MABioVis. Bio-informatique et la

Dimension: px
Commencer à balayer dès la page:

Download "MABioVis. Bio-informatique et la"

Transcription

1 MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011

2 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID SHERMAN DR INRIA (EPI MAGNOME) Mercredi 17h Génomique DAVID AUBER (MCF UFR Maths Info / EPI GRAVITE) Jeudi 10h Visual Analytics BRUNO PINAUD (MCF UFR Maths Info / EPI GRAVITE) Jeudi 11h-13h 13h «Réseaux biochimiques i évolutifs et visualisations de graphes» (discussion)

3 MABioVis La bio-informatique comme domaine d application cible Objectifs complémentaires Travailler au plus près des données biologiques, concevoir et mettre en œuvre des modèles Apporter des objets/modèles combinatoires à des fins algorithmique, d analyse et de modélisation Développer des méthodes offrant ultimement à l expert un laboratoire d exploration et d analyse des données

4 Production de données Données biologiques Annotation primaire Exploration / Formulation d hypothèses / Analyse Analyse et algorithmes Objets/modèles (combinatoires) Elaboration de modèles Intégration et visualisation

5 MABioVis nos fondamentaux Apport des fondamentaux informatiques Méthodes formelles Théorie des graphes, mathématiques combinatoires Optimisation combinatoire Abstraire la méthodologie des objets modélisés Structures et algorithmes des mathématiques discrètes Permutations et motifs interdits Arborescences multi-échelle Graphes planaires, petit monde, invariant d échelle

6 La bio-informatique domaine fédérateur et catalyseur Comparaison de génomes / structure, évolution Deux à deux: combinatoire des structures Multiple: optimisation combinatoire (Re) construction de réseaux biologiques gq Modélisation multi- échelle Représentation des connaissances Intégration de données Approche exploratoire Confirmation d hypothèses

7 MABioVis méthodologie(s) Calcul de similarités (sur des objets ou sur des groupes d objets) Réduction de dimension, clustering Autosimilarité, compression, échantillonnage, passage à l échelle Analyse des séquences et du texte (structures linéaires), des structures arborescentes Objets/mesures combinatoires Formulation des algorithmes Analyse des algorithmes Complexité, convergence ou passage à l échelle des algorithmes

8 Bilan Scientifique Quelques résultats

9 aux modèles Cartes comparatives De la comparaison de génomes Loci et gènes Gènes annotés ADN génomique G 1 G 2 G 3 G 4 G 5 G 6 EMBL Gain et perte de gènes Conservation de réseaux Architectures génomiquesé ancestraux Groupes de homologues Familles de protéines Modèles

10 De la comparaison de génomes aux modèles Comprendre l évolution et la fonction des Cartes comparatives génomes Loci et Gènes gènes annotés ADN de génomiqueé relations développées EMBL au cours du temps La comparaison des génomes est révélatrice G Besoin 1 de comprendre la dynamique des G 2 gènes et des génomes G 3 Gain et perte de gènes Conservation de réseaux Architectures génomiques ancestraux G Besoin 4 G 5 de prédire le rôle et la fonction des gènes G 6 Etablir le lien entre génotype et phénotype Groupes de homologues Familles de protéines Modèles

11 Comparaison de génomes Clustering par consensus Eviter les écueils d un choix particulier Rechercher la «robustesse» de la partition Définir une heuristique qui se calcule en temps raisonnable Consensus clustering: étant données des partitions P 1,...,P k, trouver une partition consensus P minimisant Σ d(p, ( P k ) où d est une distance. Nikolski Sherman 2007

12 Comparaison de génomes Comparaison et réarrangements de plusieurs génomes modélisés é par des permutations ti signées Jean Nikolski Sherman 2009

13 Comparaison de génomes Comparaison et réarrangements de plusieurs génomes Génome médian : à distance minimal i de tous les génomes considérés () Adjacence préservées / perdues encodées par un graphe (breakpoint graph)

14 Analyse de structures biologiques combinatoires i Plantes entières 0 - Peuplement Graphes Caractérisation statistique DAGs Données génomiques Données fortement structurées Arborescences multi-échelles Arborescences Séquences Étiquetage Données moléculaires Comparaison Évaluation de l autosimilarité Modélisation

15 Comparaison de Structures Secondaires d ARN Bases de données de structures secondaires d'arn Important besoin de nouveaux outils de traitement automatique d'analyse et de comparaison Comparaison multi-échelles Prise en compte de la séquence de nucléotides, de son repliement en structure arborescente, de la décomposition en éléments structuraux (réseau de boucles multiples) Auber Delest Domenger Dulucq 2006

16 Visualisation d information La visualisation comme stratégie d exploration et de formulation d hypothèses Graphes petits mondes / invariant d échelle Approches (semi) supervisées Algorithmes de dessin Exploitation des indices structuraux Interactions spécifiques

