Bioinformatique Appliquée Recherche de similitudes
|
|
- Léonie Mélançon
- il y a 7 ans
- Total affichages :
Transcription
1 Besoin d'accélérer la recherche de similitude dans une banque Bioinformatique Appliquée Recherche de similitudes La recherche de similitude permet de comparer une séquence appelée requête (query) à une ou plusieurs autres séquences, notamment à l'ensemble des séquences (de référence) connues ou annotées, stockées dans les banques de données publiques (ou privées). Alignement 2 à 2 Recherche de similitude dans une banque? Séquence requête? Rappel outils: Alignement global ou local Quel outil? BLAST 1 2 Besoin d'accélérer la recherche de similitude dans une banque Besoin d'accélérer la recherche de similitude dans une banque Séquence requête Query sequence Séquence requête? Base de données Database Pourquoi comparer une séquence requête à une banque de données de séquences? Savoir si ma séquence inconnue ressemble à d'autres déjà connues dans les banques de données. Si les séquences se ressemblent, il est possible de faire une hypothèse de lien de parenté (homologie) et donc une hypothèse sur une fonction similaire. Séquence de départ, celle pour laquelle vous cherchez s'il existe des séquences similaires ou identiques connues C'est l'ensemble des séquences dans lesquelles on va chercher des séquences similaires à la requête. Suivant les serveurs, les bases de données peuvent avoir des tailles et des contenus assez différents. Trouver toutes les séquences d'une même famille. Rechercher toutes les séquences qui contiennent un motif donné
2 Besoin d'accélérer la recherche de similitude dans une Alignement 2 à 2? banque Recherche de similitude dans une banque Séquence requête? Besoin d'accélérer la recherche de similitude dans une banque 1980/1986 Création de l EMBL (1980), de GenBank (1982) et de la DDBJ (1986).Création de SwissProt (1986) Rappel outils: Alignement global ou local Quel outil? BLAST Les programmes d'alignement fondés sur la programmation dynamique sont des algorithmes exacts comme Needleman & Wunsch (global) et Smith & Waterman (local): Ils donnent tout le temps la meilleure solution, mais ils sont lents!! Pas utilisable sur les banques de données Il faut donc une astuce (BLAST) (Needleman & Wunsch) Alignement global 2 à (Dayhoff) Matrices PAM 1981 (Smith & Waterman) Alignement local 2 à (Altschul) BLAST 1990 (Henikoff) Matrices BLOSUM 2000/ ier brouillon du génome humain En reprenant l'exemple du cours précédant, voici notre séquence d'intérêt: COMME UN VOL DE GERFAUTS HORS DU CHARNIER NATAL Le but est d'identifier une séquence en la comparant à une ou plusieurs autres séquences, notamment à l'ensemble des séquences (de référence) connues et annotées, stockées dans les banques de données publiques (ou privées). COMME UN BOL DE CEREALES HORS D UN CHANTIER NAVAL ILS SE DEPLACAIENT COMME UN VOL DE GERFAUTS COMME UN VOL DE MOINEAUX HORS DU CHARNIER NATAL SOMME DU VOL DES BATEAUX DU CHANTIER NAVAL PARTAIENT IVRES D UN REVE HEROIQUE ET BRUTAL ILS ADMIRAIENT CES MOINEAUX AU REVEIL MATINAL COMME LE VOL DES MOUETTES PRES DU CHALUTIER NARVAL Blast (Altschul et al., 1990) (le logiciel le plus utilisé en biologie) L'idée sous-jacente à l'algorithme de Blast (Basic Local Alignement Search Tool) est que les bons alignements doivent contenir quelque part des petits segments strictement identiques. Ces éléments constituent les points d'ancrage à partir desquels l'alignement est étendu. Blast2 est une version de Blast qui autorise les insertions et les délétions, c'est la version à utiliser. Ces algorithmes développés sont des heuristiques (un biologiste traduirait par astuce!) DEF: une heuristique est un algorithme qui fournit rapidement une solution réalisable (approximative), pas nécessairement optimale (exacte), pour un problème complexe. Ils utilisent des méthodes efficaces pour accélérer certaines parties, et des méthodes exactes pour optimiser certaines parties
3 méthode Needleman & Wunsch objectif Alignement 2 à 2 Type d'alignement Global Type d'algorithme Exact Blast Première étape du calcul Recherche de tous les mots de taille W communs aux séquences avec un score de similitude supérieur à t Hit Blast W = 11 pour ADN Smith & Waterman Alignement 2 à 2 local Exact W = 3 pour protéines la valeur de W est ajustable! BLAST Recherche de similitude dans une banque local Heuristique T = score seuil au-delà duquel la ressemblance entre deux mots de taille W n'est pas due au hasard. T est ajustable 9 10 Blast Principe m(w=3) S L A A L L N K C K T P Q G Q R L V N Q W Liste de mots voisins P Q G 18 P E G 15 P R G 14 P K G 14 P N G 13 P D G 13 P H G 13 P M G 13 P S G 13 P Q A 12 P Q N Score seuil T = 13 Query : 325 S L A A L L N K C K T P Q G Q R L V N Q W L A + + L + T P G R W Sbjct : 290 T L A S V L D C T V T P M G S R M L K R W 310 High Scoring Pairs (HSP) S(P,P) = 7 S(Q,R) = 1 S(G,G) = 6 Blast Première étape du calcul Recherche de régions sans insertions/délétions riches en similarité Détermination d une longueur de mot : W = 3 acides aminés pour les protéines Hachage de la séquence «requête» en mot de taille W m Séquence requête (query) Liste de mots voisins de longueur W ayant un score supérieur à un seuil T fixé par rapport au mot m
