à jour l'étape dans la recette
    terms = x$terms,     # La plupart des arguments sont hérités tels quels
    role = x$role,
    trained = TRUE,      # Cette étape est maintenant entrainée
    n_kept = x$n_kept,
    prop_kept = x$prop_kept,
    cutoff = x$cutoff,
    res = res_cv,        # Résultat à conserver pour plus tard
    skip = x$skip,
    id = x$id
  )
}

Application : bake.step_select_cv()

bake.step_select_cv <- function(object, new_data, ...) {
  
  col_names <- object$res$terms                # object est la liste des arguments de l'étape
  check_new_data(col_names, object, new_data)  # Vérification des variables

  #####
  
  col_to_remove <-            # Calculs
    object$res %>%            #  on retire les colones non désirées
    filter(!.data$kept) %>%
    pull(.data$terms)

  new_data[col_to_remove] <- NULL
  
  #####

  new_data # On renvoie le jeu de données mis à jour
}

Récupérer les informations : tidy.step_select_cv()

tidy.step_select_cv <- function(x, ...) {
  
  if (is_trained(x)) {
    res <- x$res                       # res contient les informations nécessaires
  } else {
    term_names <- sel2char(x$terms)
    res <-
      tibble(
        terms = term_names,            # Renvoie NA quand la recette n'est pas entrainée
        cv = rlang::na_dbl,
        rank = rlang::na_dbl,
        kept = rlang::na_lgl
      )
  }

  res$id <- x$id                       # Ajoute l'identifiant aléatoire
  res
}

Affichage : print.step_select_cv()

print.step_select_cv <- function(x, width = max(20, options()$width - 35), ...) {
  
  title <- "Top CV filtering on "

  print_step(
    tr_obj = x$res$terms,
    untr_obj = x$terms,
    trained = x$trained,
    title = title,
    width = width
  )
  
  invisible(x)
}

Méthodes à importer

Pour gérer correctement le NAMESPACE

#' @keywords internal
"_PACKAGE"

## usethis namespace: start
#' @importFrom generics required_pkgs tidy
#' @importFrom recipes prep bake
#' @importFrom tibble tibble
## usethis namespace: end
NULL

Dépendances sans dépendances

• Intro

• Prétraitement

• Données omiques

• Créer sa première étape

• Dépendances sans dépendances

• Outro

Gérer les lignées taxonomiques

data("cheese_taxonomy")

cheese_taxonomy %>% 
  select(asv, lineage)

# A tibble: 74 × 2
   asv    lineage                                                                                             
   <chr>  <chr>                                                                                               
 1 asv_01 k__Fungi|p__Ascomycota|c__Dothideomycetes|o__Dothideales|f__Dothioraceae|g__Aureobasidium|s__Aureob…
 2 asv_02 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillaceae|g__Aspergillus|s__Aspergil…
 3 asv_03 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillaceae|g__Penicillium|s__Penicill…
 4 asv_04 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillaceae|g__Penicillium|s__Penicill…
 5 asv_05 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillaceae|g__Penicillium|s__Penicill…
 6 asv_06 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillaceae|g__Penicillium|s__Penicill…
 7 asv_07 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillaceae|g__Penicillium|s__Penicill…
 8 asv_08 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillaceae|g__Penicillium|s__Penicill…
 9 asv_09 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillaceae|g__Penicillium|s__Penicill…
10 asv_10 k__Fungi|p__Ascomycota|c__Saccharomycetes|o__Saccharomycetales|f__Debaryomycetaceae|g__Debaryomyces…
# ℹ 64 more rows

Gérer les lignées taxonomiques

data("cheese_taxonomy")

cheese_taxonomy %>% 
  select(asv, lineage) %>% 
  mutate(order = yatah::get_clade(lineage, "order"),
         genus = yatah::get_clade(lineage, "genus")) 