17 Visualisation multi-niveaux Approche topologique pour l exploration de grands graphes Algorithmes existants peu efficace sur les très grands graphes Besoin de rechercher h automatiquement des sous-structures structures topologiques dans les données Décomposition Multi-échelles Archambault, Auber (2007, 2008, 2009)

18 Visualisation multi-niveaux Représentation de réseaux métaboliques Algorithmes existant travaille sur un sous- ensemble du réseau Nouvel algorithme permettant d éviter la duplication de sommets en conservant au mieux la représentation des chemins métaboliques Analyse topologique Dessin planaire Bourqui, Auber (2006, 2007)

Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant

Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master

Plus en détail

Modélisation de la structure 3D des protéines

Modélisation de la structure 3D des protéines Modélisation de la structure 3D des protéines We are drowning in data and starving for knowledge -R.D. Roger Unité Mathématique Informatique et Génome Séminaire AGENAE, Seignosse-le-Pénon, 20-21 mai 2003

Plus en détail

Bioinformatique à ParisTech

Bioinformatique à ParisTech Bioinformatique à ParisTech Biologie moléculaire computationnelle 4 équipes / laboratoires : Laboratoire d'informatique (X) Département de biologie (X) Unité mixte U900 «Bioinformatique i et Biostatistique

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée

Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée Responsable du Master Informatique : Marc Zipstein Responsable de

Plus en détail

Théorie des graphes pour l analyse de réseaux d intéractions

Théorie des graphes pour l analyse de réseaux d intéractions Théorie des graphes pour l analyse de réseaux d intéractions Bertrand Jouve Laboratoire ERIC - IXXI - Université Lyon 2 SMAI 2013 Plan 1 Introduction 2 Décomposition en Clans Exemple d étude : modélisation

Plus en détail

Data Mining : la classification non supervisée

Data Mining : la classification non supervisée Data Mining : la classification non supervisée Clustering : une affaire de distance. Etude préliminaire. Valeurs discrètes. Soient les deux individus suivants correspondant à des séquences ADN : X = AGGGTGGC

Plus en détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55

Plus en détail

Conception et réalisation d un tableau de bord sécurité

Conception et réalisation d un tableau de bord sécurité Conception et réalisation d un tableau de bord sécurité Une approche innovante www.conixsecurity.fr 1 Agenda Définir le «tableau de bord» : mission impossible? Le tableau de bord «sécurité» Notre démarche

Plus en détail

AutoGRAPH Un serveur pour automatiser et visualiser la comparaison de génomes: Application à l identification de nouveaux gènes chez le chien.

AutoGRAPH Un serveur pour automatiser et visualiser la comparaison de génomes: Application à l identification de nouveaux gènes chez le chien. AutoGRAPH Un serveur pour automatiser et visualiser la comparaison de génomes: Application à l identification de nouveaux gènes chez le chien. Thomas DERRIEN CNRS-UMR6061 Génétique et Développement Université

Plus en détail

LICENCE (LMD) MENTION : SCIENCES DE LA VIE

LICENCE (LMD) MENTION : SCIENCES DE LA VIE LICENCE (LMD) MENTION : SCIENCES DE LA VIE RÉSUMÉ DE LA FORMATION Type de diplôme : Licence (LMD) Domaine ministériel : Sciences, Technologies, Santé Organisation de la formation L2 Sciences de la Terre

Plus en détail

Journées INRA Plantes Virtuelles 27 et 28 Mars 2008 ENS Lyon. Virtual Plants

Journées INRA Plantes Virtuelles 27 et 28 Mars 2008 ENS Lyon. Virtual Plants Journées INRA Plantes Virtuelles 27 et 28 Mars 28 ENS Lyon Virtual Plants Modélisation de la morphogenèse des plantes à différentes échelles, des gènes au phénotype Equipe-projet INRIA commune avec le

Plus en détail

Efficacité énergétique des réseaux de cœur et d accès

Efficacité énergétique des réseaux de cœur et d accès Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte

Plus en détail

Fida KHATER & Abdoulaziz MOUSSA 03 mars 2012 - Journée Portes Ouvertes à l'um2

Fida KHATER & Abdoulaziz MOUSSA 03 mars 2012 - Journée Portes Ouvertes à l'um2 DEVELOPPEMENT D UNE INTERFACE GRAPHIQUE : LOCAL WEB GUI FOR BLAST (LWBG), POUR LES TRAITEMENTS DE DONNEES BIOLOGIQUES Fida KHATER & Abdoulaziz MOUSSA 03 mars 2012 - Journée Portes Ouvertes à l'um2 Plan

Plus en détail

Premier projet (Thèse) : Étude des mécanismes dinteraction protéineligand par une approche couplant la simulation moléculaire et la chimie quantique

Premier projet (Thèse) : Étude des mécanismes dinteraction protéineligand par une approche couplant la simulation moléculaire et la chimie quantique Parmi les projets en cours sur la thématique Bioinformatique du Laboratoire de Biochimie et Génétique Moléculaire (LBGM), deux d entre eux seront présentés ici et sont orientés uniquement vers l utilisation

