Introduction sur les nouvelles technologies de séquençages (NGS) et l'analyse des données générées sous Galaxy
|
|
- Ghislain Lavergne
- il y a 8 ans
- Total affichages :
Transcription
1 Introduction sur les nouvelles technologies de séquençages (NGS) et l'analyse des données générées sous Galaxy Yvan Le Bras, Projet e-biogenouest, CNRS UMR 6074 IRISA-INRIA, Rennes I. Informations globales sur les NGS 1. Derrière NGS -DNA-seq : étude de l'adn (séquençage de novo, reséquençage,.) -RNA-seq : étude des ARN (mrna, ncrna, smrna,.) -ChIP-seq : étude des interactions protéine/adn (chromatine) pour rechercher les lieux d'actions des facteurs de transcriptions, des régions régulant l'expression des gènes, souvent des régions promotrices (Chromatin ImmunoPrecipitation) (Genomics Select, Cell, Volume 130, Issue 4, 24 August 2007, Pages 575,577, ISSN , /j.cell ( Il s'agit d'effectuer une première étape de ChIP (chromatin ImmunoPrecipitation) pour enrichir de façon sélective en séquence d'adn liées par une protéine particulière dans les cellules vivantes. C'est une bonne alternative au ChIP-chip. -ClIP-seq (=HITS-CLIP): étude des interactions protéine/arn (ultraviolet crosslinking/ immunoprecipitation/ sequencing) (Ule et al., 2005, J. Ule, K. Jensen, A. Mele, R.B. Darnell CLIP: a method for identifying protein-rna interaction sites in living cells Methods, 37 (2005), pp ) -Metagenomique : étude du contenu génétique d'un échantillon issu d'un environnement complexe (intestin, océan, sols, ) trouvé dans la nature (définition Wikipédia) 2. De nombreux types de données: -FastQ: Format texte issu du format fasta contenant donc des séquences biologiques mais avec les scores de qualité de séquençage associés à chaque position nucléotidique. Selon les softs et surtout les plateformes de séquençage utilisé, le format fastq est plus ou moins bien détecté. Pour homogénéiser le formatage, on passe souvent par une transformation du fastq en type "Sanger" (datatype fastqsanger sous Galaxy). Le format est décrit par pour l identifiant de la séquence, la séquence, une ligne débutant par + parfois suivi de l identifiant, les scores de qualité associés à chacune des bases 4_1_1684_208/1 GGGGGGGGGGGGGGGGGGGGGGGGGGGAGGTGGGTT + 4_1_1209_1559/1 GGTTTGCAGGCACTTCAGGTTAATGAACAACGCCTC + IIIII>I774IIIIIIIIIIIIIIIIIIIIIIIIII Les scores :
2 Un score Phred de 10 autorise 1 erreur sur 10. Un score Phred de 20 autorise une erreur sur 100. Un score de 40, une sur Dans le cas présent, nos séquences ont un score de qualité codée en Phred+33 Sanger. Il faut donc regarder la première ligne du tableau ci-dessous ainsi que la première ligne de score correspondant au code de la sixième ligne. Au passage, remarquons que le symbole I représente un score de 40 dans notre cas (une erreur autorisée sur nucléotides séquencés) alors qu'avec un code de type Illumina1.3+, nous aurions obtenus un score de 9, soit plus d'une erreur sur 10 nucléotides séquencés! Les seuils de scores couramment utilisés pour enlever les séquences de mauvaise qualité sont 20 ou 30. La répartition du score de qualité sur notre première séquence peut être représentée comme suit : Contrôle des qualités via FastQC: Le fichier de sortie est un rapport html constitué de plusieurs parties :
3 Quelques statistiques simples sur le fichier analysé. On y trouve notamment le type d'encodage ASCII utilisé pour les valeurs de qualité, le nombre de séquences filtrées si utilisé en mode Casava ainsi que le taux de GC (régions génomiques enrichies en GC sont en moyenne enrichies en gènes, avec plus d'exons que d'introns) La ligne rouge représente la valeur moyenne de score. La boîte jaune représente la répartition des valeurs inter-quartiles (25-75%). Le haut et le bas des moustaches représentent les points à respectivement 90% et 10%. La ligne bleue représente la qualité moyenne par position. Les différentes parties du graphique (vert, orange, rouge) représentent respectivement des qualités très bonnes, raisonnablement bonnes et faible. Comme la qualité se dégrade en général au fur et à mesure que le run de séquençage progresse, les valeurs ont tendance à diminuer vers la droite du graphe. Un warning est mis si une des valeurs de quartile inférieur est en dessous de 10 ou si la valeur médiane d'une base est inférieure à 25. Erreur quand premier quartile<5 ou médiane<20.
