les cours de M2 - Université Pierre et Marie CURIE
Transcription
les cours de M2 - Université Pierre et Marie CURIE
0.1 Specialité “Bioinformatique et Modélisation” (BIM) Equipe pédagogique de la spécialité Intervenants en M2 Martine Boccara, Dépt de Biologie, UPMC Alessandra Carbone, Dépt d’Informatique, UPMC Gilles Fischer, Pasteur and UPMC Dimitri Gilis, Dépt de Biophysique, Université Libre de Bruxelles Corneliu Henegar, Faculté de Médecine, UPMC Jacques van Helden, Dépt de Biologie, Université Libre de Bruxelles Susan Holmes, Dépt de Statistiques, Stanford Hervé Isambert, Laboratoire de Biophysique, Institut Curie Philippe Lopez, Dépt de Biologie, UPMC Sophie Pasek, Dépt de Biologie, UPMC Pierre-Henri Willemin, Dépt d’Informatique, UPMC Yann Ponty, LIP6, UPMC Jean-Daniel Zucker, IRD and UPMC Cours - Génétique, génomes et évolution, G.Fischer, J.vanHelden - Génomique comparative et évolution, A.Carbone, S.Pasek, J.van Helden - Phylogénie et méthodes de reconstruction phylogénétique : théorie mathématique et algorithmes, P.Lopez, S.Holmes, A.Carbone - Statistiques et classification en Bioinformatique, PH.Wuillemin, S.Holmes - Fouille de données complexes : génomiques, transcriptomiques et cliniques, JD. Zucker, C.Henegar - Grands et petits réseaux biologiques : reconstruction et analyse, H.Isambert, J.van Helden, A.Carbone - Modélisation et bioinformatique de l’ARN, M.Boccara, H. Isambert, Y.Ponty - Algorithmes en bioinformatique structurale, D.Gilis 1 Contenus des cours proposé en M2 dans la specialité Les cours proposés dans cette deuxième année preparent les étudiants à poursuivre des recherches en bioinformatique et modélisation dans des sujets concernant l’évolution des séquences (ADN, ARN et protéiques), l’expression génique, la biologie structurale et la génétique des populations. La liste suivante contient les programmes des nouvelles UE proposées pour l’enseignement en M2 BIM. Certains des résponsables seront probablement changés. Nous avons deux vagues de cours au premier semestre, appelées 3 et 4. Chaque cours correspond à 3 ECTS. Les cours durent 7 semaines, certains débutent au 21 septembre 2009 et d’autres débuteront normalement le lundi 23 novembre 2009 pour se terminer le vendredi 22 janvier 2010. Sur les deux vagues les étudiants devrons suivre 30 ECTS de cours. Au deuxième semestre, à partir de fevrier, les étudiants devront effectuer un stage de recherche de 6 mois auprès d’un laboratoire, qui donnera lieu à un rapport écrit et à une soutenance de stage. Ceci correspondra à 30 ECTS. 2 Titre : Génétique, génomes et évolution Acronyme : EVOL Spécialité : BIM 3 ECTS Niveau : 500 Vague : 3 Responsable : Gilles Fischer Intervenants : Gilles Fischer, Alessandra Carbone, Claude Thermes, Cécile Neuvéglise, Lionel Frangeul. Répartition hebdomadaire ou semestrielle (24h/7 semaines) Contenu: Ce module vise à familiariser les étudiants avec les concepts et les méthodes utilisés en évolution moléculaire. Le debut du cours prévois une introduction aux notions de base de la génomique. Au travers de l’analyse de l’impact de la présence de séquences répétées dans les génomes, nous présenterons différents aspects qui mettent en évidence la relation étroite qui existe entre la structure et l’évolution des génomes. Pour cela, nous utiliserons différentes méthodes de génomique comparative pour reconstruire l’évolution probable de génomes observés aujourd’hui d’un point de vue global (par exemple, la reconstruction des réarrangement chromosomiques) et au niveau plus local des familles de gènes (redondance génétique et redondance fonctionnelle, création de nouvelles protéines, estimation de distances évolutives, recherche de traces d’événements de sélection). Expérience des intervenants dans le domaine de l’UE. Gilles Fischer est chargé de Recherche au CNRS, Unitd́e Génétique Moléculaire des Levures; Institut Pasteur (http://www.pasteur.fr/recherche/unites/Gmlev/index.html) Réalisations de Gilles Fischer dans le domaine de l’UE: 1. Payen C, Koszul R, Dujon B and G Fischer, Segmental duplications arise from Pol32dependent repair of broken forks through two alternative replication-based mechanisms (2008) PLoS Genetics Sep 5;4(9):e1000175 2. Fischer G, Rocha EP, Brunet F, Vergassola M and B Dujon. Highly variable rates of genome rearrangements between Hemiascomycetous yeast lineages. (2006) PloS Genetics, 2(3):e32, 253-61 3. Koszul, R, Dujon B and G Fischer. Stability of large segmental duplication in the yeast genome. (2006) Genetics, 172(4):2211-22 4. Koszul R., Caburet S., Dujon B. and G. Fischer. Eucaryotic genome evolution through the spontaneous duplication of large chromosomal segments. (2004) The EMBO Journal, 23, 234-43 5. Dujon B., Sherman D., Fischer G., Durrens P., Casaregola S., Lafontaine I., de Montigny J., Marck C., Neuvglise C., Talla E., Goffard N., Frangeul L., Aigle M., Anthouard V., Babour A., Barbe V., Barnay S., Blanchin S., Beckerich JM., Beyne E., Bleykasten C., Boisram A., Boyer J., Cattolico L., Confanioleri F., de Daruvar A., Despons L., Fabre E., Fairhead C., Ferry-Dumazet H., Groppi A., Hantraye F., Hennequin C., Jauniaux N., Joyet P., Kachouri R., Kerrest A., Koszul R., Lemaire M., Lesur I., Ma L., Muller H., Nicaud JM., Nikolski M., 3 Oztas S., Ozier-Kalogeropoulos O., Pellenz S., Potier S., Richard GF., Straub ML., Suleau A., Swennene D., Tekaia F., Wsolowski-Louvel M., Westhof E., Wirth B., Zeniou-Meyer M., Zivanovic I., Bolotin-Fukuhara M., Thierry A., Bouchier C., Caudron B., Scarpelli C., Gaillardin C., Weissenbach J., Wincker P., and Jean-Luc Souciet. Genome evolution in yeasts. (2004) Nature, 430, 35-44. Detailles du cours par semaines: - Introduction à la génétique et aux génomes (GF) - Annotation des génomes (LF) - Recherche de gènes chevauchants dans les génomes des virus. (AC, 3h cours) - La notion d’homologie : définition(s) et limite(s). La