Plus en détail

BIN 1002: INTÉGRATION BIOSCIENCES/INFORMATIQUE

BIN 1002: INTÉGRATION BIOSCIENCES/INFORMATIQUE BIN 1002: INTÉGRATION BIOSCIENCES/INFORMATIQUE Plan de Cours Automne 2015 Professeurs: Sylvie Hamel, Département d Informatique et de Recherche Opérationnelle Guillaume Lettre, Institut de Cardiologie

Plus en détail

Introduction à la Bio-Informatique IFT3295/IFT6291/BIN6000. Nadia El-Mabrouk DIRO, Université de Montréal

Introduction à la Bio-Informatique IFT3295/IFT6291/BIN6000. Nadia El-Mabrouk DIRO, Université de Montréal Introduction à la Bio-Informatique IFT3295/IFT6291/BIN6000 Nadia El-Mabrouk DIRO, Université de Montréal Qu est-ce que la Bioinformatique? Qu est-ce que la Bio-informatique? Champs multi-disciplinaire

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université

Plus en détail

Conception assistée par ordinateur de molécules thérapeutiques

Conception assistée par ordinateur de molécules thérapeutiques Conception assistée par ordinateur de molécules thérapeutiques D. Gilis Bioinformatique génomique et structurale Faculté des sciences appliquées Université Libre de Bruxelles Objectif: illustrer en quoi

Plus en détail

Le Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs

Le Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique

Plus en détail

Introduction à l analyse statistique et bioinformatique des puces à ADN

Introduction à l analyse statistique et bioinformatique des puces à ADN Formation INSERM 10 février 2004 Introduction à l analyse statistique et bioinformatique des puces à ADN Gaëlle Lelandais lelandais@biologie.ens.fr 1 Première Partie Analyse d une puce à ADN : Le recherche

Plus en détail

AVL Liban La Bioinformatique. Bioinformatique

AVL Liban La Bioinformatique. Bioinformatique AVL Liban 2011 La Sami Khuri Department of Computer Science San José State University San José, California, USA sami.khuri@sjsu.edu www.cs.sjsu.edu/faculty/khuri Sami Khuri sami.khuri@sjsu.edu Qu est-ce

Plus en détail

Visualisation de données et de graphes. David Auber, LaBRI, Université de Bordeaux.

Visualisation de données et de graphes. David Auber, LaBRI, Université de Bordeaux. Visualisation de données et de graphes David Auber, LaBRI, Université de Bordeaux. Recherche Edge Bundling Fuzzy Clustering Visualization DataVis software Coumpound Graph Visualization Large scale heatmaps

Plus en détail

Analyse informatique des données moléculaires

Analyse informatique des données moléculaires 6 - Bioinformatique F. CORPET, C. CHEVALET INRA, Laboratoire de Génétique Cellulaire, BP 27, 31326 Castanet-Tolosan cedex e-mail : chevalet@toulouse.inra.fr Analyse informatique des données moléculaires

Plus en détail

WP2T23 «APPLICATION de de REFERENCE» Prototypage rapide d une application de traitement d images avec SynDEx EADS

WP2T23 «APPLICATION de de REFERENCE» Prototypage rapide d une application de traitement d images avec SynDEx EADS WP2T23 «APPLICATION de de REFERENCE» Prototypage rapide d une application de traitement d images avec SynDEx EADS Avec l appui de l INRIA www-rocq.inria.fr/syndex 1 PLAN I. Présentation du sujet II. Présentation

Plus en détail

Algorithmes de maillages quadrangulaires / hexaédriques

Algorithmes de maillages quadrangulaires / hexaédriques Algorithmes de maillages quadrangulaires / hexaédriques Les méthodes directes partent de la géométrie 3D uniquement Méthodes structurées Méthodes semi structurées Méthodes structurées dans une direction

Plus en détail

Segmentation interactive d images médicales à 4 dimensions par Lignes de Partage des Eaux

Segmentation interactive d images médicales à 4 dimensions par Lignes de Partage des Eaux 1 Segmentation interactive d images médicales à 4 dimensions par Lignes de Partage des Eaux F. Bidault (1), J. Stawiaski (2), E. Decencière (2), I. Ferreira (3), C. Le Péchoux (3), F. Meyer (2), J. Bourhis

Plus en détail

Prédiction de la Structure des Protéines. touzet@lifl.fr

Prédiction de la Structure des Protéines. touzet@lifl.fr Prédiction de la Structure des Protéines Hélène TOUZET touzet@lifl.fr Structure Structure Structure Structure primaire secondaire tertiaire quaternaire Exemple : la structure secondaire de la transthyretine

Plus en détail

Gènes Diffusion - EPIC 2010

Gènes Diffusion - EPIC 2010 Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de

Plus en détail

La gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST.

La gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST. La gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST. Gaël Le Mahec - p. 1/12 L algorithme BLAST. Basic Local Alignment Search Tool est un algorithme de recherche

Plus en détail

Intégration de données multiéchelles pour caractériser la. qualité des fruits

Intégration de données multiéchelles pour caractériser la. qualité des fruits Intégration de données multiéchelles pour caractériser la qualité des fruits Workshop IN-OVIVE - PAFIA 02/07/2013 Julie Bourbeillon et François Vallée Contexte La pomme 1er fruit dans le panier de la ménagère

Plus en détail

Data Mining et Big Data

Data Mining et Big Data Data Mining et Big Data Eric Rivals LIRMM & Inst. de Biologie Computationnelle CNRS et Univ. Montpellier 14 novembre 2015 E. Rivals (LIRMM & IBC) Big Data 14 novembre 2015 1 / 30 Introduction, contexte

Plus en détail

2A-SI 4 - Bases de Données 4.4 - Normalisation de schémas relationnels

2A-SI 4 - Bases de Données 4.4 - Normalisation de schémas relationnels 2A-SI 4 - Bases de Données 4.4 - Normalisation de schémas relationnels Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Avec l aide du cours de Y. Bourda Intérêt de la «normalisation»

Plus en détail

MASTER (LMD) MODELISATION, OPTIMISATION, COMBINATOIRE ET ALGORITHME

MASTER (LMD) MODELISATION, OPTIMISATION, COMBINATOIRE ET ALGORITHME MASTER (LMD) MODELISATION, OPTIMISATION, COMBINATOIRE ET ALGORITHME RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : INFORMATIQUE Spécialité

Plus en détail

Master Recherche Science Technologie Santé Mention : Informatique Spécialité : Informatique Fondamentale

Master Recherche Science Technologie Santé Mention : Informatique Spécialité : Informatique Fondamentale Master Recherche Science Technologie Santé Mention : Informatique Spécialité : Informatique Fondamentale E. Fleury Eric.Fleury@inria.fr http://perso.ens-lyon.fr/eric.fleury/ Présentation générale 3 parcours

Plus en détail

Projet ROSCOV Robuste Ordonnancement de Systèmes de Contrôle de Vol

Projet ROSCOV Robuste Ordonnancement de Systèmes de Contrôle de Vol Journée de l Institut Farman ENS Cachan 26 novembre 2013 Projet ROSCOV Robuste Ordonnancement de Systèmes de Contrôle de Vol L. Fribourg, D. Lesens, P. Moro, R. Soulat L. Fribourg, D. Lesens, R. Soulat

Plus en détail

Graphes, réseaux et internet

Graphes, réseaux et internet Graphes, réseaux et internet Clémence Magnien clemence.magnien@lip6.fr LIP6 CNRS et Université Pierre et Marie Curie (UPMC Paris 6) avec Matthieu Latapy, Frédéric Ouédraogo, Guillaume Valadon, Assia Hamzaoui,...

Plus en détail

AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES

AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte

Plus en détail

Informatique, spécialité AIGLE

Informatique, spécialité AIGLE Université de MONTPELLIER 2 1/3 Informatique, spécialité AIGLE L1 S1 Algebre et Analyse 1 10 L1 S1 Calculus 5 L1 S1 Du binaire au web 5 L1 S1 Introduction à l'algorithmique 5 L1 S1 Physique générale 5

Plus en détail

Data Mining : la classification non supervisée

Data Mining : la classification non supervisée Data Mining : la classification non supervisée Clustering : une affaire de distance. Etude préliminaire. Valeurs discrètes. Soient les deux individus suivants correspondant à des séquences ADN : X = AGGGTGGC

Plus en détail

BASE DE DONNEES STRUCTURALES

BASE DE DONNEES STRUCTURALES BASE DE DONNEES STRUCTURALES ANGD RECIPROCS 6-7 juillet 2009 Dr. Jean-Claude DARAN LCC, Toulouse Intérêt des Bases de Données Structurales Les bases de données structurales contiennent les informations

Plus en détail

Présentation succincte. Jean Cavarelli. Septembre 2014

Présentation succincte. Jean Cavarelli. Septembre 2014 Master Sciences du Vivant Spécialité Biologie structurale, bioinformatique et biotechnologies Parcours Biologie structurale intégrative et bio-informatique Présentation succincte. Jean Cavarelli Septembre

Plus en détail

Plan. Comparaison de 2 séquences. Dotplot, alignement optimal Recherche de similarité. Alignement multiple. Phylogénie moléculaire

Plan. Comparaison de 2 séquences. Dotplot, alignement optimal Recherche de similarité. Alignement multiple. Phylogénie moléculaire Plan 1 Banques de données 2 Comparaison de 2 séquences Dotplot, alignement optimal Recherche de similarité 3 Alignement multiple l 4 Phylogénie moléculaire Recherche de similarité 1 séquence (Query) comparée