4 B i Blast Première étape du calcul Chaque mot similaire au mot m est comparé à chaque mot de taille W pris dans chaque séquence B i de la banque de données. Lorsqu un mot d une séquence B i est identique à un mot de la liste de mots voisins, un hit est enregistré. Blast Signification d'un alignement Taille de la base de données = 20 x 10 6 lettres peptide A 1 x 10 6 AP IAP 2500 LIAP 125 WLIAP 6 KWLIAP 0,3 KWLIAPY 0,015 nombre présents par hasard Blast Deuxième étape du calcul Blast Deuxième étape du calcul Extension des mots trouvés dans les deux directions pour trouver les régions de similitude les plus longues possibles ayant un score supérieur ou égal à un score seuil S HSP, Hight-scoring Segment Pair Arrêt de l'extension si Diminution de X du score cumulé par rapport au maximum atteint Score cumulé <= 0 Fin d une des séquences Pour chaque hit, le programme effectue une extension de l alignement dans les deux sens. (en gros alignement local de type Smith et Waterman). L extension s arrête quand le score du mot étendu diminue au-delà d un seuil fixé. Les segments ayant un score de similarité supérieur à un score S seuil fixé sont retenus (High Scoring Pairs = HSP)
5 Quantification de la similitude Un score global permet de quantifier la similitude. score HSP = Σ se pe (se: score élémentaire, pe= pénalité de gap) Il résulte de la somme des scores élémentaires calculés sur chacune des positions en vis à vis des deux séquences dans leur appariement optimal. Le score est pénalisé par l'introduction de gaps. Le gap permet d'optimiser l'alignement entre les deux séquences donc de faire coïncider le maximum de caractères communs. Biologiquement, le gap matérialise alors une insertion (ou délétion). Blast Calcul du score séquence 1: séquence 2: score HSP = Σ se pe (se: score élémentaire, pe= pénalité de gap) TCCPS-IVARSN :. :. SCCPSDISARNT => alignement score = ( )-8=34 Notation 2 à Blast Calcul du score Blast Exemple d'un HSP sequence Query= 256 Aa score HSP = Σ se pe (se: score élémentaire, pe= pénalité de gap) séquence 1: séquence 2: TCCPS-IVARSN +CCPS I AR+ SCCPSDISARNT Notation BLAST => alignement score = ( )-8=
6 Blast valeurs indiquées Blast Signification de la E-value Identities = nombre paires d'identités / nombre total paires de lettres alignées similitude calculée à partir de la matrice unitaire Positives = nombre paires avec poids positif / nombre total paires similitude calculée à partir de la matrice de substitition utilisée pour la recherche Gaps = nombre (insertions ou délétions) / nombre total paires E-value (Expect) = nombre d'alignements attendus par hasard ayant un score supérieur au score obtenu pour l'hsp dans la banque considérée Plus la valeur est faible, plus l'alignement est fiable Dépend de la taille de la banque de données utilisée! Valeurs non comparables entre deux banques P-value (probability) P(N): Probabilité du score observé. Plus cette valeur est faible, plus l'hsp est significatif Blast Exemple d'un HSP Zone de gaps BLAST Choix du programme (parfum) Query 1 SEQUENCE BANQUE 1 Subject ID=42% Sim=57% Gaps=4% 636 Protéique BLASTP Protéique SWP:Q2KJ63 Bos Taurus HSP donné par Blast : possible similitude entre les 2 séquences Que peut-on conclure à propos de la séquence query? Est-elle homologue à la séquence de la banque (Q2KJ63 bovins)? Nucléique BLASTN TBLASTX Nucléique
7 BLAST Choix du programme (parfum) Le parfum de Blast dépend du type (ADN/protéines) de la requête et du type de la banque. BLAST: score et E-value Un score global permet de quantifier la similitude. score HSP = Σ se pe (se: score élémentaire, pe= pénalité de gap) Les plus utilisés BLAST Requête Banque BLASTn DNA DNA Nucleotide BLAST BLASTp Protein Protein Protein BLAST BLASTx DNA Protein La requête est traduite dans les 6 phases tblastn Protein DNA La banque est traduite dans les 6 phases tblastx DNA DNA La requête est traduite dans les 6 phases La banque est traduite dans les 6 phases 25 Il résulte de la somme des scores élémentaires calculés sur chacune des positions en vis à vis des deux séquences dans leur appariement optimal. Scores élémentaires: ADN: en général pas de notion de similitude (soit identique, soit différent) Proétine: matrice de substitution BLOSUM, PAM Pénalités de gap: Les indels sont traités différemment selon qu'on ajoute un premier indel (gap ouverture = gap open) ou qu'on allonge un indel déjà présent (gap extension = gap extend). Gap_open > Gap_extend 26 Dans le cas des séquences nucléiques, Rappel La matrice utilisée pour BLAST est en général la suivante: A T C G A T C G Dans le cas des séquences protéiques, Rappel Utilisation de matrices de substitution : elle contient les coûts de substitution d'un acide aminé par un autre. En effet, il existe différents degrés de similitude entre acides aminés et la mutation d'un acide aminé en un autre a une probabilité différente selon les acides aminés concernés (BLOSUM62, PAM250): Identités Les acide aminés ne sont pas tous soumis à la même influence de la sélection naturelle Score élémentaire > 0 Substitutions conservatrices Eles sont relativement fréquentes au cours de l'évolution car elles modifient peu ou pas le phénotype et ne sont pas sous l'influence de la sélection naturelle. Score élémentaire > 0 27 Substitutions non conservatrices Le remplacement d'un acide aminé par un autre peut perturber complètement le phénotype et sera contre-sélectionné. Score élémentaire <
