Curriculum vitae : Andrea RAU

Curriculum vitae : Andrea RAU
INRA
Tél : (+33) (0) 1 34 65 22 82
GABI / PSGen
e.mail : [email protected]
Domaine de Vilvert
78352 Jouy-en-Josas CEDEX
Page web :
http://www.andrea-rau.com
Née le 29 novembre 1982 à Minot, North Dakota (USA)
Nationalité américaine, mariée
Situation Actuelle
•
Chargée de Recherche 2ème classe (CR2) à INRA, Jouy en Josas (depuis octobre 2011)
Formation et diplômes
2007-2010
Ph.D. de Statistiques à Purdue University (West Lafayette, Indiana, USA)
obtenu le 6 août 2010.
Titre
: Inférence rétrospective de réseaux de gènes régulateurs à partir de
données génomiques temporelles.
Directeurs de thèse
2005-2007
: Rebecca W. Doerge, Jean-Louis Foulley, and Florence Jarézic
M.S. (Master of Science) de Statistiques Appliquées à Purdue University
(West Lafayette, Indiana, USA).
Stage : Utilisation des séries temporelles et modèles d'intervention pour analyser
l'eet des changements publicitaires pour la chaîne de pharamacies Walgreens
(Deereld, Illinois, USA)
2001-2005
B.A. (Bachelor of Arts) de Français et B.A. de Mathématiques, option
statistiques (avec distinction), à Saint Olaf College (Northeld, Minnesota, USA).
Stage : Application des analyses pharmacocinétiques aux données d'une épreuve
clinique (première phase) et détermination d'un modèle d'échantillonnage limité,
sous la direction de Alfred Furth au Mayo Clinic (Rochester, Minnesota, USA)
Postes antérieurs
2010-2011
2008-2010
Post-doctorante à Inria - Île-de-France (Orsay, France)
Sujet : Clustering des données de séquençage à haut-débit.
Directeurs : Gilles Celeux et Marie-Laure Martin-Magniette
Assistante de recherche pour R. W. Doerge, Département de Statistiques à
Purdue University (West Lafayette, Indiana, USA)
2007
Consultante dans le Service de Consultation Statistique, Département de
Statistiques à Purdue University (West Lafayette, Indiana, USA)
A. Rau, CV
2013, Page 1 de 8
Sujets de recherche
Thèmes de recherche
: Réseaux de gènes régulateurs, analyse des données de séquençage à haut-
débit (RNA-seq), modèles de mélanges, analyses bayésiennes, Approximate Bayesian Computation (ABC), méthodes de classication non-supervisée
Domaines d'application
: Etude de données génomiques et transcriptomiques
Compétences
Informatique
Langues
Systèmes d'exploitation
Linux, Windows
Langages
C, HTML, Perl (notions), Awk (notions)
Logiciels
R/S+, SAS, SPSS, L TEX, Matlab (notions)
A
Anglais
Langue maternelle
Françis
Courant (lu, écrit, parlé)
Honneurs
•
2010
Graduate Women in Science Programs travel award
• Student travel award, Conference on Applied Statistics in Agriculture at Kansas
2010
State University
2005-2010
•
VIGRE Fellowship, Purdue University
•
Mention honorable, Gertrude M. Cox Scholarship
2009
• Graduate student scholarship, Gordon Conference on Quantitative Genetics and
2009
Genomics
•
BioC Conference graduate student scholarship
2009
•
A.H. Ismail Interdisciplinary Program doctoral research travel award
2009
•
Buntrock academic scholarship, Saint Olaf College
2001
•
National Merit Scholar
2001
•
Presidential Scholar
2001
Organisations
•
Société Française de Statistique (SFdS, 2011-présent)
•
American Statistical Association (ASA, 2005-présent)
•
Phi Beta Kappa (2005-présent)
Peer-reviewed articles
1. Brenault, P., Lefevre, L. Rau, A., Laloë, D., Pisoni, G., Moroni, P., Bevilacquia, C. and
Martin, P. (2013) Contribution of mammary epithelial cells to the immune response during
early stages of a bacterial infection to
Staphylococcus aureus. Veterinary Research (accep-
ted).
2. Rau, A., Jarézic, F., and Nuel, G. (2013) Joint estimation of causal eects from observational and intervention gene expression data.