notion d’homologie par morceaux et les mécanismes biologiques associés (recombinaison, fusion, etc.) (SP - 3h) - Mutations, sélection et phylogénie moléculaire (CN) - Introduction au biais des codons, signatures bacteriènnes basées sur le bias des codons et prédiction d’information biologique (AC - 3h cours). - Les différents niveaux d’information codés dans les génomes (CT) 4 Titre : Génomique comparative et annotation Acronyme : GCOMP Spécialité : BIM 3 ECTS Niveau : 500 Vague : 3 Responsable : Alessandra Carbone Intervenants : Alessandra Carbone , Gilles Fischer, Sophie Pasek, Jacques van Helden, Répartition hebdomadaire ou semestrielle (24h/7 semaines) Contenu: ce cours vise à présenter les avancées en génomique qui sont aujourd’hui possibles suite au séquençage de plusieurs centaines de génomes complets. Le cours inclura différentes méthodes d’analyse au niveau de génomes individuels ou par génomique comparative. - Recherche de séquences similaires - Homologie : Définition et problème de détection - Génomique comparative des Virus - Résilience des séquences protéiques dans l’évolution - Convergence fonctionnelle au niveau moléculaire - Prédiction des fonctions et reconstruction des réseaux métaboliques : méthodes basées sur l’homologie et méthodes post-homologie. - Génomique comparative et étude des familles de protéines. - Extraction d’information biologique à partir de génomes complets - Génomes minimaux et génomes ancestraux - Génomique comparative et biologie des systèmes. Expérience des intervenants dans le domaine de l’UE. Alessandra Carbone est Professeur au Département d’Informatique de l’UPMC. Ses recherches ont porté sur différents aspects de la logique, de la dynamique symbolique et de la combinatoire. Depuis 2000, elle utilise des outils mathématiques (statistiques et combinatoire) et des approches algorithmiques pour étudier les principes de bases du fonctionnement cellulaire en partant de données génomiques. Les recherches développées au sein de son équipe portent sur le développement de méthodes pour la détection de protéines très divergées, la détection des interfaces d’interaction entre protéines, la co-évolution, la comparaison des génomes et l’auto-assemblage de molécules d’ADN. Réalisations d’Alessandra Carbone dans le domaine de l’UE: 1. A. Carbone, ”Codon bias is a major factor explaining phage evolution in translationally biased hosts”, Journal of Molecular Evolution, 2007. In press. 2. A. Carbone. ”Computational prediction of genomic functional cores specific to different microbes”, Journal of Molecular Evolution, 63(6):733-746, 2006. 3. A. Carbone, R. Madden. ”Insights on the evolution of metabolic networks of unicellular translationally biased organisms from transcriptomic data and sequence analysis”, Journal of Molecular Evolution, 61:456-469, 2005. 4. A. Carbone, F. Képès, A. Zinovyev. ”Codon bias signatures, organisation of microorganisms in codon space and lifestyle”, Molecular Biology and Evolution, 22(3):547-561, 2004. 5 5. A.Carbone, M. Gromov. ”Functional labels and syntactic entropy on DNA strings and proteins”, Theoretical Computer Science, 303:35-51, 2003. 6. J. Baussand, C. Deremble, A. Carbone. ”Periodic distributions of hydrophobic amino acids allows the definition of fundamental building blocks to align distantly related proteins”, Proteins: Structure, Function and Bioinformatics, 67(3):695-708, 2007. Gilles Fischer est chargé de Recherche au CNRS, Unitd́e Génétique Moléculaire des Levures; Institut Pasteur (http://www.pasteur.fr/recherche/unites/Gmlev/index.html) Réalisations de Gilles Fischer dans le domaine de l’UE: 1. Payen C, Koszul R, Dujon B and G Fischer, Segmental duplications arise from Pol32dependent repair of broken forks through two alternative replication-based mechanisms (2008) PLoS Genetics Sep 5;4(9):e1000175 2. Fischer G, Rocha EP, Brunet F, Vergassola M and B Dujon. Highly variable rates of genome rearrangements between Hemiascomycetous yeast lineages. (2006) PloS Genetics, 2(3):e32, 253-61 3. Koszul, R, Dujon B and G Fischer. Stability of large segmental duplication in the yeast genome. (2006) Genetics, 172(4):2211-22 4. Koszul R., Caburet S., Dujon B. and G. Fischer. Eucaryotic genome evolution through the spontaneous duplication of large chromosomal segments. (2004) The EMBO Journal, 23, 234-43 5. Dujon B., Sherman D., Fischer G., Durrens P., Casaregola S., Lafontaine I., de Montigny J., Marck C., Neuvglise C., Talla E., Goffard N., Frangeul L., Aigle M., Anthouard V., Babour A., Barbe V., Barnay S., Blanchin S., Beckerich JM., Beyne E., Bleykasten C., Boisram A., Boyer J., Cattolico L., Confanioleri F., de Daruvar A., Despons L., Fabre E., Fairhead C., Ferry-Dumazet H., Groppi A., Hantraye F., Hennequin C., Jauniaux N., Joyet P., Kachouri R., Kerrest A., Koszul R., Lemaire M., Lesur I., Ma L., Muller H., Nicaud JM., Nikolski M., Oztas S., Ozier-Kalogeropoulos O., Pellenz S., Potier S., Richard GF., Straub ML., Suleau A., Swennene D., Tekaia F., Wsolowski-Louvel M., Westhof E., Wirth B., Zeniou-Meyer M., Zivanovic I., Bolotin-Fukuhara M., Thierry A., Bouchier C., Caudron B., Scarpelli C., Gaillardin C., Weissenbach J., Wincker P., and Jean-Luc Souciet. Genome evolution in yeasts. (2004) Nature, 430, 35-44. Sophie Pasek est Maı̂tre de Conference à l’Université Pierre et Marie Curie, Dép. de Biologie. Réalisations de Sophie Pasek dans le domaine de l’UE: 1. Ripoll F, Deshayes C, Pasek S, Laval F, Beretti JL, Biet F, Risler JL, Daff M, Etienne G, Gaillard JL, Reyrat JM. Genomics of glycopeptidolipid biosynthesis in Mycobacterium abscessus and M. chelonae. BMC Genomics. 2007 May 9;8:114. 2. Pasek S, Risler JL, Brézellec P. The role of domain redundancy in genetic robustness against null mutations. J Mol Biol. 2006 Sep 15;362(2):184-91. Epub 2006 Jul 25. 