4 La répartition du nombre de séquences par scores permet de voir si un sous-jeux de séquences présente une faible qualité, ce qui peut être le cas notamment si elles ont mal été capturées sur image (sur le bord du champ de vision de l'appareil par exemple). Cela peut révéler un problème systématique pendant le run correspondant à une partie de la flowcell par exemple. Un warning est indiqué quand le pic est en dessous de 27 (taux d'erreur de 0.2%). Un échec quand en dessous de 20 (taux d'erreur de 1%). Dans une librairie "randomisée", nous nous attendrions à peu voire aucune différence. Quand une forte différence est observée, cela vient souvent du fait de séquences sur représentées contaminant la librairie. Un biais persistent tout au long de la séquence indiquerait plus un biais dans la librairie initiale ou un problème systématique pendant le séquençage de la librairie. Un warning quand différence, à au moins une position, entre A et T ou G et C supérieur à 10%, une erreur à 20%.
5 Un biais ponctuel peut indiquer une séquence sur représentée contaminant la librairie. Un biais persistent tout au long de la séquence indiquerait plus un biais dans la librairie initiale ou un problème systématique pendant le séquençage de la librairie. Warning si valeur à une base diffère d'au moins 5% de la moyenne en GC, erreur à 10%. Une distribution normale du contenu en GC peut être attendu d'une librairie "randomisée" avec un pic central correspondant à la moyenne générale du contenu en GC du génome étudié. Un écart peut indiquer des contaminations ou d'autres types de biais. Un déplacement de la distribution indique plutôt des biais systématiques indépendant de la position. Warning quand la somme des déviations à la normal représente plus de 15% des reads. Une erreur pour 30%.
6 Warning quand le contenu en N > 5% à une position, 20% pour une erreur. Nous devons observer un pic unique. Si ce n'est pas le cas, un warning apparaît, une erreur si une séquence à une longueur de 0.
7 Score établit en regardant les première séquences du fichier. Il est habituel de voir la courbe remonter à 10 car y sont répertoriés toutes les séquences présentant 10 duplications et plus. Ici, le niveau est élevé, impliquant un grand nombre de séquences avec un fort niveau de duplication. Un warning est indiqué quand les séquences non uniques représentent plus de 20% du total, 50% pour une erreur. Warning si une séquence représente plus de 0.1% du total, une erreur pour 1%. Graphe des top 6 hits de 5-mer en utilisant 20% des séquences. Warning quand un k-mer est enrichi plus de 3 fois en tou ou 5 fois à une position donnée. Si la valeur passe à 10 fois, une erreur s'affiche.
8 -SAM / BAM: format générique pour stocker de grands alignements de séquence nucléotidique. BAM est la version binaire du format SAM tabulé Il se compose d' un en-tête (header) optionnel mais important pour de nombreux outils bioinformatiques, et d'une section ID : Identifiant du groupe de read (individu) SM : Nom de l échantillon (individu) PL : Plateforme utilisée (Illumina) LB : Librairie d ADN (1, 2, ) Et possiblement beaucoup d'autres informations ( Pour ce qui concerne la section alignemment: Information de FLAG :
9 Information sur la qualité de mapping MAPQ : Ce score est calculé de la même manière que pour un score PHRED de séquence Sanger. Un score MAPQ de 10 autorise 1 erreur de positionnement lors de l'alignement sur 10. Un score MAPQ de 20 autorise une erreur sur 100. Un score de 40, une sur Information CIGAR : -BED: Format de fichier tabulé composé de 3 champs obligatoires: nom du chrom., début de la séquence sur le chromosome (>0), fin de la séquence sur le chromosome ; suivi de 9 champs non obligatoires : nom de la ligne BED, score pour le niveau de gris à utiliser dans un genome browser, le sens du brin "+" ou "-", la position nucléotidique à partir de laquelle représenter en épais la séquence dans un génome browser (ex: codon start), la position finale correspondante (ex: codon stop), valeur RGB, le nombre d'exons dans la ligne BED, liste des tailles d'exons séparés par une virgule, une liste de positions indiquant les débuts des exons). Ex: track name=pairedreads description="clone Paired Reads" usescore=1 chr clonea ,488, 0,3512 chr cloneb ,399, 0,3601 -ACE: fichiers de données de contigs génomiques. Il y a 6 champs. Un premier (la ligne débute par CO) contenant le nombre d'identifiants de contig (ici 1), et pour chacun d'entre eux, le nombre de bases (30502), le nombre de lectures (510), et le nombre de segments de base (273) ainsi que l'information le contig est en Forward (U pour Uncomplemented) ou reversed (Complemented) suivi de la séquence consensus avec * pour un gap ; un second champ (après BQ) renseigne sur la qualité (au format de type phred) sans représentation