A. Rau, CV
BMC Systems Biology 7:111.
2013, Page 2 de 8
3. Gallopin, M. Rau, A., and Jarézic, F. (2013). A hierarchical Poisson log-normal model
for network inference from RNA sequencing data.
PLoS One 8(10) : e77503.
doi:10.1371/journal.pone.0077503.
4. Rau, A., Gallopin, M., Celeux, G., and Jarézic, F. (2013). Data-based ltering for replicated high-throughput transcriptome sequencing experiments.
Bioinformatics
29(17) :
2146-2152.
?
?
?
?
?
5. Dillies, M.-A. , Rau, A. , Aubert, J. , Hennequet-Antier, C. , Jeanmougin, M. , Ser-
?
?
vant, N. , Keime, C. , Marot, G., Castel, D., Estelle, J., Guernec, G., Jagla, B., Jou?
?
neau, L., Laloë, D., Le Gall, C., Schaëer, B., Charif, D., Le Crom, S. , Guedj, M. , and
?
Jarézic, F . (2012). A comprehensive evaluation of normalization methods for Illumina
high-throughput RNA sequencing data analysis.
doi:10.1093/bib/bbs046.
?
These authors contributed
Briengs in Bioinformatics
(in press).
equally to this work.
6. Rau, A., Jarézic, F., Foulley, J.-L., and Doerge, R. W. (2012). Reverse engineering gene
regulatory networks using approximate Bayesian computation.
Statistics and Computing,
22 : 1257-1271.
7. Rau, A., Jarézic, F., Foulley, J.-L., and Doerge, R. W. (2010). An empirical Bayesian
method for estimating biological networks from temporal microarray data.
plications in Genetics and Molecular Biology : Vol. 9 : Iss. 1, Article 9.
Statistical Ap-
8. Furth, A., Mandrekar, S., Tan, A. Rau, A., Felten, S., Ames, M. Adjei, A. Erlichman, C.
and Reid, J. (2008). A limited sample model to predict area under the drug concentration
curve for 17-(allylamino)-17-demethoxygeldanamycin and its active metabolite 17-(amino)17-demethoxygeldanomycin.
Cancer Chemotherapy Pharmacology 61(1) : 39-45.
Peer-reviewed conference proceedings
1. Rau, A., Jarézic, F., Foulley, J.-L., and Doerge, R. W. (2010). Approximate Bayesian
approaches for reverse engineering biological networks. Proceedings of the Kansas State
University Conference on Applied Statistics in Agriculture. Manhattan, Kansas.
Manuscripts submitted to peer-reviewed journals
1. Rau, A., Marot, G., and Jarézic, F. (2013). Dierential meta-analysis of RNA-seq data
from multiple studies.
arXiv preprint arXiv:1306.3636.
2. Nuel, G., Rau, A., and Jarézic, F. (2013). Estimating causal eects in gene expression
from a mixture of observational and intervention experiments.
3. Rau, A., Maugis-Rabusseau, C., Martin-Magniette, M.-L. and Celeux, G. (2013). Coexpression analysis of high-throughput transcriptome sequencing data with Poisson mixture
models.
4. Balzergue, S., Rigaill, G., Brunaud, V., Blondet, E., Rau, A., Rogier, O., Caius, J., MaugisRabusseau, C., Soubigou-Taconnat, L., Aubourg, S., Lurin, C., Delannoy, E., and MartinMagniette, M.-L. (2013). HTSDi : a sensitivie analysis of dierential gene expression by
RNA-seq.
A. Rau, CV
2013, Page 3 de 8
Pre-prints, technical reports, and manuscripts in preparation
1. Nuel, G., Rau, A., and Jarézic, F. (2013). Joint likelihood calculation for intervention
and observational data from a Gaussian Bayesian network.
arXiv preprint arXiv:1305.0709.
2. Rau, A., Celeux, G., Martin-Magniette, M.-L., and Maugis-Rabusseau, C. (2011). Clustering high-throughput sequencing data with Poisson mixture models.
Inria Research Report
7786.
Other publications
1. Rau, A. (2008). Success of Volunteer Statistical Consulting Service Leads to Expanded
Network.
The Statistical Consultant, 25(1).
2. Rau, A. (2008). STATCOM Network Engages Growing Number of Student Volunteers.
Newsletter for the Section on Statistical Education, 13(1).
