M2 Biologie Computationnelle : Analyse, Modélisation et Ingénierie de l'Information Biologique et Médicale

Sabine PeresMCF Univ. Paris-Sud / Paris-Saclay CNU 27 Stefan Haar DR INRIA ENS Paris-Saclay.

Objectifs :
S'assurer de la cohérence d'un modèle par rapport à des observations réelles (expériences) ;
En extraire de nouvelles informations : (i) Identifier différents régimes de fonctionnement (ii) Identifier des molécules/interactions importantes

Contenu :
Réseaux de signalisation et régulation génique
* Calculer la dynamique d‘un réseau booléen
* Exprimer un comportement de façon formelle
* Vérifier qu‘un modèle peut reproduire ce comportement et prédire son contrôle (outils et algorithmes).

Réseaux métaboliques
* Identifier les régimes stationnaires / voies optimales
* Modes élémentaires (raisonnement qualitatif)
* Flux Balance Analysis.

Python Optimisation.

Optimization methods in metabolic network (Costas Maranas, Ali Zomorrodi).

Novembre - Décembre - Janvier.

ORSAY

DeniseAlainPRUniv. Paris-Sud / Paris-Saclay CNU 27 GautheretDanielPR Univ. Paris-Sud / Paris-Saclay, co-responsable de l'UE PontyYannCRCNRS Ecole Polytechnique CNU 64.

Objectifs :
- Découverte du monde de l'ARN, de son rôle dans l'évolution et de ses fonctions multiples dans les organismes
- Comprendre et appliquer les principaux algorithmes d'analyse des ARN: repliement, alignement, recherche dans les génomes
- Réaliser l'analyse complète d'une famille d'ARN

Contenu :
Cours théoriques:
- les grand algorithmes de repliement (ab initio, comparatif, thermodynamique)
- les principales familles d'ARN et les banques de données d'ARN
- la découverte de nouveaux ARN (méthodes expérimentales et algorithmiques)
Pratique
- Repliement ab inito et comparatif
- Projet.

Bases de biologie moléculaire.

Novembre - Décembre - Janvier.

ORSAY

PASIMarcoMCFENS Paris-SaclayCNU 64 LOPESAnneMCFUniversité Paris Sud / Paris SaclayCNU 65 ANDREANIJessicachercheur CEACNRS 20 GUEROISRaphaëlchercheur CEACNRS 20.

Les séances se déroulent en salle machine et alternent cours théoriques et cours pratiques afin de s'approprier les concepts présentés pendant les cours sur des exemples concrets et actuels de la biologie. L'objectif est de montrer aux étudiants le rôle de la bioinformatique structurale dans les questions actuelles de la biologie et de leur faire s'approprier les méthodes du domaine pour aborder la dynamique des macromolécules et la reconnaissance moléculaire. Le cours se termine sur une introduction à la biologie intégrative (intégration de données hétérogènes) pour la modélisation de complexes protéiques.

Objectifs visés :
- Définir la dynamique de protéines et acides nucléiques en relation avec leur fonction et avec les données expérimentales
- Connaître les méthodes de mécanique moléculaire pour la modélisation de la dynamique des biomolécules : principes, approximations, applications
- Définir la dynamique de protéines et acides nucléiques en relation avec leur état natif sur un paysage d'énergie : échantillonnage et équilibre
- Comprendre le rôle de la dynamique dans les processus de reconnaissance moléculaire
- Comprendre comment données expérimentales et simulations moléculaires sont utilisés pour étudier la fonction des biomolécules et leurs complexes : ensembles statistiques en biologie structurale intégrative.

Contenu :
Introduction à la dynamique des protéines et acides-nucléiques. Concepts et méthodes expérimentales et in silico pour caractériser et modéliser la flexibilité des macromolécules. Introduction à la dynamique moléculaire. Lancement d'une dynamique, analyse de trajectoires, analyses statistiques (application d'algorithmes de classification, échantillonnages) et interprétation des résultats en regard de la question biologique de départ. Intégration de données hétérogènes pour la reconstruction de complexes macromoléculaires (inférence bayésienne et contraintes expérimentales).

Bases de bioinformatique structurale. Maitriser un langage de programmation.

Novembre - Décembre - Janvier.