8 Dans le cas des séquences protéiques, Rappel BLOSUM62 Blast Signification de la E-value Une E-value n'est pas une probabilité, c'est un nombre de séquences qui serait trouvées par hasard E-value =2 Score= 56 Si je compare votre séquence à une banque de données de séquences aléatoires de même taille et de même composition alors je m'attendrai à trouver dans cette banque deux séquences qui s'aligneront avec votre séquence avec un score égal ou supérieur à 56. E-value =10-50 Score= 197 Si je compare votre séquence à une banque de données de séquences aléatoires fois plus grande et de même composition alors je m'attendrai à trouver dans cette banque une séquence qui s'alignera avec votre séquence avec un score égal ou supérieur à Blast Score et E-value Le score (et la E-value) d'un alignement dépendent de De l'outil utilisé (needle, water, BLAST, ) et des paramètres (matrice, modèle de gap) Ne JAMAIS comparer des scores d'alignement avec des outils ou des paramètres différents De la taille des régions alignées Un alignement de plus petit score peut avoir un meilleur pourcentage d'identité qu'un autre alignement si sa taille est beaucoup plus petite! Une requête de petite taille (6Aa) peut avoir au maximum une E-value d'environ 10! La E-value dépend aussi de De la taille et la composition de la banque Ne JAMAIS comparer des E-values d'alignement réalisés sur des bases de données différentes. 31 Attention aux scores! # Length: 78 # Identity: 75/78 (96.2%) # Similarity: 78/78 (100.0%) # Gaps: 0/78 # Score: RL28_ECOLI 1 MSRVCQVTGKRPVTGNNRSHALNATKRRFLPNLHSHRFWVESEKRFVTLR 50 RL28_SALTI 1 MSRVCQVTGKRPVTGNNRSHALNATKRRFLPNLHSHRFWVESEKRFVTLR 50 RL28_ECOLI 51 VSAKGMRVIDKKGIDTVLAELRARGEKY 78 : : : RL28_SALTI 51 VSAKGMRIIDKKGIETVLSELRARGEKY 78 # Length: 943 # Identity: 650/943 (68.9%) # Similarity: 759/943 (80.5%) # Gaps: 7/943 ( 0.7%) # Score: SYI_ECOLI 1 -MSDYKSTLNLPETGFPMRGDLAKREPGMLARWTDDDLYGIIRAAKKGKK 49.. :......:.:.... SYI_HAEIN 1 MTVDYKNTLNLPETSFPMRGDLAKREPDKLKNWYEKNLYQKIRKASKGKK 50 SYI_ECOLI 50 TFILHDGPPYANGSIHIGHSVNKILKDIIVKSKGLSGYDSPYVPGWDCHG 99 : : : :... : : SYI_HAEIN 51 SFILHDGPPYANGNIHIGHAVNKILKDIIIKSKTALGFDSPYIPGWDCHG 100 / SYI_ECOLI 846 PELSAKLTALGDELRFVLLTSGATVADYNDAPADAQQSEVLKGLKVALSK : :......::.... : :. :::: SYI_HAEIN 850 DEYRALLAQLGNELRFVLITSKVDVKSLSEKPADLADSE-LEGIAVSVTR 898 SYI_ECOLI 896 AEGEKCPRCWHYTQDVGKVAEHAEICGRCVSNVAGDGEKRKFA 938 :.. :.::.....:... :.. SYI_HAEIN 899 SNAEKCPRCWHYSDEIGVSPEHPTLCARCVENVVGNGEVRYFA
9 Blast Score et E-value Pour évaluer un alignement il faut plutôt considérer un ensemble de données: La E-value La taille de l'alignement Le pourcentage et la position des gaps Le pourcentage d'identité et de similitude Il n'existe pas de valeur seuil de E-value absolue pour conclure. La E-value est juste un outil d'aide à la décision! Blast Filtrage des séquences Lorsque la similitude entre deux séquences est faible et porte sur une courte région, il est possible que cette ressemblance soit due à une convergence fonctionnelle ou structurale, ou simplement au hasard. Parfois, la similitude entre séquences est uniquement due à des biais compositionnels AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA ******************************** AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA Exple: régions riches en proline, alanine, queue polya etc -> FILTRE Blast Filtrage des séquences Interprétation biologique et piège de BLAST Des filtres (programmes SEG et XNU) ont été conçus pour éliminer les régions répétitives et segments de "faible complexité" qui bruitent les résultats. Pour cela, la séquence requête est tout d'abord comparée à une banque de données contenant des séquences représentatives de faible complexité. Les fragments de la séquence requête appartenant à ces familles sont alors masqués avant d'effectuer la recherche de similitude sur la banque complète. Exemples: Queue PolyA (ADN) PolyProline (Protein) etc 35 Si la similitude est suffisante, c'est à dire, lorsqu'elle est susceptible de ne pas s'être produite au hasard, on pose souvent deux "a priori" : La similitude forte entre deux séquences est considérée comme représentative de l'homologie entre ces séquences, c'est à dire elles possèdent une séquence ancêtre commune dont elles sont issues et la différence entre elles se traduit par l'existence de mutations, insertions et délétions accumulées au cours de l'évolution. L'homologie entre deux séquences peut laisser supposer que les séquences ont des fonctions identiques (mais ne le prouve pas...). C'est une HYPOTHESE!!! Attention : pour le spécialiste une forte similitude ne signifie pas forcément homologie!!!!!!!!!!!! 36 9
10 Interprétation biologique et piège de BLAST Lorsque l'identité protéique dépasse 30% sur au moins 100 résidus, alors il est généralement probable que les séquences dérivent d'un ancêtre commun (elles sont donc homologues). La comparaison de gènes homologues est une approche très efficace pour : - Déterminer la fonction et la structure d'une séquence. - Repérer des régions fonctionnelles au sein des séquences. - Etudier les processus de l'évolution à l'échelle moléculaire. - Etablir la phylogénie des espèces. Lorsque l'identité est inférieur à 30% sur 100 résidus, alors il est généralement difficile de conclure si les séquences dérivent d'un ancêtre commun. (Twillight zone) Blast Signification de la E-value Exemple BlastP sur NCBI avec DB SwissProt seq query= 263 Aa P Chymotrypsinogen B; % 3e-151 Q6GPI1.2 Chymotrypsinogen B2; % 1e-148 / P Protein NMT1 homolog % 8.7 Q7LZF5.1 Thrombin-like enzyme catroxobin-1; % 9.8 La valeur de la E-value pourrait signifier: Dans une banque de donnée quelconque de même taille que SwissProt, je m'attends à trouver 9.8 séquences qui ressembleront au moins autant que la séquence Q7LZF5 avec ma séquence query. La E-value de Blast n'est en aucun cas un nombre qui vous dit si l'alignement de deux séquences est "biologiquement significatif" ou non, c'est un outil d'aide à la décision Interprétation biologique et piège de BLAST Nous verrons que cette façon de faire est très très très problématique, et que seul un examen détaillé et attentif de l'ensemble des résultats d'une recherche permet en général de conclure! On PEUT (doit) utiliser ces valeurs pour conclure que la recherche n'a pas donné un résultat satisfaisant. Il faudra utiliser ces valeurs avec beaucoup de précaution. On NE PEUT PAS utiliser ces valeurs pour conclure que la recherche a donné un résultat satisfaisant. Dans tous les cas il ne faudra conclure que si l'outil indique que le résultat est du au hasard!