3. Rau, A. (2008). Success of Statistical Service Leads to Expanded Network.
Amstat News,
April 2008.
Communications orales lors de conférences
Juin 2013
Mai 2013
Deuxièmes rencontres R, Lyon
HTSFilter : Data-based ltering for replicated high-throughput sequencing experiments
Journée de la transcriptome végétale de l'URGV-Genopole, Evry
Animatrice invitée de table ronde :
Statistiques appliquées au RNA-seq
Mar. 2013
StatSeq workshop on genetical genomics, Paris
Oct. 2012
Journée APLIOBIO (Alliance des PLates-formes Île-de-France de BIOinformatique), Paris
Joint estimation of causal eects from observational and intervention gene expression data
A comprehensive evaluation of normalization methods for high-throughput
RNA sequencing data analysis
Invited talk :
July 2012
Joint Statistical Meetings of the American Statistical Association, San Diego, California
Jan. 2012
12th Workshop : Statistical Methods for Post-Genomic Data, Lyon
Avr. 2011
Clustering high-throughput sequencing data using Poisson mixture models
Clustering high-throughput sequencing data using Poisson mixture models
StatSeq Workshop, Toulouse
Invited talk :
Model-based cluster analysis for transcriptomic data (G. Celeux, orateur)
Jan. 2011
11th Workshop : Statistical Methods for Post-Genomic Data, Paris
Avr. 2010
Conference on Applied Statistics in Agriculture, Manhattan, Kansas
Sep. 2009
Reverse Engineering Gene Networks Using Approximate Bayesian Computation
Approximate Bayesian methods for reverse engineering biological networks
GENESYS Satellite Meeting at the European Conference on Complex Systems,
Warwick, UK
Reverse-Engineering Gene Networks from Microarray Data with Dynamic Bayesian
Networks
Août 2009
A. Rau, CV
Joint Statistical Meetings of the American Statistical Association, Washington, DC
Using Dynamic Bayesian Networks with Hidden States to Infer Gene Regulatory
Networks
2013, Page 4 de 8
Mai 2009
2nd Biennial Workshop on Statistical Bioinformatics and Stochastic Systems Biology,
Newcastle, UK
Poster : Reverse-Engineering Genetic Regulatory Interactions from Transcriptomic
Data using Dynamic Bayesian Networks
Avr. 2009
Conference on Applied Statistics in Agriculture, Manhattan, Kansas
An Empirical Bayes Approach to Inferring Genetic Regulatory Interactions
with Dynamic Bayesian Networks
Poster :
Fév. 2009
Gordon Conference on Quantitative Genetics and Genomics, Galveston, Texas
An Empirical Bayes Approach to Inferring Genetic Regulatory Interactions
with Dynamic Bayesian Networks
Poster :
Août 2008
Joint Statistical Meetings of the American Statistical Association, Denver, Colorado
Seven Years of StatCom at Purdue : Managing a Growing Number of Student
Volunteers
Poster :
Communications orales lors de séminaires et groupes de travail
Nov. 2013
Nov. 2013
Statistics for Systems Biology (SSB) seminar, Evry
HTSFilter : ltering replicated RNA-seq data using a data-driven approach
Seminar at INRA-GABI, Jouy-en-Josas
Reinforcing the biology-statistics feedback loop with tools for genomic data analysis
Oct. 2013
Statistics for Integrative Biology (SIB) seminar, Rennes
Sep. 2013
NETBIO working group, Paris
HTSAnalysis : a suite of R/Bioconductor packages for the analysis of RNA-seq data
Joint estimation of causal eects from observational and intervention gene expression data
June 2013
Statistique et Santé working group, Paris
June 2013
AppliBUGS Workshop, Paris
June 2013
Statistics seminar, Toulouse
Fev. 2013
Dec. 2012
Nov. 2012
Joint estimation of causal eects from observational and intervention gene expression data
Joint estimation of causal eects from observational and intervention gene expression data
Joint estimation of causal eects from observational and intervention gene expression data