ORSAY

BARTHDominiquePRUVSQ CNU 27 DENISE Alain PR Univ. Paris-Sud / Paris-Saclay CNU 27.

Cours magistraux avec séances d’exercices.

Ce cours présentera des applications réelles de l’algorithmique de graphes (isomorphisme, flots, clustering, couplages) et de Machine Learning (jeux et apprentissage par renforcement) pour l’analyse moléculaire (similarité de molécules, docking, prédiction de structure).

UE d’Informatique Théorique du M2 AMI2B.

Gilbert Deléage, Manolo Gouy. Bioinformatique - Cours et cas pratique. DUNOD ed., 2013.

Novembre - Décembre - Janvier.

ORSAY

KAHN Sylvie PopsiCube.

Chaque séance se décompose comme suit : Rappel des points clés vus lors de la séance précédente : chaque étudiant vient écrire au tableau une idée ou un mot clé. Ensuite séance post-it géant pour introduire la suite Cours magistral avec powerpoint Séance post-it géant pour illustrer le cours magistral ou faire des exercices sur le cours

Evaluation par QCM (Questionnaires à choix multiples) et QROC (Questions à réponses ouvertes courtes).

Comprendre le développement d'un médicament / dispositif médical dans son environnement technique et règlementaire
Connaître les acteurs et les métiers de la recherche clinique
Comprendre les grandes fonctions statistiques liées à la recherche clinique.

Voir comment un parcours AMI2B peut intéresser les entreprises des sciences de la vie.

Introduction à la recherche clinique et épidémiologique (UE de M1 BIBS).

Novembre - Décembre - Janvier.

ORSAY

Pour le descriptif de cette UE, voir l'UE de même nom dans le Groupe 1 d'UE, groupe "Informatique avancée pour la biologie".

ORSAY

Patrick Amar MCF Univ. Paris-Sud / Paris-Saclay CNU 27.

Première partie sous forme de cours, puis application sur table (TD) et TP sur ordinateur.

Objectif : Utiliser plusieurs méthodes avancées de simulation numérique pour les appliquer à l'étude de processus biologiques

Contenu :
"Algorithmes de simulation:
1. algorithme de Gillespie, me?thodes exactes et approche?es, localisation spatiale : me?thode des sous-volumes, comparaison avec les systèmes d'équations différentielles ordinaires.
2. Automates cellulaires (bre?ve introduction) de?terministes / stochastiques
3. Syste?mes Entite?-Centre?s à re?gles de re?e?criture probabilistes: HSIM

Ces me?thodes seront comparées et applique?es a? plusieurs exemples de mode?les de re?seaux biologiques.".

Contenu de l'UE du M1 BIBS "Mode?lisation des syste?mes et re?seaux biologiques".

Gillespie, Daniel T. (1977) Exact Stochastic Simulation of Coupled Chemical Reactions The Journal of Physical Chemistry 81(25) :2340-2361. Cao Y., Gillespie, D.T., and Petzold L. (2004) Efficient formulation of the stochastic simulation algorithm for chemically reacting systems. Journal of Chemical Physics 121 :4059-4067. Amar P. , Legent G., Thellier M., Ripoll C., Bernot G., Nystrom T., Saier Jr M., Norris V. (2008) A stochastic automaton shows how enzyme assemblies may contribute to metabolic e??ciency BMC Systems Biology 2(27). Eguchi K., Yoda M., Terada T.P., and Sasai M. (2008) Mechanism

Septembre - Octobre - Novembre.

ORSAY

Après accord de l'équipe pédagogique, il sera possible de suivre une UE d'un autre master.

Accord de l'équipe pédagogique.

Septembre - Octobre - Novembre - Décembre - Janvier - Février.

Sarah Cohen-Boulakia PR Univ. Paris-Sud / Paris-Saclay CNU 27 Dominique Barth PR UVSQ CNU 27 Antoine Cornuéjols PR AgroParisTech CNECA 3.

L'objectif de cette UE est de présenter les techniques les plus avancées pour optimiser l'accès aux données d'une base de données : savoir optimiser une requête SQL et savoir optimiser un schéma de bases de données.

Le contenu est le suivant :
- Stratégies de placement des données sur le disque (stockage des données)
- Index : types et structures
- Niveaux d'optimisation d'une BD : schéma, requête
- Plan de requêtes, algorithmes existants pour l'implémentation des opérateurs
- Réécriture de requêtes.