3. Brézellec P, Hoebeke M, Hiet MS, Pasek S, Ferat JL. DomainSieve: a protein domainbased screen that led to the identification of dam-associated genes with potential link to DNA maintenance. Bioinformatics. 2006 Aug 15;22(16):1935-41. 6 4. Pasek S, Risler JL, Brézellec P. Gene fusion/fission is a major contributor to evolution of multi-domain bacterial proteins. Bioinformatics. 2006 Jun 15;22(12):1418-23. 5. Pasek S, Bergeron A, Risler JL, Louis A, Ollivier E, Raffinot M. Identification of genomic features using microsyntenies of domains: domain teams. Genome Res. 2005 Jun;15(6):86774. Jacques van Helden est Professeur à l’Université Libre de Bruxelles, Laboratoire de Bioinformatique des Génomes et des Réseaux (http://www.bigre.ulb.ac.be/). Réalisations de Jacques van Helden dans le domaine de l’UE: 1. Janky, R. and van Helden, J. (2008). Evaluation of phylogenetic footprint discovery for predicting bacterial cis-regulatory elements and revealing their evolution. BMC Bioinformatics, 9, 37. 2. Turatsinze, J. V., Thomas-Chollier, M., Defrance, M. and van Helden, J. (2008). Using RSAT to scan genome sequences for transcription factor binding sites and cis-regulatory modules. Nat Protoc 3, 1578-88. 3. Thomas-Chollier, M., Sand, O., Turatsinze, J. V., Janky, R., Defrance, M., Vervisch, E., Brohee, S. and van Helden, J. (2008). RSAT: regulatory sequence analysis tools. Nucleic Acids Res. 4. Defrance, M., Janky, R., Sand, O. and van Helden, J. (2008). Using RSAT oligo-analysis and dyad-analysis tools to discover regulatory signals in nucleic sequences. Nat Protoc 3, 1589-603. 5. van Helden, J. (2003). Prediction of transcriptional regulation by analysis of the non-coding genome. Current Genomics, 4, 217-224. 6. van Helden, J., Andre, B. and Collado-Vides, J. (1998). Extracting regulatory sites from the upstream region of yeast genes by computational analysis of oligonucleotide frequencies. J Mol Biol 281, 827-42. Detailles du cours par semaines: - La synténie : définition(s) et intérêt en génomique. Exemples de la détection de duplications ancestrales par études de synténies (SP 2h de cours + 2h de TP ) - Plasticité chromosomique et évolution des génomes (GF) - Détection de mots exceptionnels dans les séquences d’ADN (JVH - 2h cours + 2h TP). - Détection des éléments cis-régulateurs dans les séquences génomiques (JVH - 2h cours + 2h TP). - Localisation d’éléments fonctionnels par génomique comparative (JvH 2h cours + 2h TP). 7 - Génomique comparative: résiliance des protéines dans l’évolution. Clustering et familles de protéines. Comparaison des différentes techniques de clustering utilisées pour contruire des familles protéiques. (SP 2h de cours + 2h de TP) - Prédiction des fonctions et reconstruction du metabolisme par méthodes basées sur l’homologie et la post-homologie (AC, 3h cours). 8 Titre : Phylogénie et méthodes de reconstruction phylogénétique : théorie mathématique et algorithmes Acronyme : PHYL Spécialité : BIM 3 ECTS Niveau : 500 Semestre : 3 ou 4 Responsable : Alessandra Carbone Intervenants : Alessandra Carbone, Susan Holmes, Philippe Lopez Répartition hebdomadaire ou semestrielle (24h/7 semaines) Contenu: le but de ce cours est de donner une présentation raisonnable et globale d’un sujet en expansion, en touchant surtout les aspects mathématiques de la phylogénie et justifiants les algorithmes de reconstruction phylogénétique associés. Comptage des arbres phylogénétiques ; états ancestraux et longueurs des branches, compatibilité des caractères. Arbres et ” splits ” ; arbres consensus et distances entre arbres. Méthodes de parcimonie et propriétés statistiques de la parcimonie ; méthodes basées sur les distances ; quadruples et décomposition (split decomposition) ; méthodes de vraisemblance ; inférences bayesiennes. Modèles d’évolution de l’ADN et des protéines. Validation des arbres phylogénétiques. Expérience des intervenants dans le domaine de l’UE: A.Carbone est Professeur d’Informatique a l’UPMC, P.Lopez est MdC au Dept de Biologie de l’UPMC et Susan Holmes est Professeur de Statistiques a l’Université de Stanford, Etats Unis. Réalisations d’Alessandra Carbone dans le domaine de l’UE: 1. J. Baussand, C. Deremble, A. Carbone. ”Periodic distributions of hydrophobic amino acids allows the definition of fundamental building blocks to align distantly related proteins”, Proteins: Structure, Function and Bioinformatics, 67(3):695-708, 2007. 2. J.Breton, E.Bart-Delabesse, S.Biligui, A.Carbone, X.Sellier, M.Okome-Nkoumou, C.Nzamba, M.Kombila, I.Accoceberry, M.Thellier. ”Genotypic analysis of Enterocytozoon bieneusi isolates from Gabon and Cameroon: reporting a new highly divergent sequence and a wide distribution of genotypes”, Journal of Clinical Microbiology, 45(8):2580-2589, 2007. 3. S. Engelen, L.Trojan, S. Sacquin-Mora, R. Lavery, A. Carbone. ”Joint Evolutionary Trees: detection and analysis of protein interfaces”, PLoS Computational Biology, 2008. A paraı̂tre. 4. J. Baussand, A. Carbone, “Inconsistent distances in substitution matrices can be avoided by properly handling hydrophobic residues”, Evolutionary Bioinformatics, 1-6, 2008. A paraı̂tre. 5. A. Carbone, S. Engelen, “Information content of sets of biological sequences revisited”, in Algorithmic Bioprocesses, edited by A. Condon, D. Harel, J.N. Kok, A. Salomaa, E. Winfree, Natural Computing Series, Springer, 1-11, 2008. Réalisations de Philippe Lopez dans le domaine de l’UE: 9 1. Philippe H, Snell EA, Bapteste E, Lopez P, Holland PW, Casane D. Phylogenomics of eukaryotes: impact of missing data on large alignments. Mol Biol Evol. 2004 Sep;21(9):1740-52. 2. Gribaldo S, Casane D, Lopez P, Philippe H. Functional divergence prediction from evolutionary analysis: a case study of vertebrate hemoglobin. Mol Biol Evol. 2003 Nov;20(11):17549. 