11 Interprétation biologique et piège de BLAST Problèmes et limites de la recherche de similitudes Les gènes inconnus Quand un gène ne ressemble à aucun autre, on le dit "orphelin". Quand le génome de la levure a été obtenu, près de la moitié de ses gènes n'avaient pas d'homologues connus dans les banques. Les erreurs Les informations présentes dans les banques peuvent être erronées, il est indispensable de vérifier attentivement les résultats. Problèmes et limites de la recherche de similitudes Les gènes homologues : orthologues et paralogues Une fois une certaine similitude mise en évidence, il est nécessaire de séparer les gènes orthologues des paralogues. - Quand le gène est transmis à deux espèces filles : ils sont orthologues. - Il est fréquent que certains gènes se dupliquent. Un exemplaire du gène conserve généralement sa fonction première, le ou les autres (ce sont les paralogues) peuvent évoluer indépendamment et acquérir des fonctions complètement différentes. Seule une analyse de leur évolution via la construction d'arbres phylogénétiques permet de différencier ces deux cas Rappel Orthologue et Paralogue Duplication Spéciation Lignée 1 Lignée 2 vache humain humain chimpanzé chimpanzé vache humain chimpanzé humain chimpanzé V1 H1 H2 C1 C2 V1 H1 C1 H2 C2 Problèmes et limites de la recherche de similitudes Le "bricolage de l'évolution" Une autre difficulté de la recherche de fonctions provient des réarrangements qui s'opèrent lors des étapes séparant le gène de la protéine fonctionnelle : L'épissage alternatif : pour un même gène et dans un même organisme, l'élimination des introns peut être différente selon la cellule concernée. Ainsi, pour un même gène, l'arnm sera différent et donnera naissance à une protéine différente. Par ailleurs, l'association de fragments provenant de gènes différents permet l'émergence de fonctions totalement nouvelles (cassettes fonctionnelles). Gènes orthologues Paire de gènes nés de la divergence de leur ancêtre commun (spéciation) Gènes paralogues Paire de gènes nés de la duplication de leur ancêtre commun 43 Importance de l'analyse de l'annotation de la région commune comme la présence de domaines protéiques
12 Problèmes et limites de la recherche de similitudes La maturation post-traductionnelle de la protéine Les protéines, vont migrer grâce à des signaux d'adressage spécifiques vers les mitochondries, les lysosomes, les peroxysomes... Elles peuvent aussi traverser le réticulum endoplasmique et passer par l'appareil de Golgi pour être sécrétées dans le milieu extracellulaire. Une fois traduite, la protéine peut subir une maturation posttraductionnelle (glycosylation, hydroxylation, ) les modifiant profondément, de telle sorte que la protéine finale est bien différente de la molécule directement codée par le génome Un exemple! (Guy Perrière) L annotation par similitude peut conduire à certain abus Exemple d'alignement entre 2 séquences dont une annotés dans les banques: -> Annotation automatique de la deuxième: MZEORFG ILNSPDRACNLAKQAFDEAISELDSLGEESYKDSTLIMQLLXDNLTLWTSDTNEDGGDE BOV1433P IQNAPEQACLLAKQAFDDAIAELDTLNEDSYKDSTLIMQLLRDNLTLWTSDQQDEEAGE * * *:.**********:**.***.* ************** *********.:::. * LOCUS BOV1433P 1696 bp mrna MAM 26-APR-1993 DEFINITION Bovine brain-specific protein eta chain mrna, complete cds. LOCUS MZEORFG 187 bp mrna PLN 31-MAY-1994 DEFINITION Zea mays putative brain specific protein, tau protein homolog mrna, partial cds Les principaux serveurs BLAST Pour toutes ces raisons, les résultats produits par les logiciels ne constituent que des hypothèses qui doivent être vérifiées par une démarche expérimentale en laboratoire. Notamment par observation des effets de l'altération ou de la délétion du gène dans l'organisme, ou par RNA interférants. NCBI EBI Le plus souvent utilisé mais aux USA (donc risque d'encombrement) Blast-Wu, développement un peu différent du NCBI, paramètres différents mais en Europe. Chaque serveur a son propre Blast avec ses propres paramètres et différents choix de bases de données. Il est souvent utile (nécessaire) de comparer les résultats entre les serveurs pour affirmer/infirmer des hypothèses
13 BLAST Output NCBI (1) BLAST Output NCBI (2) séquence requête choix de la base de données choix du parfum de Blast Attention Megablast par défaut!! BLAST Output NCBI (2) BLAST Output NCBI (3) séquence requête choix de la base de données Attention, pour accéder aux différents paramètres, il faut cliquer sur Algorithm parameters
14 BLAST Output NCBI (4) BLAST Output NCBI (5) E-value limite Choix de la matrice et gestion des indels Taille W du mot m Filtre pour les séquences de faible complexité BLAST Output NCBI (6) BLAST Output NCBI (7) Nombres de hits Paramètres Répartition des hits en fonction du score Vision du recouvrement des différents HSP Séquence requête