Savoir implémenter en SQL la création de schémas, tables, clés primaires et étrangères, l'insertion/suppression/mise à jour de données et l'interrogation à l'aide des opérateurs Select-From-Where-Group by-Having. Avoir des notions en Algèbre relationnelle (opérateurs, requêtes).

Database Management Systems, de Raghu Ramakrishnan, Johannes Gehrke/ McGraw Hill, 3ème édition

Database Tuning. Principles, Experiments, and Troubleshooting, de Dennis Shasha, Philippe Bonnet. Morgan Kaufmann.

Septembre - Octobre - Novembre.

ORSAY

Alain Denise PR Univ. Paris-Sud / Paris-Saclay CNU 27 Dominique Barth PR UVSQ CNU 27 Antoine Cornuéjols PR AgroParisTech CNECA 3.

L'UE a pour objectif d'amener les étudiants à concevoir des algorithmes complexes et estimer leurs performances.
L'UE abordera les point suivants :
- Théorie des langages et applications en génomique : langages rationnels, automates, expressions régulières ; applications à la recherche de motifs dans les séquences ; grammaires formelles et prédiction de structures ;
- Bases de théorie de graphes. Algorithmique des graphes : parcours, plus courts chemins, chemins eulériens et hamiltoniens. Illustrations sur des problèmes en bioinformatique.
- Notions de décidabilité, bases de la théorie de la complexité : problèmes P, NP, NP-complets. Illustrations sur des problèmes en bioinformatique.

Programme d'algorithmique du M1 BIBS.

Septembre - Octobre - Novembre.

ORSAY

Yann Ponty CR CNRS Ecole Polytechnique Sebastian WillPR Ecole Polytechnique Jean-Marc Steyaert PR émérite Ecole Polytechnique.

Le module consistera en une série de cours, parfois accompagnés de TP visant à l'implémentation, ou l'utilisation, d'algorithmes présentés en cours. Le cours sera accompagné d'un exercice de synthèse d'article de recherche, portant sur une thématique liée au cours, à la fois à l'écrit et sous la forme d'une soutenance orale collective. Un examen sur table viendra compléter le contrôle des connaissances.

Ce module vise à exposer les étudiants au concepts fondamentaux d'algorithmique combinatoire, pertinents dans un contexte Bioinformatique. De solides connaissances algorithmiques permettent en effet de guider la conception de nouvelles méthodes bioinformatiques, mais aident à anticiper les limites, et à mieux interpréter les résultats des méthodes existantes.
Une liste partielle de thèmes, applications et algorithmes abordés en cours comprend :
- Alignement : Alignement local/global, Modèles de Markov cachés (HMM), alignement multiple
- Recherche de motifs : simple (Knuth-Morris-Pratt), multiple (Aho-Corasick), inconnus a priori (arbre suffixe)
- Assemblage : De Bruijn graphs, Burrows-Wheeler transform
- Bioinformatique structurale : Repliement d'ARN (Nussinov/Zuker), comparatif (Sankoff), annotation par SCFG (InfeRNAl/CYK)
- Phylogénie/Génomique comparative : Réconciliations arbres génes/espèces, réarrangements

Les cours partiront de ces éléments pour présenter un panorama de techniques algorithmiques de portée générale : Programmation dynamique ou linéaire en nombres entiers, optimisation paramétrique, structures de données et d'indexation, complexité paramétrée ...

Connaissance initiale des structures de données séquentielles et arborescentes, et techniques d'optimisation de base (programmation dynamique), maitrise à un niveau équivalent à celui requis pour valider l'UE "Algorithmique et complexité" de M1 BIBS.

Richard Durbin, Sean Eddy, Anders Krogh, and Graeme Mitchison. Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids. Cambridge University Press, ISBN 0-521-62041-4, 1998. Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest and Clifford Stein. Introduction to algorithms. MIT Press, ISBN 9780262033848, 2009 Maxime Crochemore, Christophe Hancart, and Thierry Lecroq. Algorithms on strings. Cambridge University Press, ISBN 978-0-521-84899-2, 2007 Phillip Compeau and Pavel Pevzner. Bioinformatics Algorithms: An Active Learning Approach. Active Learning Publishers

Septembre - Octobre.