Séminaire de Statistics for Integrative Biology, Rennes
Joint estimation of causal eects from observational and intervention gene expression data
Assemblée générale PEPI IBIS, Toulouse
Dierential analysis of RNA-seq data by unsupervised classication
Séminaire de Statomique, Lyon
Independent data-based ltering for replicated high-throughput sequencing experiments
Juin 2012
Séminaire du LGC et de la SAGA à l'INRA, Toulouse
Juin 2012
Séminaire du groupe de travail SSB, Jouy en Josas
Fév. 2012
Réunion du réseau méthodologique MIA Inférence de réseaux biologiques, Paris
Dec. 2011
AppliBugs Workshop, Paris
Mai 2011
A. Rau, CV
Clustering high-throughput sequencing data using Poisson mixture models
Clustering high-throughput sequencing data using Poisson mixture models
Inferring gene regulatory networks with hidden variables using state space models
Exploring the identiability of gene regulatory networks with approximate Bayesian
computation
Séminaire à l'Institut de Recherche Mathématique Avancée, Strasbourg
2013, Page 5 de 8
Reverse Engineering Gene Networks Using Approximate Bayesian Computation (ABC)
Avr. 2011
Avr. 2011
Séminaire de l'Unité de Recherche en Génomique Végétale, Évry
Reverse Engineering Gene Networks : A Statistician's Perspective
Séminaire de l'Institut de Mathématiques de Luminy, Marseille
Reverse Engineering Gene Networks Using Approximate Bayesian Computation (ABC)
Mar. 2011
Séminaire du laboratoire Statistique et Génome, Évry
Mar. 2011
Séminaire de l'équipe Génétique et Génomique Statistique, Le Kremlin Bicêtre
Reverse Engineering Gene Networks Using Approximate Bayesian Computation (ABC)
Reverse Engineering Gene Networks Using Approximate Bayesian Computation (ABC)
Jan. 2011
Rencontre de statistique autour des modèles hiérarchiques, Strasbourg
Oct. 2010
Groupe de travail de INA P-G, Paris Descartes, et SELECT, Paris
Avr. 2010
Reverse Engineering Gene Networks Using Approximate Bayesian Computation (ABC)
Reverse Engineering Gene Networks Using Approximate Bayesian Computation (ABC)
Séminaire de Bioinformatiques à Purdue University, West Lafayette, Indiana
Approximate Bayesian methods for reverse engineering biological networks
Juin 2009
Séminaire de l'AgroParisTech, Paris
Juin 2009
Séminaire de l'UMR GABI à l'INRA, Jouy-en-Josas
Inférence sur les réseaux génomiques par des modèles espace-état
Inférence sur les réseaux génomiques par des modèles espace-état
Mars 2009
Séminaire des doctorants du département de Génétique Animale à l'INRA, Jouy-en-Josas
Mars 2008
Séminaire des doctorants du département de Génétique Animale à l'INRA, Toulouse
Reverse Engineering Gene Regulatory Networks
Poster :
Inferring Gene Regulatory Network through Linear Feedback State Space Models
Participation à des groupes de travail et séminaires
•
Structure and Function of the Genome working group (bi-monthly, 2012-present)
•
Groupe de travail SSB (semi-mensuel, 2011-présent)
•
Groupe de travail BaBayes à l'INRA, Jouy-en-Josas (semi-mensuel, 2010-présent)
•
Groupe de travail Statomique (semi-mensuel, 2009-présent)
R packages
• HTSDiff
(2013) : Dierential analysis for RNA-seq data
Available on CRAN at
• metaRNASeq
http://cran.r-project.org/web/packages/HTSDiff.
(2013) : Meta-analysis of RNA-seq data
Available on the R-Forge at
• HTSFilter
https://r-forge.r-project.org/R/?group_id=1504.
(2013) : Filter for replicated high-throughput sequencing data
Available on Bioconductor at
http://www.bioconductor.org/packages/2.13/bioc/html/HTSFilter.
• HTSCluster
(2012) : Clustering high throughput sequencing data
Available on CRAN at
• ebdbNet
(2010) : Empirical Bayes estimation for Dynamic Bayesian Networks
Available on CRAN at
A. Rau, CV
http://cran.r-project.org/web/packages/HTSCluster.
http://cran.r-project.org/web/packages/ebdbNet.