3. Bapteste E, Brinkmann H, Lee JA, Moore DV, Sensen CW, Gordon P, Durufl L, Gaasterland T, Lopez P, Mller M, Philippe H. The analysis of 100 genes supports the grouping of three highly divergent amoebae: Dictyostelium, Entamoeba, and Mastigamoeba. Proc Natl Acad Sci U S A. 2002 Feb 5;99(3):1414-9. 4. Philippe H, Lopez P. On the conservation of protein sequences in evolution. Trends Biochem Sci. 2001 Jul;26(7):414-6. 5. Lopez P, Philippe H. Composition strand asymmetries in prokaryotic genomes: mutational bias and biased gene orientation. C R Acad Sci III. 2001 Mar;324(3):201-8. 6. Philippe H, Lopez P, Brinkmann H, Budin K, Germot A, Laurent J, Moreira D, Mller M, Le Guyader H. Early-branching or fast-evolving eukaryotes? An answer based on slowly evolving positions. Proc Biol Sci. 2000 Jun 22;267(1449):1213-21. 7. Lopez P, Forterre P, Philippe H. The root of the tree of life in the light of the covarion model. J Mol Evol. 1999 Oct;49(4):496-508. Réalisations de Susan Holmes dans le domaine de l’UE: 1. Holmes S. Bootstrapping Phylogenies. (2003). Statistical Science 18(2):241-255. 2. Holmes, S. Statistics for Phylogenetic Trees. (2002). Theoretical Population Biology 63:1732. 3. Billera, L.J., Holmes, S., and Vogtmann, K. Geometry of the Space of Phylogenetic Trees. (2001). Advances in Applied Mathematics 27(4):733-767. 4. Holmes S. Phylogenies: An Overview. (1999). IMA series, Statistics and Genetics, 112:81119 (ed. Halloran and Geisser), Springer Verlag, NY. 5. Diaconis P. and Holmes, S. Matchings and Phylogenies. (1998). Proc. Nat. Acad. Sciences, 95(25):14600-14602. 6. Efron B., Halloran E., and Holmes S. Bootstrap Confidence Levels for Phylogenetic Trees. (1996). Proc. Natl. Acad. Sci. USA. 93:13429. Detailles du cours par semaines: - Théorie Darwinienne et perspectives historiques, phylogénie morphologique et problèmes associés, phylogénie moléculaire (PL - 3h cours). - Tour d’horizon des différentes méthodes de reconstruction et de leur pertinence biologique, modèles d’évolution, impact des transferts latéraux sur la théorie darwinienne (PL - 3H cours). 10 - Modèles d’évolution de l’ADN et des protéines (AC - 3h cours). - Reconstruction phylogénétique basés sur les distances (AC - 2h cours + 2h TP). - Reconstruction phylogénétique basés sur la parcimonie et sur la vraisamblance (AC - 2h cours + 2h TP). - Estimation en phylogenie (SH - 2h cours + 2h TP). - Validation des arbres phylogénétiques et classification hierarchique (SH 2h cours + 2h TP). 11 Titre : Nanotechnologies de l’ADN et ses problèmes algorithmiques THIS UE WILL NOT OPEN IN 2009-10 AND WILL BE REPORTED IN 201011. Acronyme : NANO Spécialité : BIM 3 ECTS Niveau : 500 Semestre : 3 ou 4 Responsable : Alessandra Carbone Répartition hebdomadaire ou semestrielle (24h/7 semaines) Contenu: ce cours présente les modèles de calcul inspirés par les processus moléculaires ainsi que les algorithmes moléculaires inspirés par les notions formelles d’automate ou de machine de Turing qui ont influencé le domaine des nanotechnologies de l’ADN. Les sujets abordés sont : - Propriétés de base de l’ADN et des enzymes de restriction. - Premiers modèles qui utilisent un parallélisme massif et le non-déterminisme - Calculer en utilisant l’épissage d’ADN (DNA Splicing - H systems). - Modèles d’auto-assemblage pour le calcul - Calcul avec les membranes (Membrane computing - P systems) - Automates biomoléculaires et mécanismes. - Modélisation de l’assemblage des gènes dans les ciliés. - Méthodes pour la conception des codes ADN. Expérience du responsable dans le domaine de l’UE : - Collaboration avec Ned Seeman (chimiste NYU): conception de structures 3D en nanotechnologies de l’ADN. - Membre de la Scientific Advisory Board de la International Society for Nanoscale Science, Computation and Engineering, depuis 2004 - Co-chair de DNA 11, the 11th Int’l Meeting on DNA Computing, London, Canada, 2005. - Membre du comite de programme des conférences internationales: DNA 14 (2008, Prague, Republique Tchèque), DNA 13 (2007, Memphis, USA) and DNA 10 (2004, Milan, Italie), the International Meeting on DNA Computing; Development in computational models, satellite workshop at LICS and ICALP, Wroclaw, Polland, 2007. Réalisations du responsable dans le domaine de l’UE 1. A.Carbone, N.Pierce (Eds), DNA Computing, LNCS 3892, Springer, 2006. Proceedings of The 11th International Workshop on DNA Computing, DNA11, London, Canada, 2005. 2. A. Carbone, C. Mao, P.E. Constantinou, B. Ding, J. Kopatsch, W.B. Sherman, N.C. Seeman. ”3D Fractal DNA Assembly from Coding, Geometry and Protection”, Natural Computing, 3:235-252, 2004. 3. A. Carbone, N.C. Seeman. ”Coding and geometrical shapes in nanostructures: a fractal DNA-assembly”, Natural Computing, 2:133-151, 2003. 4. A. Carbone, N.C. Seeman. ”Molecular Tiling and DNA self-assembly”, dans ”Aspects of Molecular Computing”, N. Jonoska, G. Paun, G. Rozenberg (Eds), Lecture Notes in Computer Science 2950, Springer, 2003. 5. A. Carbone, N.C. Seeman. ”Circuits and Programmable Self-Assembling DNA Structures”, Proceedings of the National Academy of Sciences US, 99:12577-12582, 2002. 6. A. Carbone, N.C. Seeman. ”A Route to Fractal DNA-Assembly”, Natural Computing, 12 1:469-480, 2002. 