Programme et objectifs:

Ce module a pour objectif la maîtrise des outils d'analyse, calcul et visualisation de données en Python: NumPy, SciPy, Pandas et Matplotlib. Le module permettra aussi une première prise en main de la bibliothèque Scikit-learn pour une initiation pratique à l'utilisation des méthodes d'apprentissage automatique. Le cours intègre, pour chaque outil, un apprentissage des techniques de manipulation et de traitement de données, il est ensuite mis en application lors de travaux pratiques. Les cas d'études traduisent des problématiques du monde de la bio-informatique comme la manipulation des données du génome humain de référence ou de la classification d'espèces. L'objectif étant de concevoir des projets qui vont de l’importation et le prétraitement de données nécessaires jusqu'à la visualisation des résultats de l'analyse.

Modalités d'évaluation:

L'enseignement s'organise en CM et en TP en salle informatique. Le cours présente sa documentation essentiellement en langue anglaise. Il a lieu en présentiel (18h : 6h CM, 12h TP). L'UE est évaluée en contrôle continu intégral par travaux pratiques.

Pré-requis:

Programmation Python.

Compétences attestées :

• Maîtriser les bibliothèques Python d’exploration de données et de calcul scientifique.
• Manipulation avancée de séries, de tableaux de données hétérogènes et de tableaux de calcul.
• Collecter des données, les organiser, les traiter, et les transformer en informations exploitables.
• Identifier les caractéristiques structurantes des données, les transformer et les visualiser.
• Programmer et résoudre un problème d’optimisation numérique (linéaire, non linéaire). Interpréter les résultats.
• Choisir et mettre en œuvre les différents modèles d'apprentissage. Mesurer, comparer et analyser la qualité des prédictions.

Cette seconde UE d'environnement professionnel comprend deux matières directement liées à la préparation du stage :

- FAIR : bonnes pratiques de développement (10h) : premiers éléments des principes FAIR (Facile à trouver, Accessible, Interopérable, Réutilisable) pour l'analyse de données et le développement logiciel : usage de Git, tests unitaires, suivi de version et développement collaboratif.

- Veille et Communication Scientifique (12h) : outils de recherche et veille avancée (MeSH PubMed), gestion bibliographique (format bibTeX, gestionnaire de références), rédaction de documents scientifiques (maitrise des styles et LaTeX, Beamer), canevas du rapport pré-stage.

Formation en anglais pour les Masters 1 Biologie

GEHYD-BioDiv-SPIMR

Programme résumé

- Repliement des macromolécules biologiques : aspects cinétiques et thermodynamiques

- Détermination de la structure tridimensionnelle des macromolécules biologiques : principes des principales méthodes expérimentales (dichroïsme circulaire, Infrarouge et Raman, RMN, cristallographie et diffraction des rayons X) et modélisation moléculaire

- RMN : Principales expériences pour l’analyse structurale des protéines en solution, Caractérisation des interactions biologiques par RMN

- Apprentissage de différents outils informatiques pour l’analyse structurale et la modélisation de macromolécules biologiques

- Apprentissage de l’attribution d’un spectre RMN, stratégies d’interprétation

Approche pédagogique

- L'étudiant devra connaitre les niveaux de structuration d’une protéine et apprendre à en reconnaitre les différents motifs. Il devra comprendre les processus cinétiques et thermodynamiques du repliement des protéines, et leur application pour la détermination de structure. L’étudiant se familiarisera avec les principales banques de données de structure (PDB, KEGG), et apprendra à en utiliser les données (logiciels de modélisation moléculaires). Il maitrisera les principes des principales méthodes de détermination de structure, dont notamment la RMN

- Les cours magistraux sont accès sur l’apprentissage des connaissances nouvelles, et leur maitrise. Les travaux dirigés sont accès sur les stratégies d’interprétation des spectres RMN, et sur l’analyse de résultats d’études structurales. Trois devoirs maison (DM) et 2 travaux pratiques (TP) complètent l’apprentissage aussi bien théorique que pratique, au travers l’utilisation des outils web de biologie structurale et l’initiation à un logiciel de modélisation moléculaire professionnel

Compétences visées

- savoir : Repliement des macromolécules, méthodes d’études, RMN liquide

- savoir-faire : Analyser et décrire une structure complexe, Analyser des spectres RMN ¹H, 1D et 2D de peptides en solution, Attribuer les déplacements chimiques ¹H de peptides.

Objectifs :

L'étudiant devra apprendre à maitriser la statistique bivariée tout d'abord en comprenant la notion de corrélation puis en s'appropriant les différentes étapes de la modélisation statistique, du choix du modèle à son utilisation en passant par la validation et la qualité de ce modèle.

Contenu :

_ Corrélation entre deux variables (Pearson, Spearman): notion et tests de corrélation.

_ Régression linéaire simple : les différentes étapes de la modélisation sur des exemples.

_ ANOVA : tests de comparaisons de plusieurs moyennes

_ Régression non-linéaire simple et problème de choix de modèles.

La totalité de l'enseignement se fera en salle machine en utilisant le logiciel R. L'enseignement se fera par des études de cas : présentation du problème biologique, du protocole expérimental et des données obtenues puis un traitement statistique.

1) Administration et sécurité des bases de données Oracle :

• Gestion des utilisateurs
• Protection des tables
• PL/SQL avancé
• Audit
• Chiffrement

2) PostgreSQL

Série de quatre UE à chaque semestre du master. Elles sont dédiées à la préparation des démarches professionnelles. 

• M1 S1 - Environnement professionnel 1 - Métiers de la Bioinformatique du M1S1 (10h TD + travail personnel; 1 CE)  présente les domaines et les carrières en bioinformatique, accompagne la recherche du stage de S2 des M1BIMS/M2CCB4 et prépare dans le même temps à l'alternance en M2 BIMS : recherche d'un stage conventionné en alternance (formation initiale) ou d'un contrat d'apprentissage (apprenti).