10 des gaps ; un troisième (après AF) fournis une ligne par lecture avec son nom, le fait qu'elle soit Complemented ou non (C ou U), suivi par le premier nucléotide de la lecture avec sa position relative à la séquence consensus (1, 2, ) ; un quatrième (après BS) indiquant quels lectures sont utilisées pour faire la séquence consensus entre les coordonnées précisées ; un cinquième champ (après RD) reprend chaque lecture avec la séquence associée ; un dernier (après QA) suivant chaque lecture contient deux intervalles (celui de la séquence brute, celui de la séquence nettoyée). Ex: CO U CCTCTCC*GTAGAGTTCAACCGAAGCCGGTAGAGTTTTATCACCCCTCCC BQ AF TBEOG48.y1 C 1 BS TBEOG48.y1 RD TBEOG48.y CCTCTCC*GTAGAGTTCAACCGAAGCCGGTAGAGTTTTATCACCCCTCCC QA gff: contenant le nom de la séquence (un chromosome ou un scaffold), la source de la séquence (le programme qui l'a généré), le nom du type de "feature" (sous-séquence) (CDS, exon, Start_codon, transcript ), la position de départ de cette sous-séquence, la position de fin, le score (pour le niveau de gris de représentation dans un genome browser), le type de brin (+ ou -), the reading frame (si codon, 0-2, sinon ".", et enfin un nom de groupe permettant de lier toute les lignes d'un même groupe. Ex: browser position chr22: browser hide all track name=regulatory description="telegene(tm) Regulatory Regions" visibility=2 chr22 TeleGene enhancer touch1 chr22 TeleGene promoter touch1 chr22 TeleGene promoter touch2 -Wig et BigWig pour visualiser dans un genome browser, des données denses, continues. Cela stocke juste la fenêtre chromosomique à utiliser dans le browser. -peaksfile. contient les pics identifiés en utilisant les paramètres fournis par l'utilisateur. Les colonnes sont: ID : Un identifiant unique pour chaque pic identifié Chromosome : le chromosome sur lequel a été identifié le pic Start location : la coordonnée de début du pic sur le génome End location : la coordonnée de fin du pic sur le génome Peak maximum location : la coordonnée du maximum observé du pic Maximum height : la plus forte valeur observé dans une région spécifiées par des coordonnées de début et de fin.
11 Exemple : id chrom start end max_coord score Voici donc une petite vision des différents formats de données utilisés lors d'analyse NGS. Il en existe une grande diversité, leur évolution est constante et cela nécessite un grand besoin de convertisseurs. II. Assemblage de novo Un assemblage de novo correspond à la récupération de séquences issu du séquençage d'un organisme sans génome de référence. Il faut alors pratiquer un nettoyage des données en fonction de la qualité du séquençage, faire certains ajustement en fonction du fait que les séquences soient pairées ou non. On fera ensuite un assemblage des séquences afin d'obtenir des contig ou scaffold voire le génome de notre organisme si le génome entier a été séquencé avec une qualité et une couverture suffisante -Input datasets : Données de séquences en entrée -FASTQ Groomer : vérification des données et mise en forme de la qualité de séquençage suivant le code Sanger. -velveth (ici version de la plateforme MIGALE) : Préparation des données avant assemblage. Il faut spécifier une longueur de hash. Cette valeur de taille de K-mer influe fortement sur la fidélité de l'assemblage et le temps de calcul / utilisation des ressources! Plus cette valeur est forte, plus le temps de calcul est important.
12 -velvetg (ici version de la plateforme MIGALE) : Utilise la sortie de velveth pour assembler des séquences contiguës les unes avec les autres. Cet outil est un assembleur construisant un graphe de Bruijn. III. RNA seq Les approches de type RNA-seq. -Tophat aligne les lectures (ici pairées) sur un génome de référence (ici renseigné directement au lancement de l'outil en utilisant la liste des génomes préinstallés dans l'environnement Galaxy) en utilisant Bowtie. Chaque fichier BAM généré (ne conservant que les reads mappées) peut ensuite être utilisé comme fichier d'entrée d'autres outils comme Cufflinks. -Cufflinks assemble des transcrits et estime leur abondance. Il fournit notamment un fichier gtf pouvant être utilisé comme fichier d'entrée dans d'autres outils comme Cuffdiff. -Cuffdiff test l'expression différentielle et la régulation d'échantillons de RNA-seq. -Il est possible comme ici de filtrer les résultats en fonction de la significativité des scores obtenus (ici colonne 14 = yes) IV. xip seq Les approches de type XIP-seq (ChIP-seq, ClIP-seq), permettent de focaliser son effort de séquençage sur de l'adn / ARN lié par des protéines d'intérêt (facteurs de transcription ou autre régulateur fonctionnel des cellules). L'idée est ici, après séquençage, assemblage et mapping sur le génome, de ressortir des listes de "pics" correspondant à des aires génomique, loci de fort enrichissement en séquences.
13 Il faut détecter le bruit de fond afin de pouvoir déterminer les pics statistiquement forts. V. SNP detection L'idée est de rechercher des variations de séquence dans le génome et de les discriminer d'erreurs de séquençage. VI. Recherche de marqueurs (SNP ou microsat.) outliers L'idée est de rechercher des marqueurs, souvent des SNPs, dont la fréquence évolue dans les populations en fonctions d'événements passés pouvant être liés à des phénomènes de sélection. Ici l'exemple de l'utilisation de données de RAD-seq et du pipeline STACKS.