15 BLAST Output NCBI (8) BLAST Output NCBI (9) Une forte valeur de la E value indiquerait que le résultat pourrait être du au hasard Le lien vers l'entrée de la base de données qui a été utilisée (enfin presque!) Un score élevé, ou mieux une série de scores élevés, suggère une relation mais à vérifier en regardant l'alignement 57 Un score faible, avec une forte E value, suggère fortement que la similitude entre les séquences est le résultat du hasard 58 BLAST Output NCBI (10) BLAST Output NCBI (11)
16 BLAST Output NCBI (12) BLAST Output EBI (1) Attention aux pourcentage (ID et Pos) par rapport à la longueur de l'hsp! BLAST Output EBI (2) BLAST Output EBI (2b)
17 BLAST Output EBI (3) BLAST Output EBI (5) BLAST Output EBI (4) Il s'agit d'outils mathématiques, ne pas oublier le sens biologique!
18 Il s'agit d'outils mathématiques, ne pas oublier le sens biologique! Conclusion Pour évaluer un alignement il faut plutôt considérer un ensemble de données: La E-value (uniquement comme un outil d'aide à la décision) La taille de l'alignement Le pourcentage et la position des gaps Le pourcentage d'identité et de similitude Lorsque les éléments ci-dessus sont favorables, cela permet de faire l'hypothèse que la séquence requête (query) et la séquence trouvée (hit) sont homologues et qu'elles pourraient partager une fonction similaire pour la région commune uniquement (annotation de domaines protéiques)
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 détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
Plus en détailPerl Orienté Objet BioPerl There is more than one way to do it
Perl Orienté Objet BioPerl There is more than one way to do it Bérénice Batut, berenice.batut@udamail.fr DUT Génie Biologique Option Bioinformatique Année 2014-2015 Perl Orienté Objet - BioPerl Rappels
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailBase de données bibliographiques Pubmed-Medline
Chapitre 1 ; Domaine 1 ; Documentation ; Champs référentiels 1.1.1, 1.1.2 et 1.1.3 Base de données bibliographiques Pubmed-Medline D r Patrick Deschamps,, 30 mai 2007 PLAN C2i métiers de la santé Introduction
Plus en détailIntroduction aux bases de données: application en biologie
Introduction aux bases de données: application en biologie D. Puthier 1 1 ERM206/Technologies Avancées pour le Génome et la Clinique, http://tagc.univ-mrs.fr/staff/puthier, puthier@tagc.univ-mrs.fr ESIL,
Plus en détailIdentification 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 détailModule Analyse de Génomes 2011-2012 Master 2 module FMBS 326 Immunoinformatique
Module Analyse de Génomes 2011-2012 Master 2 module FMBS 326 Immunoinformatique Planning du Module : Date Heure Salle 12/12 9h-12h TD info TA1Z bat 25 13h-17h TD info TA1Z bat 25 13/12 9h-12h TD info TA1Z
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailIMMUNOLOGIE. La spécificité des immunoglobulines et des récepteurs T. Informations scientifiques
IMMUNOLOGIE La spécificité des immunoglobulines et des récepteurs T Informations scientifiques L infection par le VIH entraîne des réactions immunitaires de l organisme qui se traduisent par la production
Plus en détailCHAPITRE 3 LA SYNTHESE DES PROTEINES
CHAITRE 3 LA SYNTHESE DES ROTEINES On sait qu un gène détient dans sa séquence nucléotidique, l information permettant la synthèse d un polypeptide. Ce dernier caractérisé par sa séquence d acides aminés
Plus en détail6. Les différents types de démonstrations
LES DIFFÉRENTS TYPES DE DÉMONSTRATIONS 33 6. Les différents types de démonstrations 6.1. Un peu de logique En mathématiques, une démonstration est un raisonnement qui permet, à partir de certains axiomes,
Plus en détailDegré de confiance pour les indicateurs de performance : degré de fiabilité du processus de production et écart significatif 1
Degré de confiance pour les indicateurs de performance : degré de fiabilité du processus de production et écart significatif 1 L utilisation des indicateurs de performance ne peut se faire de manière pertinente
Plus en détailGènes 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 détailIntroduc)on à Ensembl/ Biomart : Par)e pra)que
Introduc)on à Ensembl/ Biomart : Par)e pra)que Stéphanie Le Gras Jean Muller NAVIGUER DANS ENSEMBL : PARTIE PRATIQUE 2 Naviga)on dans Ensembl : Pra)que Exercice 1 1.a. Quelle est la version de l assemblage
Plus en détailGénétique et génomique Pierre Martin
Génétique et génomique Pierre Martin Principe de la sélections Repérage des animaux intéressants X Accouplements Programmés Sélection des meilleurs mâles pour la diffusion Index diffusés Indexation simultanée
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailFreeway 7. Nouvelles fonctionnalités
! Freeway 7 Nouvelles fonctionnalités À propos de ce guide... 3 Nouvelles fonctionnalités en un coup d'oeil... 3 À propos de la conception d'un site web réactif... 3 Travailler avec les pages pour créer
Plus en détailLE MODELE CONCEPTUEL DE DONNEES
LE MODELE CONCEPTUEL DE DONNEES Principe : A partir d'un cahier des charges, concevoir de manière visuelle les différents liens qui existent entre les différentes données. Les différentes étapes de réalisation.