Plus en détail

UNIVERSITE D'EVRY VAL D'ESSONNE Référence GALAXIE : 4072

UNIVERSITE D'EVRY VAL D'ESSONNE Référence GALAXIE : 4072 UNIVERSITE D'EVRY VAL D'ESSONNE Référence GALAXIE : 4072 Numéro dans le SI local : Référence GESUP : Corps : Professeur des universités Article : 46-1 Chaire : Non Section 1 : 27-Informatique Section 2

Plus en détail

LICENCE PROFESSIONNELLE MENTION METIERS DE LA BIOTECHNOLOGIE

LICENCE PROFESSIONNELLE MENTION METIERS DE LA BIOTECHNOLOGIE LICENCE PROFESSIONNELLE MENTION METIERS DE LA BIOTECHNOLOGIE Plus d'infos Crédits ECTS : 180 / Durée : 1 ans / Niveau d'étude : BAC +3 Nature de la formation : Mention Stage : Obligatoire (4) unimes Composante

Plus en détail

Dessin de Graphes. Romain Bourqui. Maître de Conférences romain.bourqui@labri.fr

Dessin de Graphes. Romain Bourqui. Maître de Conférences romain.bourqui@labri.fr Dessin de Graphes Romain Bourqui Maître de Conférences romain.bourqui@labri.fr Dessin de Graphes Plan Introduction Dessin de graphes planaires Dessin hiérarchique Dessin par analogie physique Dessin de

Plus en détail

Table des matières I La programmation linéaire en variables continues 1 Présentation 3 1 Les bases de la programmation linéaire 5 1.1 Formulation d'un problème de programmation linéaire........... 5 1.2

Plus en détail

DataHighDim. ACI «Masse de Données» - 2003. Analyse exploratoire et discriminante de données en grande dimension

DataHighDim. ACI «Masse de Données» - 2003. Analyse exploratoire et discriminante de données en grande dimension ACI «Masse de Données» - 2003 DataHighDim Analyse exploratoire et discriminante de données en grande dimension Anne Guérin-Dugué Laboratoire CLIPS Grenoble UJF, CNRS UMR 5524 Communication Langagière et

Plus en détail

LICENCE (LMD) MENTION : INFORMATIQUE

LICENCE (LMD) MENTION : INFORMATIQUE LICENCE (LMD) MENTION : INFORMATIQUE RÉSUMÉ DE LA FORMATION Type de diplôme : Licence (LMD) Domaine ministériel : Sciences, Technologies, Santé Objectifs Les connaissances et compétences informatiques

Plus en détail

Offre de formation de troisième cycle (LMD)

Offre de formation de troisième cycle (LMD) Offre de formation de troisième cycle (LMD) (Arrêté n 250 du 28 juillet 2009, fixant l organisation de la formation de troisième en vue de l obtention du diplôme de doctorat) Etablissement Faculté / Institut

Plus en détail

Concevoir un produit facile à utiliser

Concevoir un produit facile à utiliser Éric BRANGIER et Javier B ARCENILLA Concevoir un produit facile à utiliser Adapter les technologies à l homme Éditions d Organisation, 2003 ISBN : 2-7081-2900-7 Sommaire AVANT-PROPOS...1 Chapitre 1 LA

Plus en détail

L ANALYSE DE DONNÉES AU SERVICE DES UTILISATEURS. Lorène Allano 16 Avril 2013

L ANALYSE DE DONNÉES AU SERVICE DES UTILISATEURS. Lorène Allano 16 Avril 2013 L ANALYSE DE DONNÉES AU SERVICE DES UTILISATEURS Lorène Allano 16 Avril 2013 Question? Expert Aide à la décision Expériences Digitalisation Analyse automatique Visualisation Outils adapté Données numériques

Plus en détail

Semestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments»

Semestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments» Master In silico Drug Design Semestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments» 30NU01IS INITIATION A LA PROGRAMMATION (6 ECTS) Responsables : D. MESTIVIER,

Plus en détail

Méthodes d apprentissage :

Méthodes d apprentissage : Méthodes d apprentissage : application au tri de complexes protéines-protéines Jérôme Azé Apprentissage: tâches Apprentissage non supervisé (Eisen, ) Apprentissage supervisé (arbres de décision, k-ppv,

Plus en détail

Prédiction des Propriétés Biologiques

Prédiction des Propriétés Biologiques SOMMAIRE PROCHEMIST VERSION 6.4 Prédiction des Propriétés Biologiques P.Urbaniak (Cadcom) Avant-Propos PARTIE I) ANALYSE MULTIRESOLUTION 1) Algorithme. Limites et perspectives 2)Exemples 3) La constitution

Plus en détail

Etude du transcriptome et du protéome en Neurooncologie

Etude du transcriptome et du protéome en Neurooncologie Etude du transcriptome et du protéome en Neurooncologie Principes, aspects pratiques, applications cliniques François Ducray Neurologie Mazarin, Unité Inserm U711 Groupe hospitalier Pitié-Salpêtrière Etude

