Formation en bioinformatique

Leçon 1 • Formats de fichiers en bioinformatique

Explique les formats FASTA, FASTQ, GenBank, PDB et GFF ainsi que leurs cas d'usage. Prépare les apprenants 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 d'analyse appropriés.

Leçon 3 • Le dogme central expliqué

Couvre le flux d'information de l'ADN à l'ARN puis aux protéines, ainsi que ses exceptions. Ancre tous les concepts bioinformatiques ultérieurs dans la réalité de la biologie moléculaire.

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

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

Leçon 2 • Alignement de séquences multiples

Couvre les méthodes d'alignement multiple progressives, itératives et basées sur la cohérence. Les apprenants 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 dans un but de compréhension biologique. Fait le pont entre les résultats informatiques et les conclusions biologiques.

Leçon 4 • Matrices de score et pénalités d'écart

Explique les matrices de substitution et les modèles de pénalité d'écart qui sous-tendent le score des alignements. Relie les choix mathématiques à l'interprétabilité biologique.

Leçon 1 • Contrôle qualité des lectures brutes

Couvre les métriques de qualité, le rognage des adaptateurs et le filtrage des lectures pour les données de séquençage. Assure des données d'entrée propres 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 longues, ainsi que leurs profils d'erreur. Éclaire la sélection de la technologie pour des projets génomiques spécifiques.

Leçon 3 • Stratégies d'assemblage de génome

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

Leçon 4 • Bases de l'annotation de génome

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

Leçon 1 • Cartographie des lectures et quantification

Explique l'alignement prenant en compte l'épissage et la pseudo-alignement pour la quantification des transcrits. Les apprenants génèrent des matrices de comptage à partir des 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 prévient les artefacts analytiques dans les données d'expression.

Leçon 3 • Analyse d'enrichissement fonctionnel

Enseigne les méthodes d'enrichissement des voies métaboliques 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 basées sur les comptages. Une normalisation correcte permet des comparaisons valables de l'expression entre échantillons.

Leçon 1 • Analyse de 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 de spectrométrie de masse. Relie les données protéomiques à une compréhension biologique.

Leçon 2 • Comparaison et classification structurales

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

Leçon 3 • Prédiction de structure protéique

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

Leçon 4 • Fondamentaux du docking moléculaire

Couvre les principes de docking ligand-récepteur, les fonctions de score et l'interprétation des résultats. Les apprenants évaluent les interactions protéine-ligand par le calcul.

Leçon 1 • Structure et diversité des populations

Couvre l'analyse en composantes principales, la modélisation d'ascendance et les statistiques de différenciation des populations. Les apprenants 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 leur pertinence biologique et clinique.

Leçon 3 • Filtrage et contrôle qualité des variants

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

Leçon 4 • Méthodes de détection de variants

Explique les algorithmes de détection de SNP, d'indels et de variants structuraux, ainsi que leurs hypothèses. Les apprenants appliquent les détecteurs appropriés pour les contextes germinaux et somatiques.

Leçon 1 • Détection de communautés et modules

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

Leçon 2 • Réseaux d'interactions protéine-protéine

Explique les sources de données PPI, le score de confiance et la construction du réseau. Les apprenants construisent et filtrent les réseaux d'interactions pour l'analyse en aval.

Leçon 3 • Prédiction fonctionnelle basée sur le réseau

Enseigne la culpabilité par association et la propagation dans le réseau pour la prédiction de fonction des gènes. Les apprenants exploitent la topologie du réseau pour inférer des fonctions géniques inconnues.

Leçon 4 • Topologie du réseau et métriques

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

Leçon 1 • Interprétation biologique et rapport

Couvre la synthèse au niveau des voies métaboliques, la génération d'hypothèses et la communication scientifique des résultats multi-omiques. Les apprenants 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 apprenants appliquent des modèles régularisés à des 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 apprenants 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. Des données harmonisées sont le prérequis pour une intégration valide.