14 Figure 1 Le pipeline STACKS Etude de cartographie génétique Il est possible d'utiliser des données sans génome de référence (approche "de novo") : -Demultiplexage et nettoyage des lectures avec STACKS : Process radtags -Préparation du fichier de population utilisable dans STACKS : Reference map -Assemblage de novo des loci de chaque individu et détection de SNP, construction du catalogue de loci et association de tous les échantillons avec le catalogue de loci. Contrairement à l'approche "reference", les algorithmes d'association (match) se basent sur des similarités de séquence, pas des positions génomiques. -Il est possible d'utiliser des données avec génome de référence (approche "reference") : -Demultiplexage et nettoyage des lectures avec STACKS : Process radtags -Mapping des lectures correspondants aux barcodes via BWA -Préparation du fichier de population utilisable dans STACKS : Reference map
15 -Assemblage des loci de chaque individu en se basant sur le génome de référence et détection de SNP, construction du catalogue de loci et association de tous les échantillons avec le catalogue de loci. Contrairement à l'approche de novo, les algorithmes d'association (match) se basent sur des positions génomiques, pas de la similarité de séquence. -Si des parents et des descendants sont fournis au pipeline, comme c'est le cas ici, le programme genotypes est lancé en fin de run. Cela permet d'identifier les loci cartographiable et d'encoder de façon générique le type de locus (ex : ab x aa deux allèles au locus chez le premier parent, un seul chez le deuxième). Cela dit, il est possible de lancer l'outil STACKS : genotypes une fois le pipeline finit, comme c'est le cas ici via STACKS : genotypes, pour obtenir les génotypes d'un croisement particuliers et pour un logiciel de cartographie particuliers. Etude de populations Il est possible d'utiliser des données sans génome de référence (approche "de novo") : -Demultiplexage et nettoyage des lectures avec STACKS : Process radtags -Préparation du fichier de population utilisable dans STACKS : Reference map -Assemblage de novo des loci de chaque individu et détection de SNP, construction du catalogue de loci et association de tous les échantillons avec le catalogue de loci. Contrairement à l'approche "reference", les algorithmes d'association (match) se basent sur des similarités de séquence, pas des positions génomiques. Il est possible d'utiliser des données avec génome de référence (approche "reference") :
16 -Demultiplexage et nettoyage des lectures avec STACKS : Process radtags -Mapping des lectures correspondants aux barcodes via BWA -Préparation du fichier de population utilisable dans STACKS : Reference map -Assemblage des loci de chaque individu en se basant sur le génome de référence et détection de SNP, construction du catalogue de loci et association de tous les échantillons avec le catalogue de loci. Contrairement à l'approche de novo, les algorithmes d'association (match) se basent sur des positions génomiques, pas de la similarité de séquence. -Si, comme c'est le cas ici, un seul type d'individus est placé en entrée du pipeline (i.e. pas de parents et de descendants), le programme populations est lancé en fin de run. Cela permet de calculer des statistiques utilisable en génomique des populations comme l'hétérozygotie, la diversité nucléotidique Pi, la différenciation des individus au sein de chaque population (Fis) ou entre les populations (Fst). Dans le cas présent, avec génome de référence, un algorithme de fenêtre glissante est utilisé pour générer une moyenne lissée (kernel-smoothed) de ces statistiques le long du génome. Si en plus, comme c'est le cas ici, nous lui fournissons un fichier reliant les populations aux échantillons (population map), il sera généré des valeurs de Fst par paire de populations. Lancer finalement STACKS : populations permet de relancer le programme populations sur les fichiers générés par STACKS : Reference map pour filtrer les données de diverses manières ou pour générer différents fichiers de sortie de format variés (structure, genpop, vcf, phylip, fasta, )
Big 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 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 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 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 détailGalaxy Training days. Liste des sessions disponibles : http://bioinfo.genotoul.fr. Les formateurs :
-- 1 -- Galaxy Training days Durée / Programme : 3 journées. Galaxy : First step. Galaxy : Reads alignment and SNP calling. Galaxy : RNAseq alignment and transcripts assemblies. Public : Personnes souhaitant
Plus en détailUniversité de Montréal. Développement d outils pour l analyse de données de ChIP-seq et l identification des facteurs de transcription
Université de Montréal Développement d outils pour l analyse de données de ChIP-seq et l identification des facteurs de transcription par Eloi Mercier Département de bioinformatique Faculté de médecine
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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailMise 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 détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
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 détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailGalaxy est une plateforme de traitements (bio)informatiques accessible depuis l'url : (en précisant votre login et mot de passe LDAP «genotoul»).