ORSAY

Olivier Lespinet PR Univ. Paris-Sud / Paris-Saclay CNU 65 Sarah Cohen-Boulakia PR Univ. Paris-Sud / Paris-Saclay CNU 27.

Une série de cours et de TP initiaux permet aux étudiants de se familiariser avec les langages HTML/CSS, PHP et JS. Au cours de cette UE, les étudiants réalisent également un projet en binôme où ils doivent concevoir et développer un site web dynamique effectuant des requêtes optimisées dans une base de données. Le suivi du projet se fait sous forme d'entretiens hebdomadaires avec un enseignant.

Les objectifs de l'UE sont :
Concevoir et développer un site web dynamique effectuant des requêtes dans une base de données.
Concevoir un parseur en python pour remplir automatiquement une base de données.
Concevoir une base de données pour effectuer des requêtes pertinentes et optimisées.
Conduire et mener à terme un projet de développement informatique.
Apprendre à travailler en équipe.

Contenu de l'UE :
Mise en page avec HTML et CSS.
Utiliser PHP et JS pour développer des sites web dynamiques".

Savoir écrire une requête simple en SQL.

Septembre - Octobre - Novembre.

ORSAY

Après accord de l'équipe pédagogique, il sera possible de suivre une UE d'un autre master.

Accord de l'équipe pédagogique.

Septembre - Octobre - Novembre - Décembre - Janvier - Février.

Après accord de l'équipe pédagogique, il sera possible de suivre une UE d'un autre master.

Accord de l'équipe pédagogique.

Septembre - Octobre - Novembre - Décembre - Janvier - Février.

COQUELLEFrédéricMCU HCUniv. Paris-Sud / Paris-Saclay CédricIR2Institut Curie, co-responsable de l'UE.

Enseignement filé (1 séance par semaine sur une période de 6 semaines). Chaque nouveau concept sera immédiatement mis en pratique sur des exemples à l'aide d'ordinateurs et des logiciels ImageJ et Fiji. Méthodologie d'apprentissage actif (Jean Piaget, John Dewey et Kurt Lewin) en combinant des méthodes pédagogiques maïeutiques, le débat (Oscar Brenifier) et l'apprentissage en spirale (J.C. Bruner).

Le but général est de permettre aux étudiants de comprendre et d’analyser l’information contenue dans des images obtenues par différentes techniques d'imagerie utilisées en biologie. Les étudiants deviennent familiers des méthodes de traitement et d’analyse quantitative des images numériques. Ils développent un esprit critique sur les informations qui peuvent être obtenues à partir des images numériques et sur les artefacts qui peuvent apparaître pendant leur traitement et leur analyse. Ils pourront ainsi interpréter correctement, extraire et quantifier les informations contenues dans les images biologiques.
-Décrire et expliquer les bases théoriques de l’image numérique et de son interprétation (formats d’image, rang dynamique, histogramme, LUTs, opérations mathématiques sur les images, échantillonnage, opérations dans l'espace des fréquences, segmentation, bruits et filtres, convolution et corrélation, projection et rétroprojection, visualisation 3D, utilisation d’ImageJ (Fiji), utilisation de plug-in, programmation Macro
-Extraire des données quantitatives de l’image (segmentation par seuillage, densitométrie et granulométrie)
-Traiter et analyser les signaux (signaux périodiques et non périodiques, estimateurs/descripteurs d’images, débruitage)
-Réaliser des reconstructions 3D à partir de projections (théorème de la section centrale, rétroprojection dans l’espace de Fourier et techniques de reconstructions algébriques.
-Automatiser des tâches par programmation Macro.

Digital Image Processing, W. Burger and M.J. Burge, Springer (2nd Edition).

Novembre - Décembre.

ORSAY

Lelandais GaëllePRUniv. Paris-Sud /Paris-Saclay CNU 64 GallopinMélinaMCF Univ. Paris-Sud /Paris-Saclay Paris Sud CNU 65, co-responsable de l'UE.

Les séances se déroulent en salle informatique, avec une alternance de phases de cours et de phases de mises en applications pratiques. Des évaluations des acquis de compétences sont proposées régulièrement aux étudiants sous la forme de questionnaires sur Internet (auto-évaluations non notées). Le travail en groupe est encouragé lors des mises en applications pratiques. Un forum est mis à la disposition des étudiants, pour favoriser les discussions et le partage d’informations en dehors de la classe.

