Formation de base en bioinformatique

Leçon 1 • Configuration d'un environnement bioinformatique

Guide l'installation d'outils en ligne de commande, de gestionnaires de paquets et d'environnements virtuels. Assure que chaque étudiant dispose d'un espace de travail reproductible avant d'aborder les exercices computationnels.

Leçon 2 • Principales bases de données biologiques

Présente les dépôts principaux tels que NCBI, UniProt et Ensembl. Les étudiants acquièrent des compétences pratiques pour interroger, récupérer et citer des enregistrements de bases de données.

Leçon 3 • Qu'est-ce que la bioinformatique

Définit la bioinformatique comme l'intersection de la biologie, de l'informatique et des statistiques. Établit la portée de la discipline et motive les approches computationnelles aux questions biologiques.

Leçon 4 • Formats de fichiers en bioinformatique

Couvre les formats FASTA, FASTQ, GFF, VCF et les formats connexes essentiels pour l'échange de données. Prépare les étudiants à manipuler des fichiers de données brutes dans tous les chapitres d'analyse ultérieurs.

Leçon 1 • Notions de base de Python pour les biologistes

Couvre les variables, les types de données, les boucles et les fonctions à l'aide d'exemples biologiques. Fournit les fondations de script nécessaires à toutes les analyses computationnelles du cours.

Leçon 2 • Manipulation de données avec Pandas

Présente les DataFrames pour la manipulation de données génomiques et d'expression tabulaires. Permet le filtrage, la fusion et le résumé efficaces de grands ensembles de données biologiques.

Leçon 3 • Script Bash et automatisation de pipelines

Enseigne le script shell pour enchaîner les outils bioinformatiques en pipelines reproductibles. Réduit les étapes manuelles et prépare les étudiants à la gestion de flux de travail dans les chapitres ultérieurs.

Leçon 4 • Manipulation de séquences biologiques en Python

Utilise Biopython pour analyser, chercher et transformer des enregistrements de séquences par programmation. Applique directement les compétences Python aux fichiers FASTA et GenBank présentés dans le chapitre un.

Leçon 1 • Annotation fonctionnelle basée sur l'alignement

Utilise les résultats d'alignement pour déduire la fonction des gènes, les orthologues et les domaines conservés. Intègre les sorties de recherche de similarité avec les annotations des bases de données du chapitre un.

Leçon 2 • Principes de l'alignement de séquences

Explique les algorithmes d'alignement global et local, les matrices de score et les pénalités d'écart. Fournit la base théorique pour évaluer toutes les sorties d'alignement dans ce chapitre.

Leçon 3 • BLAST et recherche de similarité

Couvre les variantes de BLAST, la signification statistique et les stratégies de sélection de bases de données. Les étudiants effectuent des recherches par programmation et analysent les résultats à l'aide des analyseurs BLAST de Biopython.

Leçon 4 • Modèles de profil et de Markov cachés

Explique les HMM de profil pour la détection sensible d'homologie lointaine à l'aide de HMMER. S'appuie sur les concepts d'ASM pour permettre les recherches de familles de protéines à l'échelle des bases de données.

Leçon 1 • Annotation et interprétation des variants

Annote les variants avec les conséquences fonctionnelles à l'aide d'ANNOVAR et SnpEff. Relie les effets des variants aux modèles de gènes et aux bases de données de fréquence des populations.

Leçon 2 • Appel de variants et génotypage

Appelle les SNP et les indels à partir de fichiers BAM à l'aide de GATK HaplotypeCaller et FreeBayes. Produit des fichiers VCF annotés avec des vraisemblances de génotype et des filtres de qualité.

Leçon 3 • Contrôle de la qualité et écrêtage des lectures

Applique FastQC et Trimmomatic pour évaluer et améliorer la qualité des lectures brutes. Assure des données d'entrée propres pour un alignement et un appel de variants précis dans les sections suivantes.

Leçon 4 • Aperçu de la technologie SNG et des données

Passe en revue les plateformes de séquençage à lectures courtes et longues ainsi que leurs caractéristiques de sortie. Contextualise les mesures de qualité et les profils d'erreur qui guident les décisions de traitement en aval.