Galaxy est une plateforme de traitements (bio)informatiques accessible depuis l'url : (en précisant votre login et mot de passe LDAP «genotoul»). http://galaxy-workbench.toulouse.inra.fr/ Quelque soit
Plus en détailActualités sur la sélection des pondeuses Prospections futures. Dr. Matthias Schmutz, Lohmann Tierzucht
Actualités sur la sélection des pondeuses Prospections futures Dr. Matthias Schmutz, Lohmann Tierzucht Alimentation et démographie mondiale Augmentation annuelle de 80 millions Croissance surtout dans
Plus en détailMaster 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 détailOSIRIS/ Valorisation des données PORTAIL BO MANUEL UTILISATEUR
OSIRIS/ Valorisation des données PORTAIL BO MANUEL UTILISATEUR HISTORIQUE DES VERSIONS Vers. Date Rédacteur Objet de la modification 1.00 Juillet 2007 GTBO_AGRI Création du document 1.01 Février 2009 SAMOA
Plus en détailMise en place d une solution automatique de stockage et de visualisation de données de capture des interactions chromatiniennes à l échelle génomique
Rapport de stage de deuxième année de DUT Génie Biologique option Bioinformatique Mise en place d une solution automatique de stockage et de visualisation de données de capture des interactions chromatiniennes
Plus en détaile-biogenouest CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé
e-biogenouest Coordinateur : Olivier Collin Animateur : Yvan Le Bras CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé
Plus en détailUTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY
UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY Yvan Le Bras yvan.le_bras@irisa.fr Cyril Monjeaud, Mathieu Bahin, Claudia Hériveau, Olivier Quenez, Olivier Sallou, Aurélien Roult, Olivier
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 détailLa 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 détailSERVICES DE SEQUENÇAGE
MARCH 16, 2014 SERVICES DE SEQUENÇAGE Centre d innovation Génome Québec et Université McGill Services de Validation et détection de SNP Technologie de Séquençage de Nouvelle Génération Guide de l utilisateur
Plus en détailFête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
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 détailTable des matières. Table des matières
Table des matières Table des matières Table des matières... 2 A propos de ce guide... 3 Assistance et information de contact... 4 Chapitre 1 Présentation du portail de Monitoring SolarEdge... 5 Chapitre
Plus en détailInitiation à LabView : Les exemples d applications :
Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple
Plus en détail1 les caractères des êtres humains.
Quelques rappels des classes précédentes ACTIVITÉ livre pages 8 et 9 : apprendre le bilan de la page 9 Les êtres vivants sont répartis en espèces. Chaque être vivant est formé de cellules. schéma d une
Plus en détailBASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailSIG ET ANALYSE EXPLORATOIRE
SIG ET ANALYSE EXPLORATOIRE VERS DE NOUVELLES PRATIQUES EN GÉOGRAPHIE Jean-Marc ORHAN Equipe P.A.R.I.S., URA 1243 du CNRS Paris Résumé L'offre actuelle dans le domaine des logiciels de type Système d'information
Plus en détailMallette Métrologie Contrôle des spectrophotomètres
1 MATERIEL Mallette Métrologie 2 PRINCIPE Le présent mode opératoire vise à décrire les différentes étapes à suivre afin de : - Vérifier l exactitude de la longueur d onde de 250 à 650 nm sous condition
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailDans la série. présentés par le site FRAMASOFT
Dans la série Les tutoriels libres présentés par le site FRAMASOFT CRÉER DES EXERCICES AVEC JCLIC-AUTHOR Logiciel: JClic-author Plate-forme(s): Linux, Windows, Mac OS X Version: 0.1.1.9 Licence: GNU General
Plus en détailQUICK START RF Monitor 4.3-1
QUICK START RF Monitor 4.3-1 Propos: Guide d installation et d utilisation du logiciel RF-Monitor Gold de NEWSTEO, pour LOGGERS (LOG, LGS, LGR) en mode Surveillance (Monitoring) ou Live/Enregistrement
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 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 détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailCATALOGUE DES PRESTATIONS DE LA
1/23 La plate-forme Biopuces et Séquençage de Strasbourg est équipée des technologies Affymetrix et Agilent pour l étude du transcriptome et du génome sur puces à ADN. SOMMAIRE ANALYSE TRANSCRIPTIONNELLE...
Plus en détailSOFI Gestion+ Version 5.4. Echanges de données informatiques Spicers Sofi gestion+ Groupements. SOFI Informatique. Actualisé le 10.09.
SOFI Gestion+ SOFI Informatique Version 5.4 Echanges de données informatiques Spicers Sofi gestion+ Groupements Actualisé le 10.09.2004 Table des matières 1. Catalogue et tarifs... 4 1.1 Définition EDI...
