Formation en bioinformatique

Leçon 1 • Formats de fichiers en bio-informatique

Explique les formats FASTA, FASTQ, GenBank, PDB et GFF ainsi que leurs cas d'utilisation. Prépare les étudiants à manipuler des fichiers de données bruts dans les chapitres suivants.

Leçon 2 • Types de données biomoléculaires

Présente les séquences nucléotidiques, les séquences d'acides aminés et les coordonnées structurales comme des classes de données distinctes. Relie le type de données aux outils analytiques appropriés.

Leçon 3 • Le dogme central expliqué

Couvre le flux d'information de l'ADN à l'ARN aux protéines et ses exceptions. Ancre tous les concepts de bio-informatique en aval dans la réalité de la biologie moléculaire.

Leçon 1 • Méthodes de recherche heuristique dans les bases de données

Présente les heuristiques BLAST et FASTA pour la recherche rapide dans les bases de données. Les étudiants apprennent à configurer les recherches et à évaluer la signification statistique.

Leçon 2 • Alignement de séquences multiples

Couvre les méthodes d'ASM progressives, itératives et basées sur la cohérence. Les étudiants évaluent la qualité de l'alignement et préparent les alignements pour les analyses en aval.

Leçon 3 • Visualisation et interprétation des alignements

Enseigne les outils pour rendre et annoter les alignements afin d'obtenir des informations biologiques. Fait le pont entre les résultats computationnels et les conclusions biologiques.

Leçon 4 • Matrices de notation et pénalités d'écart

Explique les matrices de substitution et les modèles de pénalité d'écart qui sous-tendent la notation de l'alignement. Relie les choix mathématiques à l'interprétabilité biologique.

Leçon 1 • Contrôle de la qualité des lectures brutes

Couvre les métriques de qualité, l'écrêtage des adaptateurs et le filtrage des lectures pour les données de séquençage. Assure une entrée propre pour l'assemblage et les analyses en aval.

Leçon 2 • Technologies de séquençage de nouvelle génération

Compare les plateformes de séquençage à lectures courtes et à lectures longues et leurs profils d'erreur. Éclaire la sélection de la technologie pour des projets génomiques spécifiques.

Leçon 3 • Stratégies d'assemblage de génomes

Explique les approches d'assemblage par recouvrement-disposition-consensus et par graphe de Bruijn. Les étudiants sélectionnent des stratégies d'assemblage en fonction du type de données et de la complexité du génome.

Leçon 4 • Notions de base sur l'annotation des génomes

Couvre les pipelines d'annotation structurale et fonctionnelle pour les génomes assemblés. Relie l'assemblage brut à des modèles de gènes biologiquement interprétables.

Leçon 1 • Cartographie des lectures et quantification

Explique l'alignement conscient de l'épissage et la pseudo-alignement pour la quantification des transcrits. Les étudiants génèrent des matrices de comptage à partir de lectures RNA-seq brutes.

Leçon 2 • Conception expérimentale en RNA-seq

Couvre la réplication, la randomisation et le contrôle des facteurs confondants dans les études RNA-seq. Une conception appropriée empêche les artefacts analytiques dans les données d'expression.

Leçon 3 • Analyse d'enrichissement fonctionnel

Enseigne les méthodes d'enrichissement des voies et de l'ontologie génique pour interpréter les résultats d'expression. Relie les listes de gènes aux processus biologiques et aux fonctions moléculaires.

Leçon 4 • Méthodes de normalisation

Compare les stratégies de normalisation RPKM, TPM et basée sur les comptages. Une normalisation correcte permet des comparaisons valides de l'expression entre les échantillons.

Leçon 1 • Analyse des données de spectrométrie de masse

Présente l'identification des peptides, la quantification des protéines et la détection des modifications post-traductionnelles à partir des données SM. Relie les données protéomiques aux connaissances biologiques.

Leçon 2 • Comparaison et classification structurales

Couvre l'alignement structural, le calcul du RMSD et la classification des repliements protéiques. Les étudiants identifient les relations structurales au-delà de la similarité de séquence.

Leçon 3 • Prédiction de structure protéique

Explique les méthodes de prédiction de structure par modélisation par homologie, threading et apprentissage profond. Les étudiants génèrent et évaluent des modèles de protéines prédits.

Leçon 4 • Fondamentaux de l'amarrage moléculaire

Couvre les principes d'amarrage ligand-récepteur, les fonctions de score et l'interprétation des résultats. Les étudiants évaluent les interactions protéine-ligand de manière computationnelle.

Leçon 1 • Structure et diversité des populations

Couvre l'analyse en composantes principales, la modélisation du mélange et les statistiques de différenciation des populations. Les étudiants caractérisent la diversité génétique entre les populations.

Leçon 2 • Annotation et priorisation des variants

Présente l'annotation fonctionnelle, la prédiction de pathogénicité et les stratégies de priorisation des variants. Relie les variants bruts à la pertinence biologique et clinique.

Leçon 3 • Filtrage des variants et contrôle de la qualité

Couvre le filtrage strict, la recalibration des scores de qualité des variants et les filtres au niveau du génotype. Supprime les faux positifs avant l'interprétation biologique.

Leçon 4 • Méthodes d'appel de variants

Explique les algorithmes d'appel de SNP, d'indels et de variants structuraux et leurs hypothèses. Les étudiants appliquent les appelants appropriés pour les contextes germinaux et somatiques.

Leçon 1 • Détection de communautés et modules

Couvre les algorithmes de regroupement pour identifier les modules fonctionnels dans les réseaux biologiques. Les étudiants relient les modules du réseau aux voies et processus biologiques.

Leçon 2 • Réseaux d'interaction protéine-protéine

Explique les sources de données IPP, la notation de confiance et la construction de réseaux. Les étudiants construisent et filtrent les réseaux d'interaction pour l'analyse en aval.

Leçon 3 • Prédiction fonctionnelle basée sur les réseaux

Enseigne la culpabilité par association et la propagation dans les réseaux pour la prédiction de fonction génique. Les étudiants exploitent la topologie du réseau pour inférer les fonctions géniques inconnues.

Leçon 4 • Topologie et métriques des réseaux

Couvre la distribution des degrés, le coefficient de regroupement et les mesures de centralité. Les étudiants identifient les hubs, les goulots d'étranglement et les structures modulaires dans les réseaux.

Leçon 1 • Interprétation et rapports biologiques

Couvre la synthèse au niveau des voies, la génération d'hypothèses et la communication scientifique des résultats multi-omiques. Les étudiants traduisent les résultats computationnels en conclusions biologiques exploitables.

Leçon 2 • Apprentissage automatique en multi-omique

Présente l'apprentissage supervisé et non supervisé pour la découverte de biomarqueurs et la classification d'échantillons. Les étudiants appliquent des modèles régularisés aux données omiques de haute dimension.

Leçon 3 • Réduction de dimensionnalité pour la multi-omique

Couvre l'ACP, l'UMAP et l'analyse factorielle multi-omique pour les données de haute dimension. Les étudiants réduisent la complexité tout en préservant la variation biologiquement significative.

Leçon 4 • Harmonisation des données multi-omiques

Couvre l'appariement des échantillons, la correction des effets de lot et la normalisation des données entre les couches omiques. Les données harmonisées sont le prérequis pour une intégration valide.