Traitement statistique des données -omiques

Langue
d'enseignement

Français
> English-friendly

Préalables

Concepts et outils équivalents à ceux enseignés dans les UEs

LSTAT2020	Logiciels et programmation statistique de base
LSTAT2110	Analyse des données

Thèmes abordés

• Introduction aux données omiques (définitions, motivations pour leur génération, exemples)
• Caractéristiques statistiques des données omiques (type et nature des données, distributions typiques, etc.)
• Méthodes de correction pour tests multiples
• Détails des protocoles expérimentaux et des méthodes de prétraitement et d’analyses de données omiques les plus courantes (transcriptomique, metabolomique, proteomique, metagenomique, cytométrie de flux, et single-cell transcriptomics)
• Revues des méthodes d’analyses multivariées supervisées (classification et régression, PLS(-DA), O-PLS, Lasso & ridge regression, SVM) et non-supervisée (PCA, MDS, clustering) et des modèles à composantes de variances (ASCA, APCA).
• Les méthodes d'intégration de données (analyse de données multitableaux)
• Les méthodes mathématiques et statistiques pour le prétraitement de données spectrales (ex : modèles semi-paramétrique de lissage pour correction de ligne de base, alignement de pics)
• Méthodes de correction d’effets de batch et planification expérimentale pour les éviter.
• Revue et utilisation des packages R pour l’analyse des données omiques (typiquement les packages BioConductor)
• Application sur des données réelles.

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :
1	Eu égard au référentiel AA du programme « Le master en statistique, orientation biostatistique», cette activité permet aux étudiants de maîtriser De manière prioritaire les AA suivants: 1.4, 1.6, 2.2, 2.4, 2.5, 2.6, 3.1, 3.2, 3.3, 3.4, 3.5, 4.3, 4.5, 5.4, 5.6 De manière secondaire les AA suivants: 5.2, 5.7 Eu égard au référentiel AA du programme de « Le master en statistique, orientation générale», cette activité permet aux étudiants de maîtriser De manière prioritaire les AA suivants : 1.4, 1.6, 2.2, 2.4, 2.5, 2.6, 3.1, 3.2, 3.3, 3.4, 4.3, 5.3

Contenu

La plupart des chapitres sont construits autour d’une méthode omique d’intérêt et introduisent parallèlement les concepts statiques nécéssaires à l’analyse des données générées. Une ou deux études de cas seront présentées pour chaque chapitre et la plupart sont suivis d’un mini-projet (lui-même consistant en une petite analyse de cas) à réaliser seul ou en binome.  
 
Partim A (3C, 20h + 8h)
Introduction

• Révision des bases de biologie moléculaire
• Introduction aux données omiques (Pourquoi? Comment? Quoi?)
• Reproducibilité scientifique et technique. Outils et bonnes pratiques pour améliorer la reproducibilité.

Genomique et transcriptomique, méthode de correction pour tests multiples, régression robuste

• Méthodes de quantifications d’ADN et d’ARN (qPCR, micro-array, séquençage)
• Méthodes de correction pour tests multiples
• Calibration, contrôles positifs et négatifs, régression robuste
• Modélisation statistique pour l’analyse d’expression différentielle entre 2 ou plusieurs conditions (glm, negative binomial glm, etc).

Métagénomique, analyses statistiques de données “écologiques”,

• Introduction aux microbiotes et aux méthodes de génération de données pour la quantification de la composition des microbiotes
• Distances adaptées pour les données écologiques
• Dimension de réduction et projections de matrices de distance (MDS)

Identification de biomarqueurs ou de charactéristiques spectrales associés à un diagnostic ou état clinique

• Méthodes de classifications multivariées
• Méthodes de régression multivariées

Proteomique et gestion des données manquantes

• Méthodes d’acquisition de données protéomiques
• Méthodes de prétraitement et d’analyse de données protéomiques
• Méchanismes de génération des données manquantes et méthodes d’imputation

Partim B  (2C, 10h + 2h)
Metabolomique et méthodes d’analyses de données spectrale, méthodes d’analyse de variance multivariée

• Introduction à la métabolomique et méthodes de quantification des métabolites
• Focus sur les méthodes 1H-RMN et les méthodes de pré-traitement associées
• Méthodes d’analyse de variance multivariée (ASCA, APCA)

Effets de groupe et leur correction

• Définition des effets de groupe/lot (batch effects).
• Méthodes de correction des effets de groupe
• Prévenir la confusion entre effets techniques (e.g., batch effects) et les effets biologiques

Méthodes “single-cells” et méthodes de réduction de dimension non-linéaires

• Cytométrie de flux
  • Techniques de génération de données
  • Contrôle de qualité
  • Pré-traitement et analyse statistique des données
• Single-cell transcriptomics
  • Techniques de génération de données
  • Pré-traitement et analyse statistique des données
  • Méthode de réduction de dimension non-linéaires

Méthodes d’intégration multi-omiques

• Buts et motivations
• Méthodes d’intégration supervisées
• Méthodes d’intégration non-supervisées

Simulations de données et analyse de puissance par simulation

• Buts et motivations
• Évaluer la qualité des données simulées
• Exemples d’analyse de puissance par simulation.

Méthodes d'enseignement

Le cours est composé d'une série d'activité qui amènent l'étudiant à se plonger activement dans le monde des données -omiques.  Il propose:

• des exposées par des spécialistes actifs dans le domaine,
• des mini-projets de traitement de données à réaliser chaque semaine,
• un projet final sur des données proposées par les différents intervenants du cours ou de data repositories.

Modes d'évaluation
des acquis des étudiants

Dans le cadre de ce cours, les étudiant·es sont évalué·es de deux manières :

• l’évaluation continue certificative incluant:
  • des travaux obligatoires à remettre en cours de quadrimestre selon un calendrier fixé en début de quadrimestre (40% de la note finale)
  • et un projet final à présenter oralement lors du dernier cours (40% de la note finale)
• un examen oral à livre ouvert  (20% de la note finale)

Une note globale de 10/20 ou plus ne sera acquise que si l’étudiant a obtenu pour chaque partie de l’évaluation (travaux obligatoires, projet final, et examen) une note individuelle de minimum 8/20. Dans le cas contraire, la note minimale prévaut.  

Ressources
en ligne

Site Moodle: https://moodle.uclouvain.be/course/view.php?id=2964

Faculté ou entité
en charge

> LSBA