A l'issue de l'UE, les étudiants doivent :
- Savoir choisir les méthodes statistiques adaptées à différents types de données omiques
- Savoir appliquer les méthodes statistiques en utilisant le logiciel R
- Savoir interpréter les résultats issus des méthodes statistiques dans un cas d’étude biologique particulier

Contenu développé :
Différents types de données issues des approches expérimentales haut débit (omiques) seront traitées (par exemple RNAseq, ChIPseq, spectrométrie de masse). Une première partie de l’enseignement sera consacrée à l’analyse exploratoire des données multivariées, puis seront abordées différentes problématiques telles que l’analyse différentielle (RNAseq), la détection de pics (peak calling, ChIPseq), l’intégration de données multi-omiques (transcriptomique et protéomique) et l’inférence de réseaux de gènes.

Bonne maîtrise du logiciel R; Principes des techniques d'analyses de données multivariées (ACP, MDS, etc.); Statistique inférentielle (estimation, tests d'hypothèses, etc.); Techniques de séquençage haut débit (RNAseq, ChIPseq, etc.).

Introductory Statistics with R, de Peter Dalgaard (ed. SPRINGER, 2008).

Novembre - Décembre - Janvier.

ORSAY

POURSAT Marie-AnneMCF Univ. Paris-Sud / Paris-Saclay CNU 26.

Chaque séance inclut une étude de cas permettant la mise en en œuvre des méthodes enseignées et l'analyse statistique des données associées.

Objectif :
Être capable d'utiliser une méthodologie d’apprentissage statistique sur un jeu de données multivarié, d'implémenter les méthodes étudiées avec R;
Savoir mettre en place une stratégie de choix de modèle(s); Savoir évaluer et comparer les performances des méthodes d’apprentissage.

Contenu :.

Modèles de régression et classification supervisée, paramétriques et non-paramétriques; Ré-échantillonage bootstrap, validation croisée et évaluation de performances (estimation de l'erreur de généralisation, courbes ROC); Sélection de variables, choix de modèles; Arbres de décision (CART, Forêts aléatoires); Méthodes d'apprentissage en grande dimension (LASSO, SVM).

An Introduction to Statistical Learning, with applications in R, Gareth, Witten, Hastie and Tibshirani.

Septembre - Octobre - Novembre.

ORSAY

Sarah Cohen-Boulakia PR Univ. Paris-Sud / Paris-Saclay CNU 27 Daniel Gautheret PR Univ. Paris-Sud / Paris-Saclay CNU 64 Olivier Lespinet PR Univ. Paris-Sud / Paris-Saclay CNU 65.

- Séances de préparation aux interviews et rédaction de CV - Conférences industrielles et académiques - Découverte des principales sources d'information en recherche et industrie.

L'objectif de cette UE est multiple :
- Découvrir les métiers de la bioinformatique dans l'industrie et le monde académique
- Rencontrer des professionnels et échanger avec eux
- Choisir son parcours, entre la poursuite en thèse et le travail d'ingénieur en bioinformatique
- Choisir son stage de M2 en fonction de ses projets
- Rédiger son CV et se préparer aux interviews
- S'entraîner à réaliser une présentation orale professionnelle.

Septembre - Octobre - Novembre - Décembre.

ORSAY

Christophe Blanchet, IRCNRS Sarah Cohen-Boulakia, PR Univ. Paris Sud / Paris-Saclay CNU 27 Gaëlle Lelandais, PR Univ. Paris Sud / Paris-Saclay CNU 64 Frédéric Lemoine, IR Institut Pasteur.

L'UE commencera par des séances de cours. Après le lancement du reprohackathon, il y a aura un suivi des étudiants hebdomadaire par groupe de projet. L'UE se terminera par une soutenance finale.

L’objectif de cette UE est de comprendre les enjeux de la reproductibilité d’analyses de données biologiques massives et hétérogènes (big data) et de savoir utiliser les outils existants de développement massivement utilisés dans l’industrie et les laboratoires en bioinformatique permettant d’assurer la bonne reproductibilité, maintenance et réutilisation des chaînes complexes de traitement de données. Un objectif complémentaire est de mettre en pratique des concept introduits dans d’autres UE du master notamment en analyse de données omiques.