13 Titre : Statistique et Classification en Bio-Informatique Acronyme : SCLASS Spécialité : BIM 3 ECTS Niveau : 500 Vague : 3 Responsable : Pierre-Henri Wuillemin Intervenants : Pierre-Henri Wuillemin and Susan Holmes Répartition hebdomadaire ou semestrielle (24h/7 semaines) Contenu: Les méthodes expérimentales actuelles fournissent un volume énorme de données biologiques. Les statistiques et les outils de classification sont aujourd’hui nécessaire au traitement de ces données. Ce cours proposera une introduction aux méthodes d’analyses de données complexes, depuis l’analyse statistique classique jusqu’aux plus récentes techniques d’apprentissage automatique en s’appuyant toujours sur des applications en bio-informatique. Plus précisément, les sujets abordés se déclinent ainsi : - Statistique non paramétrique - Modèle linéaire et linéaire généralisé - Analyse de Données (analyse multivariée, statistique euclidienne, ACP, analyse des correspondances multiples, analyse canonique, etc.) - Méthodes à noyaux Expérience de Pierre-Henri Wuillemin dans le domaine de l’UE Enseignant-chercheur au Laboratoire d’Informatique de PARIS VI (LIP6), son domaine de recherche concerne principalement l’utilisation des outils statistiques et des mathématiques de la décision dans le cadre de l’Intelligence Artificielle. Dans le cadre de ses recherches, il étudie plus particulièrement les outils probabilistes tel que les réseaux bayésiens, les Processus Décisonnels de Markov, etc. L’apprentissage dans de tels modèles utilise massivement les méthodes statistiques et de Machine Learning. Réalisations de Pierre-Henri Wuillemin dans le domaine de l’UE 1. P. Naim, P-H. Wuillemin, Ph. Leray, O. Pourret. Réseaux bayésiens, Eyrolles eds. Eyrolles, November 2007, pp. 423. 2. T. Degris, O. Sigaud, P-H. Wuillemin. Chi-square Tests Driven Method for Learning the Structure of Factored MDPs, Proceedings of the 22nd conference on Uncertainty in Artificial Intelligence (2006) pp. 122–129 AUAI Press Cambridge, MA, USA. 3. T. Degris, O. Sigaud, P-H. Wuillemin. Learning the Structure of Factored Markov Decision Processes in Reinforcement Learning Problems, Proceedings of the 23rd International Conference on Machine Learning (2006) pp. 257–264 ACM Pittsburgh, Pennsylvania. Detailles du cours par semaines: - Classification supervisée – Introduction l’apprentissage statistique – Classsificateur de Bayes / analyse discriminante de Fisher / Arbre de décision - Partie I(PHW - 2h cours + 2h TD/TP) 14 - Classification supervisée – Introduction l’apprentissage statistique – Classsificateur de Bayes / analyse discriminante de Fisher / Arbre de décision - Partie II (PHW - 2h cours + 2h TD/TP) - Aspects multidimensions en bioinformatique : méthodes basées sur les distances (SH - 2h cours + 2h TP). - ACP et analyse des correspondances (SH - 2h cours + 2h TP). - Noyaux positifs – Méthodes noyaux / SVM – Aplications bioinformatiques : inférence dans les graphes, séquence biologiques. Partie I. (PHW - 2H cours + 2H TD/TP) - Noyaux positifs – Méthodes noyaux / SVM – Applications bioinformatiques : inférence dans les graphes, séquence biologiques. Partie II. (PHW - 2H cours + 2H TD/TP) 15 Titre : Fouille de données complexes : génomiques, transcriptomiques et cliniques Acronyme : MINEPLEX Spécialité : BIM 3 ECTS Niveau : 500 Vague : 3 Responsable : Jean-Daniel Zucker Intervenants : Jean-Daniel Zucker et Corneliu Henegar Répartition hebdomadaire ou semestrielle (24h/7 semaines) Contenu: Ce cours présente le principales questions analytiques en génomique fonctionnelle du transcriptome, les algorithmes et les outils de fouille de données qui permettent une analyse exploratoire ou la construction automatique de modéles prédictifs en intégrant des données hétérogénes : transcriptomiques, cliniques, génomiques, métabolomiques ou métagénomiques, etc. On abordera en particulier pour les données transcriptomiques : 1. L’étude du transcriptome à l’aide des puces à ADN, standards de representation et stockage, la normalisation 2. Principales directions analytiques, ressources et approches utilisées, tests statistiques, ajustement multiples, léchantillonage et les techniques de validation utilisés pour l’analyse du transcriptome. 3. Étude de l’expression différentielle, ressources et approches d’analyse fonctionnelle transcriptomique 4. Échantillonnage, classification supervisée (arbre de décision, régles de décision, kPPV, Séparateurs à Vastes Marges (SVM), etc.) 5. Classification non supervisée (classification ascendante hierarchique, kmeans, régles d’associations, etc.) des données et applications aux données transcriptomiques dont cinétiques d’expression. 6. L’analyse intégrative des réseaux transcriptionnels : utilité, approches conventionnelles et intégratives, applications 7. Directions futures de développement d’approches computationnelles intégratives pour la biologie des systèmes Différentes applications médicales seront présentées pour illustrer les problémes posés par l’analyse du transcriptome. Expérience de Jean-Daniel Zucker dans le domaine de l’UE Jean-Daniel ZUCKER a été Professeur des Universités de 2002 à 2007. Il a dirigé à Paris 13 une Equipe Projet Multi-Laboratoire Paris 6Paris 13 (EPMLCNRS 32) IAPUCES dédié à l’analyse des puces à ADN par les approche de l’intelligence artificielle. Il a ensuite codirigé le laboratoire LIM&BIO d’informatique médicale et bioinformatique. En 2007, il est devenu Directeur de Recherche à l’IRD dans l’unité mixte internationale UPMC/IRD sur la modélisation mathématique et informatique des systèmes complexes. Ses recherches se situent en intelligence 16 artificielle et concernent notamment des techniques d’abstractions pour la classification, le clustering et l modélisation des données transcriptomiques. L’un de ses domaines d’applications concerne les déterminants génétique de la prise de poids et de l’obésité. Ses travaux sont en collaboration avec l’équipe 7 Nutriomique de l’UMRS 872. Expérience de Corneliu Henegar dans le domaine de l’UE Corneliu Henegar est médecin et occupe depuis novembre 2008 un poste d’Assistant Hospitalier Universitaire UPMC dans le service de Nutrition et Endocrinologie de l’hôpital Pitié Salpêtrière. Après avoir terminé ses études spécialisées de médecine, lors d’un internat en spécialité Médecine Interne, il a été recruté sur un poste d’accueil Inserm dans l’equipe 7 de l’UMRS 872 du Pr K. Clément pendant 3 ans. Au début de l’année 2008 il a soutenu sa thèse de science portant sur l’analyse intégrative des réseaux transcriptionnels d’interaction. L’application principale de ses travaux concerne l’étude des déterminants génétiques de la prise de poids et de l’obésité. Réalisations de Jean-Daniel Zucker et de Corneliu Henegar dans le domaine de l’UE 1. Prifti, E., J.