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailSéquence 6. Mais ces espèces pour autant ne sont pas identiques et parfois d ailleurs ne se ressemblent pas vraiment.
Sommaire Séquence 6 Nous avons vu dans les séances précédentes qu au cours des temps géologiques des espèces différentes se sont succédé, leur apparition et leur disparition étant le résultat de modifications
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailBibliographie Introduction à la bioinformatique
Bibliographie Introduction à la bioinformatique 5. Les bases de données biologiques, SQL et la programmation Python/C++ Zvelebil et Baum, Understanding bioinformatics Beighley, Head First SQL Chari, A
Plus en détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailDétection et prise en charge de la résistance aux antirétroviraux
Détection et prise en charge de la résistance aux antirétroviraux Jean Ruelle, PhD AIDS Reference Laboratory, UCLouvain, Bruxelles Corata 2011, Namur, 10 juin 2011 Laboratoires de référence SIDA (Belgique)
Plus en détailTD de Biochimie 4 : Coloration.
TD de Biochimie 4 : Coloration. Synthèse de l expérience 2 Les questions posées durant l expérience 2 Exposé sur les méthodes de coloration des molécules : Générique Spécifique Autres Questions Pourquoi
Plus en détailDétection des duplications en tandem au niveau nucléique à l'aide de la théorie des flots
Université Toulouse 3 Paul Sabatier(UT3 Paul Sabatier) Informatique Spécialité Bioinformatique Eric AUDEMARD lundi 28 novembre 2011 Détection des duplications en tandem au niveau nucléique à l'aide de
Plus en détailBig 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 détailGénoToul 2010, Hôtel de Région Midi Pyrénées, Toulouse, 10 décembre 2010
GénoToul 2010, Hôtel de Région Midi Pyrénées, Toulouse, 10 décembre 2010 Analyse de la diversité moléculaire des régions génomiques de 30 gènes du développement méristématique dans une core collection
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailExtraction d information des bases de séquences biologiques avec R
Extraction d information des bases de séquences biologiques avec R 21 novembre 2006 Résumé Le module seqinr fournit des fonctions pour extraire et manipuler des séquences d intérêt (nucléotidiques et protéiques)
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailSauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS
Sauvegarde collaborative entre pairs 1 Sauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS Sauvegarde collaborative entre pairs 2 Introduction Pourquoi pair à pair? Utilisation de ressources
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailChanger la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes.
SAS, Cognos, Stata, Eviews, conseil, expertise, formation, mining, datamining, statistique, connaissance Changer la source d'une requête dans SAS Enterprise Guide client, valeur client, CRM, fidélisation,
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailReaper : utilisations avancées
Reaper : utilisations avancées Reaper dispose de ressources qui, sans être cachées, ne sont pas toujours faciles à trouver, d'autant plus que souvent on n'imagine même pas que ces choses soient possible!...
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailLarge succès de l introduction en bourse de Genomic Vision sur Euronext à Paris qui lève 23,0 M
Communiqué de presse 1 er avril 2014 GÉNOMIQUE TESTS DE DIAGNOSTIC GÉNÉTIQUE R&D Large succès de l introduction en bourse de Genomic Vision sur Euronext à Paris qui lève 23,0 M Offre sursouscrite 4,7 fois,
Plus en détailTPE/PME : comment me situer et justifier de mon statut?
TPE/PME : comment me situer et justifier de mon statut? Vérification du statut de PME par les micro, petites et moyennes entreprises au sens du règlement REACH Ce document est traduit et librement adapté
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailUtilisation du logiciel ImageJ gratuit
Utilisation du logiciel ImageJ gratuit on peut récupérer sur le lien suivant : http://rsbweb.nih.gov/ij/ à partir duquel ce résumé très bref (!!) a été élaboré Lancer ImageJ Vous avez une fenêtre qui s'ouvre
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailThéorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailÉCOLE DE TECHNOLOGIE SUPÉRIEURE UNIVERSITÉ DU QUÉBEC RAPPORT DE PROJET PRÉSENTÉ À L ÉCOLE DE TECHNOLOGIE SUPÉRIEURE
ÉCOLE DE TECHNOLOGIE SUPÉRIEURE UNIVERSITÉ DU QUÉBEC RAPPORT DE PROJET PRÉSENTÉ À L ÉCOLE DE TECHNOLOGIE SUPÉRIEURE COMME EXIGENCE PARTIELLE À L OBTENTION DE LA MAÎTRISE EN GÉNIE PAR Sébastien SERVOLES
Plus en détailDE VOS NOMS DE DOMAINE : Cette méthode est particulièrement efficace pour un référencement optimal sur une cible bien définie.
«GEOLOCALISATION» DE VOS NOMS DE DOMAINE : BIEN REFERENCER VOS.CO Vous trouverez ci-joint la méthode pour choisir la cible géographique à associer à vos noms de domaine enregistrés dans des extensions
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailConférence technique internationale de la FAO
Décembre 2009 ABDC-10/7.2 F Conférence technique internationale de la FAO Biotechnologies agricoles dans les pays en développement: choix et perspectives pour les cultures, les forêts, l élevage, les pêches
Plus en détailFormavie 2010. 2 Différentes versions du format PDB...3. 3 Les champs dans les fichiers PDB...4. 4 Le champ «ATOM»...5. 6 Limites du format PDB...
