silico.biotoul.fr
 

M2BBS Integration de Donnes Heterogenes - Projets

From silico.biotoul.fr

Revision as of 10:50, 15 October 2020 by Barriot (Talk | contribs)
Jump to: navigation, search

Contents

Projet 2020-21

Les projets s'organisent en 2 parties :

  • la partie 1 est individuelle (c'est-à-dire que chacun·e doit la faire et fournir un rapport).
  • la partie 2 est à faire en groupe de 4 personnes


Partie 1 Individuelle : enrichissement/Gene Set Enrichment Analysis

Intégration et préparation des données

Outline:

  • choisir un organisme. Le même organisme ne peut pas être pris par plusieurs personnes. La liste des choix attribués (premier arrivé, premier servi) sera disponible en fin de cette section.
  • fournir un script/document (par exemple la procédure réalisée ensemble sur E. coli) permettant d'obtenir à partir du graphe de la Gene Ontology et des associations 2 fichiers :
    • le premier fournit les associations directes : la liste des gènes annotés directement par un même terme
    • le second fournit les associations implicites : la listes des gènes annotés par un même terme ou un de ses descendants (plus spécifiques)
  • Utiliser des statistiques descriptives (par exemple : nombre de gènes annotés sur le génome, nombre de termes par gène, nombre de gènes par terme, ...) afin de discuter de l'avancement de l'annotation de l'organisme choisi.
Prénom → Organisme
Refka
Laura BS
Quentin
Tomas
Pierre
Sophie
Aurélien
Valentine
Laura DF
Codé
Antoine
Baptiste
Jérémy
Alexia
Safia
Houyrem

Ajout de fonctionnalités à blastsets.py

Notation : On considère un ensemble requête Q (query) et un ensemble cible T (target, appartenant à un jeu de données de référence). Les deux ensembles sont inclus dans l'ensemble des gènes de l'organisme G (génome). Ils ont respectivement des cardinalités q, t, g.

Il s'agit de proposer d'autres mesures de similarités. La première est naïve (pas statistique) que l'on nommera overlap ou coverage et consiste à considérer quelles fractions des 2 ensembles se correspondent. Pour la cohérence avec les autres mesures la valeur sera de 1 quand aucun élément n'est commun aux 2 ensembles, et 0 pour 2 ensembles identiques. Il s'agit donc de multiplier c/q par c/t avec c le nombre d'éléments communs aux ensembles Q et T respectivement de cardinalités q et t, et de soustraire cette valeur à 1.

La deuxième mesure à ajouter est un χ2 d'indépendance en considérant les ensembles Q et T comme 2 variables qualitatives. Le test est donc à effectuer sur la table de contingence :

T G \ T Σ
Q c q - c q
G \ Q t - c g - q - t + c g - q
Σ t g - t g

Remarque : Il est possible de s'autoriser à transformer la mesure non statistique (coverage) afin qu'elle indique la dissemblance entre 2 ensembles (0 : identique, >0 : dissemblable). Ainsi les résultats seront triés dans lemême ordre pour coverage et pour les p-valeurs (du χ2 par exemple).

Comparaison des mesures ajoutées

Proposez une approche et comparez les différentes mesures intégrées au script. Laquelle est-il préférable d'utiliser ?

Rapport à rendre

Un rapport succinct est demandé. L'objectif est de fournir plutôt un rapport technique pour l'ajout des mesures au script et méthodologique pour la partie comparaison des mesures. Il doit donc être complet, pertinent, ciblé (qui est le lecteur ?), scientifique et rigoureux.

Il doit inclure

  • une brève introduction générale décrivant le contexte, les objectifs et le plan de ce qui suit.
  • intégration et préparation des données
    • données utilisées (sans oublier les versions)
    • méthodes d'intégration envisagées, choix et détails dans la réalisation
    • statistiques descriptives sur l'avancement de l'annotation de l'organisme chois (avec des illustrations pertinentes)
  • ajout de fonctionnalités :
    • des explications sur les modifications apportées au script original,
    • comment utiliser le script modifié,
    • un exemple d'utilisation des fonctionnalités ajoutées.
  • comparaison des mesures intégrées :
    • approches envisagées et méthode pour en sélectionner une
    • mise en oeuvre
    • synthèse des résultats obtenus
    • bilan : quelle mesure utiliser de préférence, pourquoi
    • perspectives d'amélioration
  • bilan personnel sur cette partie du projet et sur cette UE : motivations ? critiques ? suggestions ? apports ? ... ?

Contraintes :

  • Le rapport doit être au format PDF.
  • Le rapport peut être en anglais ou en français mais pas les 2.
  • Le script modifié et les éventuels jeux de tests utilisés et résultats obtenus doivent être fournis ou disponibles sous forme d'archive ou projet gitlab.


Partie 2 collective : Intégration et exploitation de données hétérogènes dans un modèle graphique

  • Enrichir la base de connaissances faite en TP par l'ajout :
    • d'un (ou plusieurs) autre(s) organisme(s)
    • des liens d'orthologie avec les gènes E. coli
    • des liens de coexpression, d'interaction protéine-protéine, de conservation phylogénomique pour l'organisme ajouté
  • Analyser la conservation des clusters identifiés en TP sur E. coli (et leurs annotations) dans l'organisme ajouté :
    • tous les clusters sont-ils présents ? en totalité ou partiellement ?
    • y en a-t-il de supplémentaires ? lesquels sont absents ?
    • les annotations enrichies dans ces clusters correspondent-elles à celles observées des clusters de E. coli ?