Contenu de l'UE :
- Introduction à la problématique d'intégration de données massives et hétérogènes, présentations des enjeux et des outils offrant des éléments de solutions (entrepôts de données, workflows scientifiques…).
- Introduction aux environnements de programmation et outils de reproductibilité (git, docker, singularity) et première mise en pratique.
- Lancement du reprohackathon : création des groupes (équipes) de projet, présentation du sujet mise à disposition des données.

Savoir développer en python.

- Wilkinson M.D., The FAIR Guiding Principles for scientific data management and stewardship, Sci. Data, 2016 (https://www.nature.com/articles/sdata201618) - Sandve, G. K. et. Al. Ten simple rules for reproducible computational research, PLOS Computation.

Novembre - Décembre - Janvier.

ORSAY

LopesAnneMCFUniversité Paris-Sud / Paris-Saclay CNU 65.

Meet-U se déroule sur un semestre et implique 30H de présentiel pour (i) donner les consignes, matériel et cours théoriques en lien avec le projet et (ii) guider et accompagner les étudiants tout au long du projet. Pour faciliter les échanges, nous avons mis en place un forum de discussion et de partage de "code" via la plateforme Git-Hub. Nous avons un partenariat avec l'Institut Français de Bioinformatique qui nous donne accès (i) à leur cluster pour que les étudiants puissent déployer leurs calculs et (ii) à leurs machines virtuelles pour qu'ils bénéficient d'un environnement commun entre Universités. Par ailleurs, deux journées sont organisées durant le semestre au cours desquelles les étudiants se rencontrent, présentent leurs stratégies et résultats préliminaires et coopèrent. Enfin, le colloque final permet de réunir tous les acteurs de la recherche : les collègues de la communauté scientifique, les étudiants en formation, les équipes pédagogiques et les membres du jury.

Meet-U (www.meet-u.org) est un enseignement collaboratif créé en 2016 qui propose une nouvelle façon d’enseigner par l'immersion des étudiants dans l'écosystème de la Recherche. Meet-U implique les étudiants de 2ème année des Masters de Bioinformatique de Sorbonne Université, Paris-Saclay et Paris Diderot. Les objectifs principaux consistent (i) à faire interagir différents acteurs du monde de la recherche et de la formation, et (ii) à ce que les étudiants s'approprient les questions, méthodes et données du monde de la recherche tout en exploitant et mettant en application les compétences/connaissances qu'ils ont acquises tout au long de leur formation. De plus, réaliser un projet ambitieux et le défendre publiquement devant des experts du domaine et une salle comble leur donne une grande confiance en eux et les arme pour aborder sereinement le monde du travail. Enfin, l’objectif du cadre collaboratif (intra et inter équipes) est qu’ils développent un langage pluridisciplinaire, apprennent à communiquer et à s'organiser collectivement et qu’ils développent un de leurs premiers réseaux en dehors des murs de l'université ).

Le premier cours consiste à présenter le projet et à donner les bases théoriques pour aborder le projet. Ces bases théoriques sont spécifiques du projet proposé et viennent compléter les connaissances des étudiants acquises lors de la première année de Master. Les données sont ensuite présentées en détail lors des séances suivantes lorsque les étudiants ont déjà commencé à s'approprier le sujet.

Maitriser un langage de programmation.

Abdollahi N, Albani A, Anthony E, Baud A, Cardon M, Clerc R, et al. (2018) Meet-U: Educating through research immersion. PLoS Comput Biol 14(3): e1005992. https://doi.org/10.1371/journal.pcbi.1005992.

Septembre - Octobre - Novembre - Décembre - Janvier.

ORSAY

LespinetOlivierPR Univ. Paris-Sud / Paris-Saclay CNU 65 LopesAnneMCF Univ. Paris-Sud / Paris-Saclay CNU 65.

L'enseignement se fait en salle informatique et consiste à analyser des jeux de données extraits de la bibliographie ou produits dans les laboratoires du campus afin d'appréhender en situation réelle tous les aspects de l'analyse des données génomiques et de la comparaison des génomes.

Cette UE vise à donner aux étudiants une vision synthétique de la constitution et de l'évolution des génomes procaryotes et eucaryotes. A l'issue de l'UE les étudiants savent manipuler, analyser et interpréter les données génomiques pour répondre à une question biologique.

