Parmi les 4 autres UEs, chaque étudiant doit
en choisir 3. |
|
Les enseignements théoriques et pratiques du
semestre définissent un ensemble de 15 Unités
d'Enseignement (UE), chacune composée d'un unique Elément
constitutif (UEc). Les étudiants doivent alors choisir neuf
UEs dont sept au moins parmi toutes les UEs proposées dans la
spécialité et deux (au plus) dans une autre
spécialité de la mention Informatique et
Systèmes ou dans une des spécialités des
mentions Ingénierie Mathématique ou Sciences
pour l'Ingénieur du Master Sciences et
Ingénierie |
|
|
|
|
Comprendre les systèmes biologiques dans le
cadre de la génomique passe nécessairement par la
compréhension de plusieurs niveaux d'organisation et par la
maîtrise des méthodes de modélisation formelle des
différents niveaux de description correspondants. Cette UEc
est une introduction avancée aux outils discrets de
modélisation des systèmes biologiques, en particulier les
outils de description d'évolution de systèmes
(systèmes de transitions, réseaux de Petri, théorie
des jeux). Ces différentes descriptions permettent de
comprendre les modèles sous-jacents à certains types de
simulations et lorsqu'elles sont formelles, elles permettent une
vérification formelle des propriétés attendues ou
hypothèses faites sur un système. Ces compétences
seront utiles pour l'analyse de l'évolution de tout
système complexe. |
|
-
Réseaux de Petri ordinaires (transitions, marquages,
comportements…)
-
Réseaux de Régulation biologique discrets de René
Thomas
- Logique
temporelle et model-checking
-
Validation de Modèles et expérimentation biologique
-
Réseaux de Petri de haut niveau
-
Réseaux temporisés
-
Modélisation et théorie des jeux
|
|
|
|
|
|
|
|
Comprendre les systèmes biologiques dans le
cadre de la génomique passe nécessairement par la
compréhension de plusieurs niveaux d'organisation et par la
maîtrise des méthodes de modélisation formelle des
différents niveaux de description correspondants. Cette
unité d'enseignement est une introduction avancée aux
outils de modélisation des systèmes biologiques, en
particulier les outils de description d'évolution de
systèmes (équations différentielles, systèmes
de transitions, réseaux de Petri, théorie des jeux). Ces
différentes descriptions apportent des visions
complémentaires dans lesquelles on retrouve les notions
d'états stationnaires stables ou non et de dynamiques. Elles
permettent aussi de comprendre les modèles sous- jacents
à certains types de simulations et lorsqu'elles sont
formelles, elles permettent une vérification formelle des
propriétés attendues ou hypothèses faites sur un
système. Ces compétences seront utiles pour l'analyse de
l'évolution de tout système complexe. |
|
Modélisation discrète
-
Eléments de Logiques
-
Théorie de jeux
- Jeux
stratégiques & Séquentiels
- Jeux
évolutionnaires
-
Application de la théorie des jeux aux réseaux
moléculaires
|
|
|
|
|
Les enseignements théoriques et pratiques du
semestre définissent un ensemble de 15 Unités
d'Enseignement (UE), chacune composée d'un unique Elément
constitutif (UEc). Les étudiants doivent alors choisir neuf
UEs dont sept au moins parmi toutes les UEs proposées dans la
spécialité et deux (au plus) dans une autre
spécialité de la mention Informatique et
Systèmes ou dans une des spécialités des
mentions Ingénierie Mathématique ou Sciences
pour l'Ingénieur du Master Sciences et
Ingénierie |
|
|
|
|
La recherche de faits significatifs dans une
masse de données toujours plus importante demande la mise en
jeu d'outils probabilistes et statistiques de plus en plus
sophistiqués. Les mécanismes de l'évolution
(mutations, délétions, mais aussi transferts de segments
dans un même génome ou d'un génome vers un autre)
relèvent de modélisations stochastiques et les analyses
qui en découlent (par exemple phylogénétiques)
requièrent des traitements statistiques. L'analyse des
séquences ayant résulté de cette évolution,
tant au niveau nucléotique qu'au niveau protéique, la
comparaison des génomes et des protéomes des divers
organismes se fondent aussi amplement sur la
Statistique |
|
- Rappel
sur l'emploi des chaînes de Markov pour la modélisation
des séquences biologiques.