Formavie 2010 Les fichiers PDB Les fichiers PDB contiennent les informations qui vont permettre à des logiciels de visualisation moléculaire (ex : RasTop ou Jmol) d afficher les molécules. Un fichier au
Plus en détail! Séquence et structure des macromolécules. " Séquences protéiques (UniProt) " Séquences nucléotidiques (EMBL / ENA, Genbank, DDBJ)
Introduction à la Bioinformatique Introduction! Les bases de données jouent un rôle crucial dans l organisation des connaissances biologiques.! Nous proposons ici un tour rapide des principales bases de
Plus en détailCellules procaryotes Service histologie Pr.k.mebarek
Cellules procaryotes Service histologie Pr.k.mebarek I) Les cellules procaryotes II) Les cellules eucaryotes o 1) Caractéristiques générales des cellules eucaryotes o 2) Organisation des cellules eucaryotes
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailComment reproduire les résultats de l article : POP-Java : Parallélisme et distribution orienté objet
Comment reproduire les résultats de l article : POP-Java : Parallélisme et distribution orienté objet Beat Wolf 1, Pierre Kuonen 1, Thomas Dandekar 2 1 icosys, Haute École Spécialisée de Suisse occidentale,
Plus en détailLa reconnaissance moléculaire: la base du design rationnel Modélisation moléculaire: Introduction Hiver 2006
La reconnaissance moléculaire: la base du design rationnel En 1890 Emil Fisher a proposé le modèle "serrure et clé" pour expliquer la façon de fonctionner des systèmes biologiques. Un substrat rentre et
Plus en détailTrier les ventes (sales order) avec Vtiger CRM
Trier les ventes (sales order) avec Vtiger CRM Dans l'activité d'une entreprise, on peut avoir besoin d'un outil pour trier les ventes, ce afin de réaliser un certain nombre de statistiques sur ces ventes,
Plus en détailGMIN206 Info. Biologique et Outils bioinformatiques. Elodie Cassan
M Bioinformatique, Connaissances et Données Année 24-25 GMIN206 Info. Biologique et Outils bioinformatiques Banques de données biologiques (3h de Cours +,5h de TD + 4h de TP) Elodie Cassan Anne-Muriel
Plus en détail«Credit scoring» : une approche objective dans l'octroi de crédit?
«Credit scoring» : une approche objective dans l'octroi de crédit? Le credit scoring, ou encore scoring d'octroi, est un des outils mis en oeuvre lors de l'analyse risque d'une demande de crédit par les
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailGESTION DES BONS DE COMMANDE
GESTION DES BONS DE COMMANDE P1 P2 Table des Matières LA GESTION DES BONS DE COMMANDE 4 PREMIERE EXECUTION DU LOGICIEL 5 DEFINITION DES PARAMETRES 8 Services 9 Comptes Utilisateurs 10 Adresse de livraison
Plus en détailDr E. CHEVRET UE2.1 2013-2014. Aperçu général sur l architecture et les fonctions cellulaires
Aperçu général sur l architecture et les fonctions cellulaires I. Introduction II. Les microscopes 1. Le microscope optique 2. Le microscope à fluorescence 3. Le microscope confocal 4. Le microscope électronique
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailLES ACCES ODBC AVEC LE SYSTEME SAS
LES ACCES ODBC AVEC LE SYSTEME SAS I. Présentation II. SAS/ACCESS to ODBC III. Driver ODBC SAS IV. Driver ODBC SAS Universel V. Version 8 VI. Références I. Présentation Introduction ODBC, qui signifie
Plus en détailSemestre 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 détailORACLE TUNING PACK 11G
ORACLE TUNING PACK 11G PRINCIPALES CARACTÉRISTIQUES : Conseiller d'optimisation SQL (SQL Tuning Advisor) Mode automatique du conseiller d'optimisation SQL Profils SQL Conseiller d'accès SQL (SQL Access
Plus en détailRoutage Statique. Protocoles de Routage et Concepts. Version 4.0. 2007 Cisco Systems, Inc. All rights reserved. Cisco Public 1
Routage Statique Protocoles de Routage et Concepts Version 4.0 1 Objectifs Définir le rôle général d'un routeur dans les réseaux. Décrire les réseaux directement connectés et les différentes interfaces
Plus en détailFigure 1 Différents éléments influençant les mesures de seuil réalisées en champ visuel
LE CHAMP VISUEL DU SUJET NORMAL INFLUENCE DES METHODES D'EVALUATION Jacques CHARLIER U279 INSERM, LILLE INTRODUCTION La connaissance du champ visuel du sujet normal, de ses variations intra et interindividuelles
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailBusiness Intelligence simple et efficace
Business Intelligence simple et efficace avec Excel et PowerPivot Jean-Philippe GOUIGOUX Table des matières 1 Chapitre 1 Présentation de PowerPivot A. L analyse de données.....................................................
Plus en détailAnnales du Contrôle National de Qualité des Analyses de Biologie Médicale
Annales du Contrôle National de Qualité des Analyses de Biologie Médicale ARN du virus de l hépatite C : ARN-VHC ARN-VHC 03VHC1 Novembre 2003 Edité : mars 2006 Annales ARN-VHC 03VHC1 1 / 8 ARN-VHC 03VHC1
Plus en détailLes Réseaux sans fils : IEEE 802.11. F. Nolot
Les Réseaux sans fils : IEEE 802.11 F. Nolot 1 Les Réseaux sans fils : IEEE 802.11 Historique F. Nolot 2 Historique 1er norme publiée en 1997 Débit jusque 2 Mb/s En 1998, norme 802.11b, commercialement
Plus en détailAGROBASE : un système de gestion de données expérimentales
AGROBASE : un système de gestion de données expérimentales Daniel Wallach, Jean-Pierre RELLIER To cite this version: Daniel Wallach, Jean-Pierre RELLIER. AGROBASE : un système de gestion de données expérimentales.