Contenu du cours :
Concepts d'orthologie, core et pan génomes.
Détermination du contenu en gènes d'un génome
Application à la comparaison de génomes complets
Analyse des génomes : Duplications, Pertes et Gains de Gènes, Transferts horizontaux
Génomique comparée (Diagramme de Venn / Conservation de la synténie)".

Connaître un langage de script Avoir des connaissances de base en génomique.

Novembre - Décembre - Janvier.

ORSAY

BRANCAAntoineMCFUniversité Paris-Sud / Paris-Saclay CNU 67 JAYFlora CRCNRS Université Paris-Sud / Paris-Saclay CNRS 29 et 51.

Du point de vue pratique, l’UE se déroule sous forme de cours magistraux pour l’introduction de concepts centraux en écologie des communautés et en génétique des populations et de travaux pratiques permettant de se familiariser avec les outils d’analyses, les méthodes et les concepts vus en cours magistraux.

Les données -omiques sont un outil important d’étude de la biodiversité sous toutes ses formes : microbienne, environnementale, intraspécifique, fonctionnelle...
L’objectif de l’UE est de présenter aux étudiant.e.s d’une part les méthodes d’analyse du polymorphisme dans les données de génomique et d’autre part celles appliqués aux données -omiques des communautés microbiennes.

L’UE se décompose en deux parties distinctes : (i) l’étude des données de type “méta” dans le cadre de communautés microbiennes ; (ii) les méthodes de génomique des populations pour l’étude la diversité intraspécifique.

Chacune des parties traite de la nature des données utilisées et des méthodes associées à leur analyse. Les étudiant.e.s apprendront notamment à utiliser l’inférence bayésienne pour déterminer la probabilité de différents modèles et en estimer les paramètres.

Utilisation de R.

Frédéric Thomas, Thierry Lefevre, Michel Raymond, Biologie Evolutive, de Boeck, 2010 Hart & Clark, Principle of Population Genetics.

Novembre - Décembre.

ORSAY

GallopinMélinaMCFUniv. Paris-Sud / Paris-Saclay CNU 65 Gautheret DanielPRUniv. Paris-Sud / Paris-Saclay CNU 64 Lelandais GaellePRUniv. Paris-Sud / Paris-Saclay CNU 64.

L'enseignement est en majorité pratique. Après une introduction aux technologies et aux grandes applications des NGS, l'étudiant.e manipule des données réelles à l'aide d'une chaîne d'outils open-source exécutés à l'aide de scripts Unix. Le volume des données et le temps d'analyse posent des problématiques particulières qui sont traitées au moyen de calculs déportés sur Cloud.

L'UE a pour objectifs :
- Comprendre les enjeux du séquençage de nouvelle génération en santé et en biologie
- Distinguer les différents technologies de préparations de banques et de séquençage et savoir quand les appliquer.
- Mobiliser des outils bioinformatiques pour réaliser un pipeline d'analyse NGS
- Gérer des calculs déportés sur Cloud, récupérer des données publiques.
- Visualiser et interpréter les résultats d'analyses NGS visant à identifier des variants génomiques et des variations d'expression génique.

"Cours
- introduction aux NGS
- Les données RNA-seq, WES/WGS: leur production, leurs applications
- Initiation à l'analyse des données d'expression et de variants génomiques

Pratique:
- Prise en main d'un Cloud sous Unix
- Pipelines Unix
- Réalisation de pipelines d'analyse RNA-seq, WES
- Visualisation de résultats RNA-seq/WES.

Bases de shell Unix Notions de biologie moléculaire niveau licence.

ORSAY

Sarah COHEN-BOULAKIA Univ. Paris-Sud / Paris-Saclay CNU 27 Olivier LESPINET Univ. Paris-Sud / Paris-Saclay CNU 65.

Le stage est d'une durée de 4 à 6 mois. Il se termine par la rédaction d'un rapport et une soutenance orale. Chaque étudiant.e est suivi par un tuteur, membre de l'équipe pédagogique de l'élément de formation, pendant la durée du stage.

Le stage est une mise en situation professionnelle dans un laboratoire de recherche ou dans une entreprise.

Février - Mars - Avril - Mai - Juin - Juillet.

ORSAY