- Divers
modèles Markoviens parcimonieux (VLMC, PMM, MTD, ...)
-
Modélisation par chaîne de Markov Cachées.
-
Propriétés théoriques.
-
Algorithmes d'identification (Baum-Welsh, Viterbi, ....)
-
Applications à l'annotation, a la recherche de transferts
horizontaux
-
Application à l'alignement de séquences.
|
|
|
|
|
|
|
|
Ce cours a pour objectif de fournir aux
étudiants les outils pour extraire de l’information
à partir des données d’expression. Il introduit les
concepts fondamentaux mathématiques utiles à
l’analyse statistique des données
d’expression. |
|
- Recueil
de données d’expression. Traitement de l’image
d’une puce (débruitage, traitement des tendances,
étalonnage)
-
Comparaison de l’expression de gènes dans deux
situations (présence/absence d’un stress,
sain/malade,…).
-
Problème des tests multiples. Clusterisation. Bi-
clusterisation.
-
Dynamique de l’expression des gènes au cours d’un
processus biologique.
-
Recherche de réseaux d’interaction à partir de
données d’expression.
|
|
|
|
|
Les enseignements théoriques et pratiques du
semestre définissent un ensemble de 15 Unités
d'Enseignement (UE), chacune composée d'un unique Elément
constitutif (UEc). Les étudiants doivent alors choisir neuf
UEs dont sept au moins parmi toutes les UEs proposées dans la
spécialité et deux (au plus) dans une autre
spécialité de la mention Informatique et
Systèmes ou dans une des spécialités des
mentions Ingénierie Mathématique ou Sciences
pour l'Ingénieur du Master Sciences et
Ingénierie |
|
|
|
|
La biologie moléculaire, la
génétique et la génomique s'appuient sur de
nombreuses bases de données concernant les protéines, les
réseaux protéiques ou métaboliques ou encore
les données du transcriptome. Ces données
hétérogènes sont dispersées à travers
différentes sources, souvent accessibles par le WEB.
L'enseignement approfondit les méthodes de gestion et
d'exploitation de ces données en vue de l'extraction de
connaissances.
Un premier pôle de compétences concerne
l'accès à ces données, leur intégration au
sein de systèmes fédératifs, de systèmes
de médiation et d'entrepôts de données.
La création et le développement
d'entrepôts de données ainsi que leur exploitation par
des algorithmes de de base de fouille de données constituent
le deuxième pôle de compétences. |
|
-
Systèmes multi-sources
-
Intégration de données : Intégration de
schémas. Nettoyage de données
-
Systèmes de Médiation : Architecture
générale. Approche Global As View, Local As View
-
Entrepôts de Données : le modèle multidimentionnel,
cube de données
-
Introduction aux problématiques d'apprentissage statistique et
à la fouille de données
-
Extraction de régularités par classification et
visualisation
-
Extraction de règles d'association
-
Utilisation des environnements de fouille de données pour la
post-génomique
|
|
|
|
|
|
|
|
L'étude des systèmes complexes de la
biologie pose le problème de la modélisation de ces
systèmes (réseaux génétiques, réseaux
métaboliques) ainsi que la question de l'identification de ces
modèles à partir de données. L'apprentissage
statistique offre un cadre théorique et pratique pour aborder
ces problèmes. Cette UEc introduit la modélisation
inverse en biologie et particulièrement en post-
génomique et décrit les approches fondées sur les
modèles probabilistes graphiques (réseaux bayésiens
statiques, réseaux bayésiens dynamiques). |
|
-
Apprentissage de modèles probabilistes pour la Biologie
-
Apprentissage statique et modélisation inverse en
Biologie
-
Introduction aux modèles graphiques probabilistes par
l'exemple des réseaux bayésiens
-
Modèles graphiques discrets et continus, statiques et
dynamiques
-
Eléments d'apprentissage statistique pour les modèles
graphiques
-
Apprentissage de paramètres et de structure
-
Mélanges et hiérarchies de modèles
-
Application à la reconstruction de réseaux d'interactions
macro-moléculaires
|
|
|
|
|
Les enseignements théoriques et pratiques du
semestre définissent un ensemble de 15 Unités
d'Enseignement (UE), chacune composée d'un unique Elément
constitutif (UEc). Les étudiants doivent alors choisir neuf
UEs dont sept au moins parmi toutes les UEs proposées dans la
spécialité et deux (au plus) dans une autre
spécialité de la mention Informatique et
Systèmes ou dans une des spécialités des
mentions Ingénierie Mathématique ou Sciences
pour l'Ingénieur du Master Sciences et
Ingénierie |
|
|
|
|
Le premier élément constitutif du cours
a pour but de fournir une introduction aux principaux
problèmes algorithmiques posés par l'analyse du texte des
génomes. L'accent est mis sur les approches
combinatoires
car elles permettent souvent de mieux illustrer
la structure intime et les diverses facettes de ces problèmes.