Plus en détail

Présentation de la mention. Biologie-Santé. School BMP. 11 décembre 2013

Présentation de la mention. Biologie-Santé. School BMP. 11 décembre 2013 Présentation de la mention Biologie-Santé School BMP 11 décembre 2013 Etablissements d enseignement supérieur impliqués Mention Biologie-Santé Agro Paris Tech (Grignon) UVSQ UFR des sciences UVSQ UFR Sciences

Plus en détail

Collecte des nœuds de raccordement abonnés chez Bouygues Telecom

Collecte des nœuds de raccordement abonnés chez Bouygues Telecom Collecte des nœuds de raccordement abonnés chez Bouygues Telecom Julien Darlay jdarlay@innovation24.fr Innovation 24 Groupe Bouygues 1 20 Innovation 24 Filiale Optimisation & Aide à la Décision du Groupe

Plus en détail

LICENCE BIOLOGIE-BIOCHIMIE- TERRE-ENVIRONNEMENT

LICENCE BIOLOGIE-BIOCHIMIE- TERRE-ENVIRONNEMENT LICENCE BIOLOGIE-BIOCHIMIE- TERRE-ENVIRONNEMENT Domaine ministériel : SCIENCES, TECHNOLOGIES, SANTÉ Mention : BIOLOGIE-BIOCHIMIE-TERRE-ENVIRONNEMENT Présentation La première année de la licence Biologie-Biochimie-Terre-

Plus en détail

MASTER (LMD) - SCIENCES ET NUMÉRIQUE POUR LA SANTÉ (ANCIEN STIC SANTÉ)

MASTER (LMD) - SCIENCES ET NUMÉRIQUE POUR LA SANTÉ (ANCIEN STIC SANTÉ) MASTER (LMD) - SCIENCES ET NUMÉRIQUE POUR LA SANTÉ (ANCIEN STIC SANTÉ) RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé SAVOIR FAIRE ET COMPÉTENCES

Plus en détail

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel.

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Workshop du GIS 3SGS Reims, 29 septembre 2010 Sommaire Missions

Plus en détail

Master Informatique Recherche Université Paris Sud. Ordre du jour

Master Informatique Recherche Université Paris Sud. Ordre du jour Master Informatique Recherche Université Paris Sud Daniel Etiemble Année 2008-2009 1 Ordre du jour 9H-9H45 : présentation générale du Master 9H45 10H 15 : Présentation de l école doctorale Informatique

Plus en détail

QUA SFR 1/99 ALITE MANUEL QUALITE DIR-DOC 005 : MQ V3

QUA SFR 1/99 ALITE MANUEL QUALITE DIR-DOC 005 : MQ V3 MANUEL QUA ALITE Plateau techniqu ue AniRA de Cytométrie SFR BioSciences MANUEL QUALITE 1/99 DIR-DOC 005 : MQ V3 Plateau technique AniRA de Cytométrie SFR BioSCiences (US8-UMS3444) Tour Inserm CERVI 21

Plus en détail

TD5 : Prédiction de la structure tridimensionnelle d une protéine Modélisation moléculaire

TD5 : Prédiction de la structure tridimensionnelle d une protéine Modélisation moléculaire TD5 : Prédiction de la structure tridimensionnelle d une protéine Modélisation moléculaire Vous aurez besoin des programmes suivant : d un éditeur de séquence d un visualiseur de structure 3D (PyMOL) Avant-propos

Plus en détail

Modélisation et Vérification des Réseaux de Régulations entre Gènes

Modélisation et Vérification des Réseaux de Régulations entre Gènes Modélisation et Vérification des Réseaux de Régulations entre Gènes Loïc Paulevé JDOC 2010-29 avril 2010 Directeur : Co-encadrant : Olivier Roux Morgan Magnin Laboratoire : IRCCyN, UMR CNRS 6597 Équipe

Plus en détail

Les défis de la Bioinformatique:

Les défis de la Bioinformatique: Les défis de la Bioinformatique: Une introduction à la Journée du 19 octobre Marie-Paule LEFRANC Journées du CINES 19-21 octobre 2004 organisées par Laetitia Regnier Importance des facteurs génétiques

Plus en détail

MUSEUM NAT. D'HISTOIRE NATURELLE PARIS Référence GALAXIE : 4113

MUSEUM NAT. D'HISTOIRE NATURELLE PARIS Référence GALAXIE : 4113 MUSEUM NAT. D'HISTOIRE NATURELLE PARIS Référence GALAXIE : 4113 Numéro dans le SI local : Référence GESUP : 4113 Corps : Maître de conférences du Muséum national d'histoire naturelle Article : 32ou40 Chaire

Plus en détail

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013»

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» I Objectifs Niveau fondamental : «on se fixe pour objectif la

Plus en détail

Laboratoire d informatique Gaspard-Monge UMR 8049. Journée Labex Bézout- ANSES

Laboratoire d informatique Gaspard-Monge UMR 8049. Journée Labex Bézout- ANSES Laboratoire d informatique Gaspard-Monge UMR 8049 Journée Labex Bézout- ANSES Présentation du laboratoire 150 membres, 71 chercheurs et enseignants-chercheurs, 60 doctorants 4 tutelles : CNRS, École des

Plus en détail

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs.