Plus en détailAnalyse des données de séquençage massif par des méthodes phylogénétiques
Analyse des données de séquençage massif par des méthodes phylogénétiques Roux S., Taib N., Mangot J.F., Hugoni M., Mary I., Ravet V., Bronner G., Enault F., Debroas D. Équipe Microbiologie de l'environnement
Plus en détailMaster Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA
Master Exploration Informatique des données Data Mining & Business Intelligence Groupe 5 Piotr BENSALEM Ahmed BENSI Evelyne CHARIFOU Priscillia CASSANDRA Enseignant Françoise FOGELMAN Nicolas DULIAN SOMMAIRE
Plus en détailContrôle de l'expression génétique : Les régulations post-transcriptionnelles
Contrôle de l'expression génétique : Les régulations post-transcriptionnelles http://perso.univ-rennes1.fr/serge.hardy/ utilisateur : biochimie mot de passe : 2007 L'ARNm, simple intermédiaire entre le
Plus en détailIntroduction, présentation de la plateforme South Green. h"p://southgreen.cirad.fr/
Introduction, présentation de la plateforme South Green. h"p://southgreen.cirad.fr/ SupAgro, Montpellier, 10 février 2014 Le déluge de données NGS Next-generation sequencing Rappel: synthèse de l ADN 5
Plus en détailService des ressources informatiques - Conseil Scolaire de District Catholique Centre-Sud Page 1
Service des ressources informatiques - Conseil Scolaire de District Catholique Centre-Sud Page 1 Table des matières 1. Accéder au gestionnaire de notes... 3 2. Sélectionner une classe... 4 3. Première
Plus en détailBAMOSONIC IT. - Mesure de niveau -
- Mesure de niveau - Le capteur de niveau F est destiné à la mesure de niveau de liquide sur des cuves de forme cylindrique ou rectangulaire avec possibilité d'un affichage en niveau, distance, volume
Plus en détailMÉTHODE Investir en bourse avec Isiotrade. " Hier est derrière. Demain est un mystère. Ce qui compte, c est ce que l'on fait dans l instant.
MÉTHODE Investir en bourse avec Isiotrade " Hier est derrière. Demain est un mystère. Ce qui compte, c est ce que l'on fait dans l instant." Version réactualisée au 15 mai 2014 Sommaire 1. A PROPOS D'ISIOTRADE...
Plus en détailCe dont nous avons besoin pour suivre ce tutorial :
Ce dont nous avons besoin pour suivre ce tutorial : -3ds max Version d essai disponible ICI -S2 CMX Viewer A télécharger ICI -Brazil r/s A télécharger ICI -CMX importer A télécharger ICI. Il suffit de
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailSÉQUENÇAGE DE TYPE RAD-SEQ, PRÉSENTATION ET TRAITEMENT ANALYTIQUE
SÉQUENÇAGE DE TYPE RAD-SEQ, PRÉSENTATION ET TRAITEMENT ANALYTIQUE Yvan Le Bras 1, Anthony Bretaudeau 1,2, Cyril Monjeaud 1 1 Plateforme GenOuest & CNRS UMR 6074 IRISA-INRIA, Rennes 2 INRA, UMR IGEPP &
Plus en détailGuide d'utilisation. OpenOffice Calc. AUTEUR INITIAL : VINCENT MEUNIER Publié sous licence Creative Commons
Guide d'utilisation OpenOffice Calc AUTEUR INITIAL : VINCENT MEUNIER Publié sous licence Creative Commons 1 Table des matières Fiche 1 : Présentation de l'interface...3 Fiche 2 : Créer un nouveau classeur...4
Plus en détailContrôle de l'expression génétique :
Contrôle de l'expression génétique : Les régulations post-transcriptionnelles L'ARNm, simple intermédiaire entre le génome et les protéines? gène protéine L'ARNm, simple intermédiaire entre le génome et
Plus en détailLibreOffice Calc : introduction aux tableaux croisés dynamiques
Fiche logiciel LibreOffice Calc 3.x Tableur Niveau LibreOffice Calc : introduction aux tableaux croisés dynamiques Un tableau croisé dynamique (appelé Pilote de données dans LibreOffice) est un tableau
Plus en détailDidacticiel de mise à jour Web
Didacticiel de mise à jour Web Copyright 1995-2012 Esri All rights reserved. Table of Contents Didacticiel : Création d'une application de mise à jour Web.................. 0 Copyright 1995-2012 Esri.
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
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 détailIntroduction à la Génomique Fonctionnelle
Introduction à la Génomique Fonctionnelle Cours aux étudiants de BSc Biologie 3ème année Philippe Reymond, MER PLAN DU COURS - Séquençage des génomes - Fabrication de DNA microarrays - Autres méthodes
Plus en détailJexcel. V1.1.4 Manuel d'utilisation. modifié le 16 nov. 2004
Jexcel V1.1.4 Manuel d'utilisation modifié le 16 nov. 2004 Où trouver cette documentation : http://adullact.net/docman/?group_id=125 Page du projet : http://adullact.net/projects/jexcel/ Evolutions : Cette
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailSEQUENÇAGE LI-COR DNA 4200
SEQUENÇAGE LI-COR DNA 4200 Le gel de séquence contient 64 puits au maximum soit 16 clones traités en parallèle. Les oligos utilisés (modifiés en 5 ) fluorescent à 700/800 nm. Une amorce permet de séquencer
Plus en détailCréer le schéma relationnel d une base de données ACCESS
Utilisation du SGBD ACCESS Polycopié réalisé par Chihab Hanachi et Jean-Marc Thévenin Créer le schéma relationnel d une base de données ACCESS GENERALITES SUR ACCESS... 1 A PROPOS DE L UTILISATION D ACCESS...