-D. Zucker, K. Clement and C. Henegar (2008). ”FunNet: an integrative tool for exploring transcriptional interactions ” Bioinformatics 24(22): 26362638 2. Henegar, C., et al., J. D. Zucker and K. Clement (2008). ”Adipose tissue transcriptomic signature highlights the pathological relevance of extracellular matrix in human obesity.” Genome Biol 9(1): R14. 3. Temanni, M.-R., S.-A. Nadeem, D. Berrar and J.-d. Zucker (2007). Aggregating Abstaining and Delegating Classifiers For Improving Classification performance: An application to lung cancer survival prediction. . The eigth international conference for the Critical Assessment of Microarray Data Analysis (CAMDA 2008). Valencia (Spain). 4. Mutch, D. M., M. R. Temanni, C. Henegar, F. Combes, V. Pelloux, C. Holst, T. I. A. Sorensen, A. Astrup, J. A. Martinez, W. H. M. Saris, Z. J.D. and C. K. (2007). ”Adipose Gene Expression Prior to Weight Loss Can Differentiate and Weakly Predict Dietary Responders.” PLoS ONE 2(12). 5. Hanczar, B., J.-D. Zucker, C. Henegar and L. Saitta (2007). ”Feature construction from synergic pairs to improve microarray-based classification.” Bioinformatics 23(21): 2866-2872. 6. Henegar, C., R. Cancello, S. Rome, H. Vidal, K. Clement and J.-D. Zucker (2006). ”Clustering biological annotations and gene expression data to identify putatively co-regulated biological processes.” Journal of Bioinformatics and Computational Biology (JBCB) 4(4). 7. Cancello, R., Henegar, C., Viguerie, N., Taleb, S., Poitou, C., Rouault, C., Coupaye, M., Pelloux, V., Hugol, D., Bouillot, J.L. , Zucker, J.D., and Clement, K. (2005) ”Reduction of macrophage infiltration and chemoattractant gene expression changes in white adipose tissue of morbidly obese subjects after surgery-induced weight loss.” Diabetes, 54, 2277-2286. Details du cours par semaines: 17 - Mesure des profils d’expressions et introduction à l’analyse du transcriptome (3h cours). - Principales directions analytiques en transcriptomique (3h cours). - Etude de l’expression différentielle et analyse fonctionnelle transcriptomique (2h cours + 2h TD/TP). - La prédiction à partir de données d’expression génique (2h cours + 2h TD/TP lien avec le cours SCLASS pour les méthodes). - La classification non supervisée et ses applications en transcriptomique (2h cours + 2h TD/TP). - L’analyse intégrative des réseaux transcriptionnels (3h cours). - Directions futures de développement d’approches analytiques intégratives en biologie des systèmes (3h cours). 18 Titre : Grands et petits réseaux biologiques : reconstruction et analyse Acronyme : GRES Spécialité : BIM 3 ECTS Niveau : 500 Semestre : 4 Responsable : Herve Isambert Intervenants : Alessandra Carbone (seulement si necessaire pour remplir les heures), Herve Isambert et Jacques van Helden Répartition hebdomadaire ou semestrielle (24h/7 semaines) Contenu: ce cours est structuré en trois parties. a. Définition de grands réseaux biologiques: small world, composantes géantes, construction de base et principales caractéristiques. Exemples de réseaux dans la vie réelle. Réseaux à l’équilibre, réseaux hors-équilibre, topologie globale des réseaux, la croissance des réseaux et l’” auto-criticalité”. b. L’objectif de la deuxième partie du cours est de fournir quelques bases de biologie des systèmes reliées aux réseaux de transcription. Propriétés des graphes des réseaux de transcription, l’auto-régulation, le programme temporel et la structure globale des réseaux de transcription. Les motifs dans les réseaux de régulation, les réseaux du développement, les réseaux de transduction du signal et les réseaux neuronaux. Optimisation dans la conception de circuits de gènes. c. L’objectif de la troisième partie du cours est d’aborder les aspects d’évolution des réseaux biologiques. Lien entre l’évolution au niveau des génomes et celui des réseaux biologiques représentant les interactions physiques ou fonctionnelles entre gènes. Nous présenterons en particulier les modèles dévolution des réseaux biologiques par duplication-divergence à toutes échelles génomiques (de la duplication de gènes individuels à la duplication de génomes entiers). Expérience d’Alessandra Carbone dans le domaine de l’UE Organisation de deux conférences : - Macromolecular networks, in the framework of the series of meetings ”Genomics and morphodynamics from molecules to organisms”. Institut Pasteur, 2002. - Regulatory Protein Interplay and Traffic on DNA, Workshop, Génopole, Evry. 2002. Réalisations du responsable dans le domaine de l’UE Travail de recherche en théorie des graphes et combinatoire : - A.Carbone and S.Semmes, A Graphic Apology for Symmetry and Implicitness, Mathematical Monographs, Oxford University Press, 2000. (500 pages) - A. Carbone. ”Cycles of relatively prime length and the Road Coloring Problem”, Israel Journal of Mathematics, 123:303-316, 2001. - plus que 10 articles parus dans des journaux de mathématiques sur les relations entre graphes et preuves formelles en logique. 19 Article sur les réseaux métaboliques: - A. Carbone, R. Madden. ”Insights on the evolution of metabolic networks of unicellular translationally biased organisms from transcriptomic data and sequence analysis”, Journal of Molecular Evolution, 61:456-469, 2005. Expérience de Jacques van Helden dans le domaine de l’UE: 1. Croes, D., Couche, F., Wodak, S. J. and van Helden, J. (2006). Inferring meaningful pathways in weighted metabolic networks. J Mol Biol 356, 222-36. 2. Brohee, S. and van Helden, J. (2006). Evaluation of clustering algorithms for proteinprotein interaction networks. BMC Bioinformatics 7, 488. 