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Le jury n exige pas une compréhension exhaustive du texte. Vous êtes laissé(e) libre d organiser votre discussion

Plus en détail

Enjeux mathématiques et Statistiques du Big Data

Enjeux mathématiques et Statistiques du Big Data Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris

Plus en détail

Information aux parents. Les séquences en mathématique

Information aux parents. Les séquences en mathématique Information aux parents Les séquences en mathématique Un changement important La possibilité de choisir une séquence pour 4 e et 5 e secondaire n est plus un classement mais un véritable choix. Extrait

Plus en détail

Résolution de problèmes en intelligence artificielle et optimisation combinatoire : les algorithmes A*

Résolution de problèmes en intelligence artificielle et optimisation combinatoire : les algorithmes A* Résolution de problèmes en intelligence artificielle et optimisation combinatoire : les algorithmes A* Michel Couprie Le 5 avril 2013 Ce document est une courte introduction à la technique dite A*. Pour

Plus en détail

CERTIFICAT DE COMPÉTENCES EN BIO-INFORMATIQUE

CERTIFICAT DE COMPÉTENCES EN BIO-INFORMATIQUE CERTIFICAT DE COMPÉTENCES EN BIO-INFORMATIQUE Organisé par l équipe pédagogique : Statistique bioinformatique du département IMATH Responsable de la formation : Pr. Jean-François Zagury Coordinateur des

Plus en détail

VI. Domaines protéiques

VI. Domaines protéiques Chapitre 1 Structure des protéines I. Rappels Définitions II. La Protein Data Bank (PDB) III. Angles dièdres et diagramme de ramachandran IV. Structures secondaires V. Structures supersecondaires VI. Domaines

Plus en détail

Identification de nouveaux membres dans des familles d'interleukines

Identification de nouveaux membres dans des familles d'interleukines Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes

Plus en détail

SCIENCES HUMAINES 300.32 PROFIL ADMINISTRATION 300.33 PROFIL INDIVIDU 300.35 PR1 PROFIL MONDE ET SOCIÉTÉ 300.35 PR2 PROFIL ENVIRONNEMENT

SCIENCES HUMAINES 300.32 PROFIL ADMINISTRATION 300.33 PROFIL INDIVIDU 300.35 PR1 PROFIL MONDE ET SOCIÉTÉ 300.35 PR2 PROFIL ENVIRONNEMENT PHARE : MAINTENIR LE CAP SUR LA RÉSSITE! SCIENCES HUMAINES 300.32 PROFIL ADMINISTRATION 300.33 PROFIL INDIVIDU 300.35 PR1 PROFIL MONDE ET SOCIÉTÉ À leur arrivée dans le programme SCIENCES HUMAINES, ttes

Plus en détail

Calendrier de la Session de. Rattrapage (11 au 20 Juin 2014)

Calendrier de la Session de. Rattrapage (11 au 20 Juin 2014) Calendrier de la Session de Rattrapage (11 au 20 Juin 2014) 1 ère Année LA Protection de l Environnement (1 ère PE) Pollution Marine Math Chimie Générale Biologie Cellulaire Microbiologie Génétique Biologie

Plus en détail

INGÉNIEUR INFORMATIQUE. Présentation. Objectifs. Page 1 / 10 31/01/2016

INGÉNIEUR INFORMATIQUE. Présentation. Objectifs. Page 1 / 10 31/01/2016 INGÉNIEUR INFORMATIQUE RÉSUMÉ DE LA FORMATION Type de diplôme : Formation d'ingénieur classique Domaine : Sciences, Technologies, Santé Nature de la formation : Diplôme Niveau d'étude visé : BAC +5 Composante

Plus en détail

Les sections 6 et 7. du ComitéNational de la RechercheScientifique

Les sections 6 et 7. du ComitéNational de la RechercheScientifique Les sections 6 et 7 du ComitéNational de la RechercheScientifique (CoNRS) Frédérique Bassino et Michèle Basseville Plan Le comité national Les missions des sections Les sections 6 et 7 Le comiténational

Plus en détail

Légende. Prérequis. unité A unité B. signifie que l'unité B est un prérequis de l'unité A. Corequis. unité A unité B

Légende. Prérequis. unité A unité B. signifie que l'unité B est un prérequis de l'unité A. Corequis. unité A unité B Légende unité A unité B signifie que l'unité B est un prérequis de l'unité A unité A unité B signifie que l'unité B est un corequis de l'unité A Note : lorsque deux cours sont corequis l'un de l'autre,

