Dans un premier temps, des données transcriptomiques (du laboratoire ou issues de publications) seront collectées et intégrées dans un compilateur d’expression. Le stagiaire explorera ensuite différents packages de la librairie R Bioconductor pour faire de la normalisation, de l’annotation de sonde et du contrôle de qualité des résultats. Puis, plusieurs modules de détection et d’outils d’analyse de réseau seront parcourus pour en extraire des modules de régulation et de ciblage de facteur de transcription pour le compilateur d’expression. Une sélection des outils suivants pour l’inférence des réseaux de régulations sera explorée : Genie3, Tigress, CLR, Genomica, Merlin et des réseaux de corrélation (avec la corrélation de Pearson). En parallèle, des algorithmes de modules de détection seront évalués. Un grand nombre de méthodes basées sur le clustering, le biclustering et les décompositions de matrice (comme FLAME, K-means,WGCNA, ISA, PLAID) et des ICA seront utilisées. Pour choisir les meilleures méthodes, plusieurs plateformes auront besoin d’être combinées : R, Python et le shell de commandes Linux. Afin de visualiser les résultats, des outils d’analyse de réseaux, comme Cytoscape ou des libraires de visualisation Python seront utilisées.

Amélioration de l'alignement d'un logiciel de détection de miRNA en Perl