3. Brohee, S., Faust, K., Lima-Mendez, G., Sand, O., Janky, R., Vanderstocken, G., Deville, Y. and van Helden, J. (2008). NeAT: a toolbox for the analysis of biological networks, clusters, classes and pathways. Nucleic Acids Res. Expérience de Hervé Isambert dans le domaine de l’UE: 1. K. Evlampiev et H. Isambert, Conservation and Topology of Protein Interaction Networks under Duplication-Divergence Evolution, Proc. Natl. Acad. Sci. USA, 105 (29), 9863 (2008). 2. A.L. Sellerio, B. Bassetti, H. Isambert et M. Consentino Lagomarsino, A comparative evolutionary study of transcription networks: The global role of feedback and hierachical structures, Mol. Bio. Syst., in press (2009). 3. M. Cosentino-Lagomarsino, P. Jona, B. Bassetti et H. Isambert, Hierarchy and Feedback in the Evolution of E. coli Transcription Network, Proc. Natl. Acad. Sci. USA, 104 (13), 5516-5520 (2007). 4. K. Evlampiev et H. Isambert, Modeling Protein Network Evolution under Genome Duplication and Domain Shuffling, BMC Syst. Biol., 1:49 (2007). Detailles du cours par semaines: - Découverte de voies métaboliques par recherche de chemins dans les réseaux métaboliques (JvH 2h cours + 2h TP). - Evaluation de méthodes de clustering de graphes (JvH 2h cours + 2h TP). - passage des génomes aux réseaux (HI 2-3h cours +1hTD). - évolution des gènes aux organismes(HI 2-3h cours +1hTD). - Modèles d’évolution par duplication-divergence (HI 2-3h cours +1hTD). 20 Titre : Modélisation et bioinformatique de l’ARN Acronyme : ARN Spécialité : BIM 3 ECTS Niveau : 500 Semestre : 3 Responsable : Hervé Isambert Intervenants : Yann Ponty, Hervé Isambert, Martine Boccara Répartition hebdomadaire ou semestrielle (24h/7 semaines) Contenu: l’ARN joue un rôle fondamental dans les différents processus cellulaires et dans ces dernières années son rôle à été considérablement réévalué. Sa modélisation est devenue un domaine de recherche interdisciplinaire entre physique, biologie et informatique. Ce cours vise à présenter les avancées récentes et à élucider les problématiques ouvertes. Expérience du responsable dans le domaine de l’UE. Ce cours sera assuré avec l’intervention de spécialistes dans le domaine. Notamment Martine Boccara (Biologie, UPMC) qui a travaillé sur plusieurs aspects des ARN non-codants, Hervé Isambert (CNRS, Institut Curie, Laboratoire de Biophysique) qui travaille sur la dynamique de repliement de l’ARN et Yann Ponty (Informatique, Paris 7) qui a étudié la comparaison et la discrétisation de modèles tridimensionnels d’ARN, ainsi que la prédiction de structure par des méthodes d’échantillonnage statistique et . Réalisations des intervenants dans le domaine de l’UE: 1. W.A. Lorenz, Y. Ponty, P. Clote. Asymptotics of RNA shapes. Journal of Computational Biology, 15(1):31-63, 2008. 2. Y. Ponty. Efficient sampling of RNA secondary structures from the Boltzmann ensemble of low-energy: The boustrophedon method. Journal of Mathematical Biology, 56(1-2):107-127, 2008. 3. Y. Ponty, R. Istrate, E. Porcelli, P. Clote. LocalMove: computing on-lattice fits for biopolymers. Nucleic Acids Research, 36(2):W216-W222, 2008. 4. F. Ferrè, Y. Ponty, W.A. Lorenz , P. Clote. DIAL: A web server for the pairwise alignment of two RNA 3-dimensional structures using nucleotide, dihedral angle and base pairing similarities. Nucleic Acids Research, 35(Web server issue):W659-668, 2007. 5. Yann Ponty, Michel Termier, Alain Denise. GenRGenS: Software for Generating Random Genomic Sequences and Structures. Bioinformatics, 22(12):1534-1535, 2006. 6. Dawid A, Cayrol B, Isambert H. RNA synthetic biology inspired from bacteria: construction of transcription attenuators under antisense regulation Phys. Biol., 2009, in press. 7. B. Cayrol, C. Nogues, A. Dawid, I. Sagi, P. Silberzan & H. Isambert, A novel nanostructure made of bacterial non-coding RNA, soumis 2008. 8. Xayaphoummine A, Viasnoff V, Harlepp S, Isambert H. Encoding folding paths of RNA switches. Nucleic Acids Res. 35(2):614-22, 2007. 9. Xayaphoummine A, Bucher T, Isambert H. Kinefold web server for RNA/DNA folding path and structure prediction including pseudoknots and knots. Nucleic Acids Res., 33(Web Server issue):W605-10, 2005. 10. Harlepp S, Marchal T, Robert J, Léger JF, Xayaphoummine A, Isambert H, Chatenay D. Probing complex RNA structures by mechanical force. Eur Phys J E Soft Matter., 12(4):60515, 2003. 11. Xayaphoummine A, Bucher T, Thalmann F, Isambert H. Prediction and statistics of 21 pseudoknots in RNA structures using exactly clustered stochastic simulations. Proc Natl Acad Sci U S A., 100(26):15310-5, 2003. 12. Isambert H, Siggia ED. Modeling RNA folding paths with pseudoknots: application to hepatitis delta virus ribozyme. Proc Natl Acad Sci U S A. 2000 Jun 6;97(12):6515-20. 13. Teixeira FK, Heredia F, Sarazin A, Roudier F, Boccara M, Ciaudo C, Cruaud C, Poulain J, Berdasco M, Fraga MF, Voinnet O, Wincker P, Esteller M, Colot V. A Role for RNAi in the Selective Correction of DNA Methylation Defects. Science. 2009 Jan 29. 14. Boccara M., Sarazin A., Billoud B., Jolly V., Martienssen, R., Baulcombe, D. and Colot V. (2007) New approaches for the analysis of Arabidopsis thaliana small RNAs Biochimie 89:1252-6. 15. Billoud B., De Paepe R., Baulcombe D. and Boccara M. (2005) Identification of new small non-coding RNAs from tobacco and arabidopsis. Biochimie. 