Plus en détail

Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS

Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Problème combinatoire sur le réseau de transport de gaz Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Au programme Présentation du problème Un problème d optimisation

Plus en détail

Calcul intensif en Bioinformatique

Calcul intensif en Bioinformatique Calcul intensif en Bioinformatique Réalisations en génétique et génomique évolutives Pôle Rhône Alpin de BioInformatique (PRABI) Laboratoire de Biologie et Biométrie Evolutives (LBBE) Contexte De plus

Plus en détail

Mise en place de serveurs Galaxy dans le cadre du réseau CATI BBRIC

Mise en place de serveurs Galaxy dans le cadre du réseau CATI BBRIC Mise en place de serveurs Galaxy dans le cadre du réseau CATI BBRIC {Sebastien.Carrere, Ludovic.Legrand,Jerome.Gouzy}@toulouse.inra.fr {Fabrice.Legeai,Anthony.Bretaudeau}@rennes.inra.fr CATI BBRIC 35 bioinformaticiens

Plus en détail

LICENCE 3. Mention Biologie BAC + 1 2 3 4 5

LICENCE 3. Mention Biologie BAC + 1 2 3 4 5 LICENCE 3 2013-2014 Mention Biologie Parcours Génie Biologique et Informatique 1. Editorial du responsable La licence de BIOLOGIE se distingue par la richesse des enseignements dispensés dans les différents

Plus en détail

MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB

MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : INFORMATIQUE Spécialité

Plus en détail

Masses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA

Masses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide

Plus en détail

Profil du candidat et connaissances techniques à connaître/maîtriser

Profil du candidat et connaissances techniques à connaître/maîtriser Utilisation d algorithmes de deep learning pour la reconnaissance d iris. jonathan.milgram@morpho.com Dans ce cadre, l'unité de recherche et technologie a pour but de maintenir le leadership Au sein de

Plus en détail

Cahier de texte de la classe 1 ère 4 - SVT

Cahier de texte de la classe 1 ère 4 - SVT Cahier de texte de la classe 1 ère 4 - SVT DATE SEQUENCE lundi 12 : revoir la fiche méthodologique «utiliser le microscope optique» (disponible sur le site du lycée) Lundi 12 1 er contact avec les élèves.

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

L étude des gènes et des protéines facilitée par l utilisation du web service ProteINSIDE

L étude des gènes et des protéines facilitée par l utilisation du web service ProteINSIDE L étude des gènes et des protéines facilitée par l utilisation du web service ProteINSIDE KASPRIC Nicolas Thèse débutée en février 2013 Equipe Amuvi Encadrants : Muriel BONNET Brigitte PICARD Avec l appui

Plus en détail

COURS DE THÉORIE DES GRAPHES ORGANISATION PRATIQUE & PROJET

COURS DE THÉORIE DES GRAPHES ORGANISATION PRATIQUE & PROJET COURS DE THÉORIE DES GRAPHES ORGANISATION PRATIQUE & PROJET Pour le lundi 26 octobre 2015, chaque étudiant aura choisi les modalités d examen le concernant : 1) projet d implémentation, exercices, partie

Plus en détail

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume COURS SYRRES RÉSEAUX SOCIAUX Jean-Loup Guillaume Le cours http://jlguillaume.free.fr/www/teaching/syrres/ Exemple 1 : Expérience de Milgram Objectif faire transiter une lettre depuis les Nebraska à un

Plus en détail

Conception de Médicament

Conception de Médicament Conception de Médicament Approche classique HTS Chimie combinatoire Rational Drug Design Ligand based (QSAR) Structure based (ligand et ou macromolec.) 3DQSAR Docking Virtual screening Needle in a Haystack

Plus en détail

ARN non codant et bioinformatique

ARN non codant et bioinformatique ARN non codant et bioinformatique Gènes? Deux types de gènes: gènes codant pour des protèines gènes à ARN Les familles d ARNs ARN ARNs codant ARNs non codants ARNm Ribozymes ARNs traduction Petits ARNs

Plus en détail

BIO-INFORMATIQUE PROJET ANCESTROME

BIO-INFORMATIQUE PROJET ANCESTROME PROJET ANCESTROME Approche de phylogénie intégrative pour la reconstruction de "-omes" ancestraux FINANCEMENT TOTAL 2 200 000 Université Claude Bernard Lyon 1 SCRIPTION Biologie évolutive, écologie, écotoxicologie,

Plus en détail

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Rudi Leroy Encadrement : N. Melab (Univ. Lille 1),

Plus en détail

Laboratoire de mathématiques financières ACT 3282

Laboratoire de mathématiques financières ACT 3282 Automne 2015 Département des mathématiques et statistiques Université de Montréal Laboratoire de mathématiques financières ACT 3282 1. Renseignements généraux: Horaire: Mardi 18h30-19h30 et Vendredi 11h30-13h30

Plus en détail