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailTPE et PME : comment me situer et justifier de mon statut?
DRC- 10-107725 - 03911 A mars 2010 TPE et PME : comment me situer et justifier de mon statut? Vérification du statut de PME par les micro, petites et moyennes entreprises au sens du règlement REACH Ce
Plus en détailJournée SITG, Genève 15 octobre 2013. Nicolas Lachance-Bernard M.ATDR Doctorant, Laboratoire de systèmes d information géographique
Monitorint spatio-temporel intégré de la mobilité urbaine Monitoring spatio-temporel de l ADN urbain Une réponse aux défis, problèmes, enjeux et risques des milieux urbains Nicolas Lachance-Bernard M.ATDR
Plus en détail3 Les premiers résultats des plans d'actions
3 Les premiers résultats des plans d'actions Les résultats que nous avons obtenus en ce qui concerne les plans d'action, résultent de l'analyse de 48 entreprises seulement. Revenons sur notre échantillon.
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailINFORMATIQUE : LOGICIELS TABLEUR ET GESTIONNAIRE DE BASES DE DONNEES
MINISTERE DE LA COMMUNAUTE FRANCAISE ADMINISTRATION GENRALE DE L ENSEIGNEMENT ET DE LA RECHERCHE SCIENTIFIQUE ENSEIGNEMENT DE PROMOTION SOCIALE DE REGIME 1 DOSSIER PEDAGOGIQUE UNITE DE FORMATION INFORMATIQUE
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailprésentée DEVANT L UNIVERSITÉ DE RENNES 1 pour obtenir le grade de : DOCTEUR DE L UNIVERSITÉ DE RENNES 1 PAR Emilie GUÉRIN TITRE DE LA THÈSE :
N Ordre de la Thèse 3282 THÈSE présentée DEVANT L UNIVERSITÉ DE RENNES 1 pour obtenir le grade de : DOCTEUR DE L UNIVERSITÉ DE RENNES 1 Mention : BIOLOGIE PAR Emilie GUÉRIN Équipe d accueil : École Doctorale
Plus en détailOctroi de crédit : la minimisation des risques de défaillance n'a pas le dernier mot
Octroi de crédit : la minimisation des risques de défaillance n'a pas le dernier mot Aucun prêteur, c'est entendu, n'octroie de crédit à une personne qu'il ne considérerait pas comme potentiellement solvable.
Plus en détailDirXML License Auditing Tool version 1.1 - Guide de l'utilisateur
DirXML License Auditing Tool version 1.1 - Guide de l'utilisateur Présentation Installation DirXML License Auditing Tool (DLAT) vous permet de déterminer le nombre de licences DirXML utilisées dans une
Plus en détailExploitation des données issues de BE ( utilisation du tableur CALC) Fiche de travail (individuelle ou en binôme)
Exploitation des données issues de BE ( utilisation du tableur CALC) Fiche de travail (individuelle ou en binôme) A- Présentation du tableur 1- Présentation des contenus Intitulé de la formation : les
Plus en détaildonnées à caractère personnel (ci-après la "LVP"), en particulier l'article 29 ;
1/6 Avis n 05/2008 du 27 février 2008 Objet : avis relatif au monitoring des groupes à potentiel au sein du Vlaamse Dienst voor Arbeidsbemiddeling en Beroepsopleiding (Office flamand de l'emploi et de
Plus en détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailDÉFIS DU SÉQUENÇAGE NOUVELLE GÉNÉRATION
DÉFIS DU SÉQUENÇAGE NOUVELLE GÉNÉRATION PRINCIPES DE BASE SUR LES DONNEES ET LE CALCUL HAUTE PERFORMANCE Lois de Gray sur l ingénierie des données 1 : Les calculs scientifiques traitent des volumes considérables
Plus en détailWWW.MELDANINFORMATIQUE.COM
Solutions informatiques Procédure Sur Comment créer un premier Site SharePoint 2010 Historique du document Revision Date Modification Autor 3 2013-04-29 Creation Daniel Roy 1. But.4 2. Configuration..4
Plus en détailChapitre 1 : Introduction aux bases de données
Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données
Plus en détailJulien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration
Julien MATHEVET Alexandre BOISSY GSID 4 Rapport Load Balancing et migration Printemps 2001 SOMMAIRE INTRODUCTION... 3 SYNTHESE CONCERNANT LE LOAD BALANCING ET LA MIGRATION... 4 POURQUOI FAIRE DU LOAD BALANCING?...
Plus en détailEco-système calcul et données
Eco-système calcul et données M. Daydé Dr du Comité d'orientation pour le Calcul Intensif (COCIN) Délégué Scientifique INS2I en charge HPC / Grille / Cloud Calcul / données : un enjeu stratégique Calcul
Plus en détailRappel sur les bases de données
Rappel sur les bases de données 1) Généralités 1.1 Base de données et système de gestion de base de donnés: définitions Une base de données est un ensemble de données stockées de manière structurée permettant
Plus en détailUniversité Ibn Zohr Excel Résume de cours
Le logiciel Excel: Excel est un tableur qui permet de saisir des données, de les afficher et de faire des traitements sur ces données. Les originalités du tableur sont l'organisation des données et les
Plus en détailActivité 38 : Découvrir comment certains déchets issus de fonctionnement des organes sont éliminés de l organisme
Activité 38 : Découvrir comment certains déchets issus de fonctionnement des organes sont éliminés de l organisme 1. EXTRAITS REFERENTIELS DU BO Partie du programme : Fonctionnement de l organisme et besoin
Plus en détail