87:905-10. Détails du cours par semaines: - séance 1 (3h - YP): Prédiction de structures secondaires programmation dynamique / structure la plus probable (MFE / Nussinov + Zuker) vs structure moyenne (ensemble Bolzmann / McCaskill +...) - séance 2 (3h - YP): Représentation et Comparaison de structures programmation dynamiques complexes (RNAForrester, NestedAlign, MIGAL ...) / approche heuristique (DIAL, DART) / recherche de petits motifs (FR3D) - séance 3 (3h - HI): Dynamique de repliement et d’interaction échelles de temps physique [agitation thermique intramoleculaire (<0.1µs) < repliement (>10µs) < transcription (3-200ms/nt)]; repliement cotranscriptionnel; prédiction structure et chemin de repliement par simulation multi-échelle. Structure fonctionnelles métastables (ex HDV ribozyme) - séance 4 (3h - HI): Pseudonœuds et “vrai” nœuds topologie du repliement et conséquence pour la statique et la dynamique de repliement. modèles physique et prédiction par simulation. - séance 5 (3h - HI): Biologie systémique de l’ARN design structure + chemin de repliement. design de systèmes de régulation ARN inspiré de systèmes naturels (ARNnc bactérien / riboswitches). Autoassemblage ARN synthetique et bacterien. - séance 6 (3h - MB): Régulation ARN chez les eucaryotes miARN, siARN, silencing (+autres?: piARN, etc... splicing, riboswitch,...) - séance 7 (3h - MB): Régulation ARN chez les procaryotes et virus ARNnc et riboswitches chez bactéries / archae / virus / viroids 22 Titre : Bioinformatique structurale Acronyme : STRUCT Spécialité : BIM 3 ECTS Niveau : 500 Vague : 2 Responsable : Dimitri Gilis Répartition hebdomadaire ou semestrielle (24h/3 semaines) Contenu: la structure tridimensionnelle (3D) des protéines joue un rôle primordial et confère à ces biomolécules leurs propriétés biologiques. L’objectif de ce cours consiste à présenter les approches bioinformatiques qui permettent de prédire la structure d’une protéine au départ de sa séquence, ainsi que d’étudier, d’analyser et de classifier les structures protéiques. Expérience du responsable dans le domaine de l’UE. Ce cours sera assuré par Dimitri Gilis (Unité de bioinformatique génomique et structurale, Université Libre de Bruxelles), qui travaille sur le développement d’algorithmes bioinformatiques visant l’étude des liens structure-fonction-stabilité de protéines. Réalisations de l’intervenants dans le domaine de l’UE 1. R. Wintjens, D. Gilis, M. Rooman. Mn/Fe superoxide dismutase interaction fingerprints and prediction of oligomerization and metal cofactor from sequence. Proteins, 70(4):1564-77, 2008. 2. L.D. Cabrita, D. Gilis, A.L. Robertson, Y. Dehouck, M. Rooman, S.P. Bottomley. Enhancing the stability and solubility of TEV protease using in silico design. Protein Science, 16(11):2360-2367, 2007. 3. D. Gilis. In silico analysis of the thermodynamic stability changes of psychrophilic and mesophilic alpha-amylases upon exhaustive single-site mutations. Journal of Chemical Information and Modeling, 46(3):1509-1516, 2006. 4. D. Gilis, C. Biot, E. Buisine, Y. Dehouck, M. Rooman. Development of novel statistical potentials describing cation-pi interactions in proteins and comparison with semiempirical and quantum chemistry approaches. Journal of Chemical Information and Modeling, 46(2):884893, 2006. 5. Y. Dehouck, D. Gilis, M. Rooman. A new generation of statistical potentials for proteins. Biophysical Journal, 90(11):4010-4017, 2006. Détails du cours par semaines: - séance 1 (4h: cours): Introduction aux méthodes bioinformatiques d’analyse de structures de protéines, méthodes d’alignement et de classification de structures - séance 2 (3h: travaux pratiques): Bases de données de structures de protéines et visualisation de structures - séance 3 (3h: cours): Fonctions d’énergie et prédiction de la structure secondaire de protéines (I) 23 - séance 4 (4h: cours): Prédiction de la structure secondaire (II) et tertiaire (I) de protéines - séance 5 (3h: travaux pratiques): Prédiction de la structure de protéines - séance 6 (3h: cours): Prédiction de la structure tertiaire de protéines (II) - séance 7 (2h: cours): Prédiction de la structure des protéines membranaires - séance 8 (2h: travaux pratiques): Prédiction de la structure des protéines membranaires 24 Les étudiants pourront aussi choisir différents UE des spécialités IAD et STL. Acronyme a4ma afd apas dmdc madro pdml mode ocai rppc tiiapiad mgde sma rhad aa genal mgsl asra Titre Agents autonomes, agents apprenants et multi-agents Algorithmes de la fouille de données Apprentissage automatique, apprentissage statistique Décision multicritères et décision collective Méthodologies Aide à la décision et Rech. Opérationnelle Programmation discrète et modèles linéaires Modèles décisionnels Optimisation continue et applications industrielles Résolution de problèmes et programmation par contraintes Traitement d’incert. d’impr. appr. proba. pour l’IA et la décision Modèles graphiques pour la décision Systèmes multi-agents ECTS 3 S3 Responsable N. Sabouret 3 3 S3 S3 T. Artières P. Gallinari 3 S3 P. Perny 3 S3 3 S3 P. Fouilhoux, P-H. Wuillemin A. Billionnet 3 3 S3 S3 C. Gonzales M. Minoux 3 S3 A. David 3 S3 P-H. Wuillemin 3 3 S4 S4 Recherche heuristique et algorithmes pour la décision Analyse d’algorithmes Génération aléatoire Méthodes de résolution des grands systèmes linéaires Algorithmes et implantations pour la localisation des solutions réelles et Applications 3 S4 C. Gonzales A. El Fallah Seghrouchni P. Perny 25 3 3 3 M. Soria O. Bodini F.Ricco 3 M. Safey ainsi que des UE pour la modélisation proposées en Mathématiques: Titre Coalescent et génétique des populations Processus de Markov, applications à la dynamique des populations Modélisation stochastique des populations structurées Growth, reaction movment and diffusion from biology *Titre à etablir Interactions fluides/structures et applications aux écoulements sanguins *Modeling trafficking in cell biology Modélisation en biomécanique, application au coeur Théorie des jeux : stratégie et évolution *Modélisation des rythmes du vivant ECTS 6 9 Sem 1 1 6 2 S. Méléard 6 1 B. Perthame 3/6 6 1 1 3/6 6 1 1 6 3/6 1 2 * Les trois cours étoilés sont conseillés aux étudiants de Responsable A. Lambert I. Kurkova D. Drasdo M. Fernandez, Y. Maday D. Holcman D. Chappelle, P. Le Tallec S. Sorin A. Goldbeter, J.P. Francoise toutes spécialités. et en biologie Titre Outils et méthodes informatiques pour la prédiction de structures moléculaires Imagerie numérique en biologie 26 ECTS 6 6 Sem Responsable M. Thomas Boudier