Plus en détailExemples de Projets SAFI
Exemples de Projets SAFI Analyse sismique simplifiée (CNB-95) Société Informatique SAFI Inc. 3393, chemin Sainte-Foy Ste-Foy, Québec, G1X 1S7 Canada Contact: Rachik Elmaraghy, P.Eng., M.A.Sc. Tél.: 1-418-654-9454
Plus en détailTraitement numérique de l'image. Raphaël Isdant - 2009
Traitement numérique de l'image 1/ L'IMAGE NUMÉRIQUE : COMPOSITION ET CARACTÉRISTIQUES 1.1 - Le pixel: Une image numérique est constituée d'un ensemble de points appelés pixels (abréviation de PICture
Plus en détailStatistiques 0,14 0,11
Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières
Plus en détailLe Marketing Direct et la relation client
Introduction au MD Le Marketing Direct et la relation client Définition du Marketing direct. Il consiste à gérer une offre et une transaction personnalisée à partir de l utilisation d informations individuelles
Plus en détailLA MITOSE CUEEP - USTL DÉPARTEMENT SCIENCES BAHIJA DELATTRE
Biologie LA MITOSE CUEEP - USTL DÉPARTEMENT SCIENCES BAHIJA DELATTRE Février 2006 I. L'INTRODUCTION Chaque cellule d'un organisme supérieur provient de la multiplication d'une cellule préexistante (cellule
Plus en détailProjet Robot Centaure
Projet Robot Centaure Année 2013-2014 IMA4 S8 Étudiants : Clément TACHÉ Liying WANG Enseignants : Robert Litwak Xiavier Redon Table des matières : Remerciements Introduction Présentation et état des lieux
Plus en détailG E S T S K E D. Logiciel de gestion de QSO journaliers ou hebdomadaires appelés SKED. Version 1.0. Logiciel développé par René BUSSY F5AXG
G E S T S K E D Logiciel de gestion de QSO journaliers ou hebdomadaires appelés SKED Version 1.0 Logiciel développé par René BUSSY F5AXG Merci à Gilles F8EEQ pour les tests. www.f5axg.org GEST'SKED F5AXG
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détail10. Instruments optiques et Microscopes Photomètre/Cuve
0. Instruments s et Microscopes GENERAL CATALOGUE 00/ Cuve à usage unique pour spectrophotomètre Cuve jetable, moulée en et en pour UV. Avec parois traitées Kartell ment pour une transparence optimale
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailGUIDE D UTILISATION DE L ISU SEPTEMBRE 2013 GUIDE D UTILISATION DU NAVIGATEUR UIS.STAT (VERSION BÊTA)
GUIDE D UTILISATION DE L ISU SEPTEMBRE 2013 GUIDE D UTILISATION DU NAVIGATEUR UIS.STAT (VERSION BÊTA) Publié en 2013 par : Institut de statistiques de l UNESCO C.P. 6128, Succursale Centre-Ville Montréal,
Plus en détailEVOLUTIONS suite à mise à jour
EVOLUTIONS suite à mise à jour Date : 24/10/2014 Nous avons intégré une nouvelle version de votre logiciel Gestion-360. Vous trouverez ci-dessous le détail des améliorations apportées. Liste des améliorations
Plus en détailACTIVTE N 2 CONTRAT D ACTIVITE NIVEAU 6 ème Objets techniques Matériaux Energies Evolution objets techniques Réalisation T.I.C DECOUVERTE DU POSTE INFORMATIQUE PRESENTATION DE L ACTIVITE Cette activité
Plus en détailTD de supervision. J.P. Chemla. Polytech Tours Département productique 2ème année
TD de supervision J.P. Chemla Polytech Tours Département productique 2ème année 1 Présentation de l équipement On veut superviser une cuve dans un batiment. Les informations à visualiser sont les suivantes
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 détail«Manuel Pratique» Gestion budgétaire
11/06/01 B50/v2.31/F/MP005.01 «Manuel Pratique» Gestion budgétaire Finance A l usage des utilisateurs de Sage BOB 50 Solution Sage BOB 50 2 L éditeur veille à la fiabilité des informations publiées, lesquelles
Plus en détailAnalyse et interprétation des données
8 Analyse et interprétation des données Les données de l enquête peuvent être utilisées pour différents types d analyses aussi bien au niveau national qu au niveau international. Ce chapitre explique comment
Plus en détailLes tableaux croisés dynamiques
Les tableaux croisés dynamiques Table des matières Les tableaux croisés dynamiques... 1 1. Les tutoriels... 1. Quelle est l'utilité d'un tableau croisé dynamique... 3. Vérifier les données de départ...
