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 étudiants à manipuler des fichiers de données brutes dans les chapitres suivants.

Leçon 2 • Types de données biomoléculaires

Présente les séquences nucléotidiques, les séquences d'acides aminés et les coordonnées structurales en tant que 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 aux protéines et ses exceptions. Ancre tous les concepts bioinformatiques 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 multiple de séquences

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

Leçon 3 • Visualisation et interprétation des alignements

Enseigne les outils de rendu et d'annotation des alignements pour un aperçu biologique. Fait le pont entre le résultat computationnel et les conclusions biologiques.

Leçon 4 • Matrices de score et pénalités d'insertion

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

Leçon 1 • Contrôle 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 aval.

Leçon 2 • Technologies de séquençage de nouvelle génération

Compare les plateformes de séquençage à lectures courtes et 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 chevauchement-layout-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 • Bases de l'annotation de génome

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 sensible aux épissages et le 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 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 de l'ontologie génique et des voies 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 d'expression valides entre 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 de SM. Relie les données protéomiques à un aperçu biologique.

Leçon 2 • Comparaison structurale et classification

Couvre l'alignement structural, le calcul du RMSD et la classification des repliements protéiques. Les étudiants identifient des 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 étudiants génèrent et évaluent des modèles protéiques prédits.

Leçon 4 • Fondamentaux du docking moléculaire

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

Leçon 1 • Structure des populations et diversité

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 qualité

Couvre le filtrage dur, 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 clustering 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'interactions protéine-protéine

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

Leçon 3 • Prédiction fonctionnelle basée sur les réseaux

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

Leçon 4 • Topologie réseau et métriques

Couvre la distribution des degrés, le coefficient de clustering et les mesures de centralité. Les étudiants 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, la génération d'hypothèses et la communication scientifique des découvertes 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. Des données harmonisées sont le prérequis pour une intégration valide.