2013, Page 6 de 8
Activités administratives et collectives
2013
Rapporteur : BMC Bioinformatics, BMC Genomics, RNA
2012
Rapporteur : Nucleic Acids Research
2010-2011
Rapporteur : Statistical Applications in Genetics and Molecular Biology
2010
Président, Committee on Student Pro Bono Statistics de l'ASA
2009-2010
Membre, Committee on Student Pro Bono Statistics (comité des statistiques
bénévoles pour les étudiants) de l'American Statistical Association (ASA) :
http://www.amstat.org/committees/commdetails.cfm?txtComm=CCNEDU09
2009
Organisatrice d'une table ronde (
The Pros of Pro Bono Statistics) aux Joint
Statistical Meetings de l'American Statistical Association (ASA) à Washington,
DC, USA
2006-2010
Membre du groupe Statistics in the Community (StatCom) à Purdue University :
StatCom est une organisation composée d'étudiants volontaires qui fournissent
gratuitement leur compétences statistiques aux groupes non-bénéces et
gouvernementaux (http://www.stat.purdue.edu/statcom)
Activités d'enseignement
2013
École-chercheurs BioBayes (7-11 octobre)
Méthodes statistiques bayésiennes : bases théoriques et applications en alimentation,
environnement, épidémiologie, et génétique
Type : Membre du comité scientique et intervenante (cours et travaux pratiques)
•
2013
Cannes Mandelieu
Master Bio-statistique, M2 : Génomique (6h)
Type : Intervenante (cours et travaux pratiques)
Programme : Analyses diérentielles pour les données RNA-seq
Enseignante responsable : Brigitte Gelein
•
2012
Ensai, Rennes
Training school on rabbit and pig genome analysis (6h)
Type : Intervenante
Programme : Dierential analysis for microarray and RNA sequencing data
•
2012
COST action research school, Norwich, United Kingdom
Master Bio-statistique, M2 : Génomique (6h)
Type : Intervenante (cours et travaux pratiques sur ordinateurs)
Programme : Analyses diérentielles pour les données RNA-seq
Enseignant responsable : Marian Hristache
•
2012
Ensai, Rennes
Statistical Methods for Genome Enabled Prediction (2h)
Type : Intervenante (cours)
Programme : Approximate Bayesian methods : Application to gene regulatory networks
A. Rau, CV
2013, Page 7 de 8
Enseignant principal : Daniel Gianola
•
2012
European Graduate School in Animal Breeding and Genetics, Paris
École PEPI : De la production à l'analyse des données NGS (2h)
Type : Intervenante (cours)
Programme : Analyses diérentielles pour les données RNA-seq
•
2012
École chercheur (INRA), Écully
Master Bio-informatique et Bio-statistique, Ingéniérie Mathématique, et
Probabilité et Statistique, M2 : Biostatistique computationnelle (6h)
Type : Intervenante (cours et travaux pratiques sur ordinateurs)
Programme : Analyses diérentielles pour les données RNA-seq
Enseignant responsable : Marc Lavielle
•
2011
UFR de Sciences, Université Paris-Sud 11
Master Bio-informatique et Bio-statistique, M1 : Modélisation statistique (24h)
Type : Travaux dirigés sur ordinateurs (logiciel R)
Programme : Estimation par maximum de vraisemblance de modèles non-linéaires, tests
de Wald et de rapport de vraisemblance, régression logistique, bootstrap
Enseignante responsable : Marie-Anne Poursat
•
2011
UFR de Sciences, Université Paris-Sud 11
Master Bio-informatique et Bio-statistique, Ingéniérie Mathématique, et
Probabilité et Statistique, M2 : Biostatistique computationnelle (12h)
Type : Intervenante (cours et travaux pratiques sur ordinateurs)
Programme : Introduction aux analyses bayésiennes dans le cadre de la génétique de
populations, introduction aux analyses statistiques des données transcriptomiques
Enseignant responsable : Marc Lavielle
•
2006
UFR de Sciences, Université Paris-Sud 11
Etudiants en 1ère et 2ème année de cycle undergraduate : Elementary statistical
methods (60h)
Type : Travaux pratiques (logiciel SPSS)
Programme : Statistiques descriptives, intervalles de conance, régression linéaire simple,
calcul de probabilités, tests de statistiques pour les moyennes et les proportions
corrélation
Enseignante responsable : Ellen Gundlach
•
Département de Statistiques, Purdue University (West Lafayette, Indiana, USA)
A. Rau, CV
2013, Page 8 de 8