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailComment et pourquoi créer des clés d'activation?
Comment et pourquoi créer des clés d'activation? Introduction Cette procédure va vous permettre de créer une clé d'activation. Il s'agit d'une suite de 16 caractères ou chiffres : par exemple : LMF5 NSR9
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 détailCOMMENT MAITRISER LA GESTION DES APPROVISIONNEMENTS ET DES STOCKS DE MEDICAMENTS
1 sur 9 COMMENT MAITRISER LA GESTION DES APPROVISIONNEMENTS ET DES STOCKS DE MEDICAMENTS (L'article intégral est paru dans Gestions Hospitalières n 357 de juin-juillet 1996) Pour plus d'informations concernant
Plus en détailEXCEL PERFECTIONNEMENT SERVICE INFORMATIQUE. Version 1.0 30/11/05
EXCEL PERFECTIONNEMENT Version 1.0 30/11/05 SERVICE INFORMATIQUE TABLE DES MATIERES 1RAPPELS...3 1.1RACCOURCIS CLAVIER & SOURIS... 3 1.2NAVIGUER DANS UNE FEUILLE ET UN CLASSEUR... 3 1.3PERSONNALISER LA
Plus en détailInterface PC Vivago Ultra. Pro. Guide d'utilisation
Interface PC Vivago Ultra Pro Guide d'utilisation Version 1.03 Configuration de l'interface PC Vivago Ultra Configuration requise Avant d'installer Vivago Ultra sur votre ordinateur assurez-vous que celui-ci
Plus en détailv7.1 SP2 Guide des Nouveautés
v7.1 SP2 Guide des Nouveautés Copyright 2012 Sage Technologies Limited, éditeur de ce produit. Tous droits réservés. Il est interdit de copier, photocopier, reproduire, traduire, copier sur microfilm,
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailv3 2010 Sygic, a.s. All rights reserverd. Manuel utilisateur
v3 2010 Sygic, a.s. All rights reserverd. Manuel utilisateur I. Pour commencer... 1 Ecran de navigation... 1 Entrer une adresse... 1 Navigation pas à pas... 5 Acquisition de la position GPS... 6 II. Navigation
Plus en détailBernard Lecomte. Débuter avec HTML
Bernard Lecomte Débuter avec HTML Débuter avec HTML Ces quelques pages ont pour unique but de vous donner les premiers rudiments de HTML. Quand vous les aurez lues, vous saurez réaliser un site simple.
Plus en détailAdministration du site (Back Office)
Administration du site (Back Office) A quoi sert une interface d'administration? Une interface d'administration est une composante essentielle de l'infrastructure d'un site internet. Il s'agit d'une interface
Plus en détailProblèmes de dénombrement.
Problèmes de dénombrement. 1. On se déplace dans le tableau suivant, pour aller de la case D (départ) à la case (arrivée). Les déplacements utilisés sont exclusivement les suivants : ller d une case vers
Plus en détailNouveautés FDS 2015. Pour créer des équipements 2D et les publier à partir d'autocad
Nouveautés FDS 2015 Pour créer des équipements 2D et les publier à partir d'autocad Vous pouvez désormais réutiliser le contenu AutoCAD existant en tant qu'équipements d'usine. Cette fonction prend également
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailWHS ProRealTime. édition 2008 1.52
WHS ProRealTime édition 2008 1.52 Ce tutoriel est dédié aux fonctions de passage d'ordres sur ProRealTime avec WHSelfinvest. Pour obtenir une aide sur les autres fonctions de ProRealTime, veuillez consulter
Plus en détailNumbers sur ipad. Atelier Formation Numbers sur ipad. [Notes extraitres de l'aide en ligne]
Numbers sur ipad [Notes extraitres de l'aide en ligne] Table des matières Atelier Formation Numbers sur ipad Introduction à Numbers 4 Créer ou ouvrir une feuille de calcul 4 Créer ou ouvrir une feuille
Plus en détailInfolettre #18 : Les graphiques avec Excel 2010
Infolettre #18 : Les graphiques avec Excel 2010 Table des matières Introduction... 1 Hourra! Le retour du double-clic... 1 Modifier le graphique... 4 Onglet Création... 4 L onglet Disposition... 7 Onglet
Plus en détailManuel d utilisation de l outil collaboratif
Manuel d utilisation de l outil collaboratif Réf OCPD-V2 Page 1 / 24 a mis en œuvre un outil collaboratif qui permet de partager des informations entre collaborateurs. Il permet à des utilisateurs travaillant
Plus en détail