Les autres approches ne seront cependant pas
négligées.
La présentation des concepts et
méthodes algorithmiques sera généralement
accompagnée d'exemples d'applications. Ces applications ont
pour but de montrer ce que les algorithmes actuels sont capables de
faire mais, surtout, d'attirer l'attention sur leurs limites, qui
sont de nature à la fois algorithmique et biologique, et
alimenter ainsi une discussion autour des modèles sur lesquels
ils reposent. |
|
- Concepts
et algorithmes de comparaison de séquences biologiques :
modèle « mutations ponctuelles », modèle «
réarrangements ».
- Motifs
dans les séquences : extraction de motifs simples
ou structurés, répétitions, applications :
recherche de signaux de régulation, algorithmes de
séquençage.
-
Structures d'ARN : modélisation, comparaison,
prédiction.
-
Prédiction de gènes : modèles d'ADN codant,
recherche de gènes comme un problème d'assemblage
d'exons.
-
Évolution et phylogénie : comparaison de
séquence revisité, reconstruction
phylogénétique.
|
|
|
|
|
|
|
|
|
|
|
Cette Uec fournit une introduction aux
modèles de programmation dédiés ou inspirés par
la modélisation discrète en biologie. Trois grandes
classes de modèles de programmations sont abordées :
la réécriture, les automates cellulaires et les
systèmes multi-agents. Ces différents modèles
apportent des visions complémentaires qui seront utiles pour
la simulation de tout système complexe. |
|
- Notion
de système dynamique : fonction d'évolution, espace des
phases, trajectoires, comportement asymptotique
- La
réécriture et ses applications à la
modélisation : système de Lindenmayer , splicing system,
calcul chimique, MGS (modélisation des systèmes à
structures dynamiques)
- Langage
déclaratif à flot de données et simulation :
représentation déclarative du temps, algèbre des
flots, application à la simulation (système réactif,
traitement du signal)
-
Automates cellulaires
-
Simulation multi-agent :
-
Spécificités (modèles spatiaux, modèles
comportementaux, gestion du temps et ordonnancement, etc.)
-
Application à la simulation au niveau moléculaire et
cellulaire
|
|
|
|
|
|
|
|
La première partie du cours sera
consacrée à l'introduction à la théorie des
jeux coopérative et non-coopérative. Il s'agit ici de
fournir aux étudiants des notions classiques en
économie qui seront utilisées pour l'étude et la
compréhension d'internet et d'autres systèmes complexes
comme les systèmes biologiques. Dans la deuxième partie
du cours, nous allons étudier et comparer différents
modèles de graphes (modèle Erdös-Renyi,
« small world », etc…) modélisant
des systèmes complexes tels que l'internet ou les réseaux
métaboliques. |
|
-
Equilibres en général et équilibre de Nash en
particulier. Mécanismes de conception et mécanismes de
coordination. Analyse dans le pire des cas et rapport de
coordination. Equité dans les jeux coopératifs.
-
Théorie des jeux évolutionnaires, jeux
répétitifs.
-
Modèles pour les grands réseaux d'intéraction
-Erdös-Renyi
-« small world »
-la
loi des « puissances »
-
Applications : internet et bio-informatique.
|
|
|
|
|
|
|
|
1. MOPS