Leçon 1 • Conception expérimentale du séquençage d'ARN

Couvre la réplication, les effets de lot et les choix de préparation de banques qui affectent l'analyse. Les bonnes décisions de conception prises ici ont un impact direct sur la puissance statistique dans les sections ultérieures.

Leçon 2 • Analyse d'enrichissement fonctionnel

Effectue un enrichissement des termes GO et des voies KEGG sur les ensembles de gènes exprimés de manière différentielle. Traduit les listes statistiques de gènes en processus et voies biologiques interprétables.

Leçon 3 • Normalisation et évaluation de la qualité

Applique les normalisations TPM, RPKM et DESeq deux pour corriger la profondeur de séquençage et la composition. Les graphiques de diagnostic révèlent les échantillons aberrants avant les tests statistiques.

Leçon 4 • Analyse de l'expression différentielle

Utilise DESeq deux et edgeR pour identifier les changements d'expression statistiquement significatifs. Applique la correction pour tests multiples et les seuils de changement de pli pour produire des listes de gènes fiables.

Leçon 1 • Prédiction de la structure des protéines

Applique la modélisation par homologie et AlphaFold deux pour prédire les structures tridimensionnelles des protéines. Évalue la qualité du modèle à l'aide des scores DOPE, des graphiques de Ramachandran et des métriques pLDDT.

Leçon 2 • Fondamentaux de la structure des protéines

Passe en revue les niveaux de structure primaire à quaternaire et présente le format de fichier PDB. Fournit le vocabulaire structural nécessaire pour interpréter les résultats de prédiction et d'amarrage.

Leçon 3 • Réseaux d'interactions protéine-protéine

Construit et analyse des réseaux d'IPP à l'aide des données de STRING et de la visualisation Cytoscape. Identifie les protéines hubs et les modules fonctionnels pertinents pour la biologie des maladies et des voies de signalisation.

Leçon 4 • Principes de base de l'amarrage moléculaire

Présente l'amarrage ligand-récepteur à l'aide d'AutoDock Vina pour prédire les poses de liaison. Relie les connaissances structurales à la découverte de médicaments et aux applications d'annotation fonctionnelle.

Leçon 1 • Applications de la génomique comparative

Identifie les génomes centraux et accessoires, les expansions de familles de gènes et les événements de transfert horizontal de gènes. Intègre les données phylogénétiques et génomiques pour répondre aux questions évolutives et fonctionnelles.

Leçon 2 • Inférence phylogénétique bayésienne

Présente les méthodes bayésiennes et l'échantillonnage MCMC à l'aide de BEAST et MrBayes. Produit des arbres calibrés dans le temps avec un support de probabilité a posteriori pour les hypothèses évolutives.

Leçon 3 • Construction d'arbres phylogénétiques

Applique les méthodes basées sur les distances, la parcimonie maximale et le maximum de vraisemblance pour construire des arbres. Utilise IQ-TREE et RAxML pour produire des phylogénies supportées par bootstrap à partir d'une entrée ASM.

Leçon 4 • Alignement de génomes entiers et synténie

Aligne des génomes entiers avec MUMmer et identifie des blocs synténiques entre espèces. Révèle les réarrangements génomiques à grande échelle et les segments chromosomiques conservés.

Leçon 1 • Conteneurisation avec Docker et Singularity

Empaquète les environnements bioinformatiques dans des conteneurs Docker et Singularity pour la portabilité. Élimine les conflits de dépendances qui compromettent la reproductibilité entre les systèmes informatiques.

Leçon 2 • Principes de base du calcul haute performance

Soumet et surveille des travaux sur des grappes HPC à l'aide des ordonnanceurs SLURM et PBS. Étend les analyses computationnellement intensives des chapitres quatre et cinq aux ressources de la grappe.

Leçon 3 • Gestion des flux de travail avec Snakemake

Construit des pipelines basés sur des règles dans Snakemake pour automatiser les analyses génomiques en plusieurs étapes. Applique les compétences Bash et Python du chapitre deux dans un cadre de flux de travail évolutif.

Leçon 4 • Principes de la recherche reproductible

Définit la reproductibilité, la réplicabilité et la provenance dans les contextes de la biologie computationnelle. Motive les pratiques de documentation systématique qui sous-tendent tout travail professionnel en bioinformatique.