# A tibble: 74 × 4
   asv    lineage                                                                order           genus        
   <chr>  <chr>                                                                  <chr>           <chr>        
 1 asv_01 k__Fungi|p__Ascomycota|c__Dothideomycetes|o__Dothideales|f__Dothiorac… Dothideales     Aureobasidium
 2 asv_02 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillac… Eurotiales      Aspergillus  
 3 asv_03 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillac… Eurotiales      Penicillium  
 4 asv_04 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillac… Eurotiales      Penicillium  
 5 asv_05 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillac… Eurotiales      Penicillium  
 6 asv_06 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillac… Eurotiales      Penicillium  
 7 asv_07 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillac… Eurotiales      Penicillium  
 8 asv_08 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillac… Eurotiales      Penicillium  
 9 asv_09 k__Fungi|p__Ascomycota|c__Eurotiomycetes|o__Eurotiales|f__Aspergillac… Eurotiales      Penicillium  
10 asv_10 k__Fungi|p__Ascomycota|c__Saccharomycetes|o__Saccharomycetales|f__Deb… Saccharomyceta… Debaryomyces 
# ℹ 64 more rows

step_taxonomy()

cheese_taxonomy %>% 
  recipe(~ asv + lineage) %>% 
  step_taxonomy(lineage, rank = c("order", "genus")) %>% 
  prep() %>% 
  bake(new_data = NULL)

# A tibble: 74 × 3
   asv    lineage_order     lineage_genus
   <fct>  <chr>             <chr>        
 1 asv_01 Dothideales       Aureobasidium
 2 asv_02 Eurotiales        Aspergillus  
 3 asv_03 Eurotiales        Penicillium  
 4 asv_04 Eurotiales        Penicillium  
 5 asv_05 Eurotiales        Penicillium  
 6 asv_06 Eurotiales        Penicillium  
 7 asv_07 Eurotiales        Penicillium  
 8 asv_08 Eurotiales        Penicillium  
 9 asv_09 Eurotiales        Penicillium  
10 asv_10 Saccharomycetales Debaryomyces 
# ℹ 64 more rows

En temps normal

#' @importFrom yatah get_clade
bake.step_taxonomy <- function(object, new_data, ...) {
  ...
  new_col <- paste0(term, "_", rank)
  
  new_data[[new_col]] <- get_clade(new_data[[term]], rank = rank, same = FALSE)
  ...
  return(new_data)
}

• Besoin d’ajouter {yatah} dans les dépendances.

Digression à propos de call2() et eval_tidy()

head(fruit)

[1] "apple"       "apricot"     "avocado"     "banana"      "bell pepper" "bilberry"   

knitr::combine_words(head(fruit), and = " or ")

apple, apricot, avocado, banana, bell pepper, or bilberry

library(rlang)
cl <- call2("combine_words", .ns = "knitr",
            words = head(fruit), and = " or ")
cl

knitr::combine_words(words = c("apple", "apricot", "avocado", 
"banana", "bell pepper", "bilberry"), and = " or ")

eval_tidy(cl)

apple, apricot, avocado, banana, bell pepper, or bilberry

Sans dépendance

#' @importFrom rlang eval_tidy call2
bake.step_taxonomy <- function(object, new_data, ...) {
  ...
  new_col <- paste0(term, "_", rank)
  
  yatah_call <- call2("get_clade", .ns = "yatah", 
                      lineage = new_data[[term]], rank = rank, same = TRUE)
  new_data[[new_col]] <- eval_tidy(yatah_call)
  ...
  return(new_data)
}

• {yatah} n’est plus requis.

• {rlang} est déjà une dépendance de {recipes}.

required_pkgs()

required_pkgs.step_taxonomy <- function(x, ...) {
  c("yatah", "scimo")
}

• Vérifie si le package requis est installé.

• Charge correctement le package lors de calculs parallèles.

• Utilisé aussi dans les autres étapes de {scimo}, et renvoie seulement "scimo".

Outro

• Intro

• Prétraitement

• Données omiques

• Créer sa première étape

• Dépendances sans dépendances

• Outro

Prochaines étapes

• Arguments optimisables.

• Nouvelles étapes :

  • autres tests (limma, DESeq2…) pour la sélection de variables,

  • réduction de dimension avec PLNmodels,

  • étapes multi-omiques (comment définir les groupes avec tidyselect?).

Pour aller plus loin

• Packages

  • tidymodels

  • recipes

  • scimo

• Livre

  • Tidy Modeling with R

• Vignette

  • Create your own recipe step function

Un grand merci !

Julie Aubert

pour les idées, discussions et contributions

Emil Hvitfeldt

pour la relecture et les tickets ouverts

Sylvain Jonchery

pour le logo