2025-2026
Avenue Victor Maistriau 8a
7000 Mons
Fiche ects de l'unité d'enseignement #2355 intitulée :
Langage R et bioinformatique
Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1
Informations
Responsable d'UE : Vincent BRANDERS
Bloc : MA1 LDT
Période : 1er quadrimestre
Durée : 50 h
Crédits : 4 ects
UE Prérequises : aucune
UE Corequises : aucune
Activités d'apprentissage (AA)
- Introduction à la programmation R : 20 h, Vincent BRANDERS
- Application du langage R à la transcriptomique : 30 h, Axel THIEFFRY
Connaissances et compétences préalables
- Principes de bases en biologie moléculaire et technologies de séquençage haut-débit (Illumina)
- Utiliser la ligne de commande (bash) dans un système LINUX/UNIX
Contribution aux objectifs du référentiel de compétences de l'ARES
- Identifier, conceptualiser et résoudre des problèmes complexes
- Intégrer les savoirs scientifiques et technologiques afin de faire face à la diversité et à la complexité des problèmes rencontrés
- Analyser des produits, processus et performances, de systèmes techniques nouveaux et innovants
- Concevoir, développer et améliorer des produits, processus et systèmes techniques
- Modéliser, calculer et dimensionner des systèmes
- Sélectionner et exploiter les logiciels et outils conceptuels les plus appropriés pour résoudre une tâche spécifique
- Établir ou concevoir un protocole de tests, de contrôles et de mesures.
- Concevoir et gérer des projets de recherche appliquée
- Réunir les informations nécessaires au développement de projets de recherche
- Réaliser des simulations, modéliser des phénomènes afin d’approfondir les études et la recherche sur des sujets technologiques ou scientifiques
- Mener des études expérimentales, en évaluer les résultats et en tirer des conclusions
- Valider les performances et certifier les résultats en fonction des objectifs attendus
- Exploiter les résultats de recherche
- S’intégrer et contribuer au développement de son milieu professionnel
- Planifier le travail en respectant les délais et contraintes du secteur professionnel (sécurité …)
- Travailler en autonomie et en équipe dans le respect de la culture d’entreprise
- Entreprendre et innover, dans le cadre de projets personnels ou par l’initiative et l’implication au
sein de l’entreprise
- Dépasser les cadres ou les limites d’un problème et apporter des solutions innovantes
- Communiquer face à un public de spécialistes ou de non-spécialistes, dans des contextes
nationaux et internationaux
- Maitriser les méthodes et les moyens de communication en les adaptant aux contextes et aux publics
- Communiquer dans une ou plusieurs langues étrangères
- S’engager dans une démarche de développement professionnel
- Réaliser une veille technologique dans sa sphère d’expertise
- S’autoévaluer pour identifier ses besoins de développement
- Assumer la responsabilité de ses décisions et de ses choix
- Organiser son savoir de manière à améliorer son niveau de compétence
- Actualiser ses connaissances et s’engager dans les formations complémentaires adéquates
Acquis d'apprentissage spécifiques
- Produire des figures scientifiques pertinentes et attractives en terme de visualisation mais également en terme de communication effective de résultats
- Familiarisation au language de programmation R, le Tidyverse, et Bioconductor, et leurs utilisation dans le cade d'analyses de donées de séquençage
- Développer une capacité critique vis-à-vis de résultats de l'analyse de donées CAGE et de leur distinction par rapport aux méthodes classiques (mRNA-seq)
Contenu des AA
Introduction à la programmation R
Au terme de l’AA Programmation R, l’étudiant sera capable :
• d’expliquer la syntaxe de base de R et d’utiliser des concepts tels que les boucles, fonctions et apply(s)
• d’identifier et de manipuler les types de données courants en R
• d’importer, lire et écrire des données dans différents formats (CSV, TSV, Excel, …)
• d’appliquer des opérations de base sur les données, telles que la sélection, le filtrage et le tri
• de créer des graphiques de base pour explorer et représenter des données et d’utiliser des packages tels que ggplot2 pour créer des visualisations plus avancées
• de réaliser de la manipulation avancée de données
• de respecter les conventions de codage R et de maintenir un code propre et bien documenté
• de collaborer efficacement en utilisant des outils de gestion de versions comme Git
Application du langage R à la transcriptomique
Au travers d'une analyse complète d'un jeu de données de type CAGE (Cap Analysis of Gene Expression):
- Nettoyage de données et controle qualité (LINUX/Unix, command line, bash/zsh)
- Analyses bioinformatiques des données nettoyées: mapping, quantification, annotation
- Quantification et expression différentielle (R, Tidyverse, Bioconductor)
- Présentation des résultats sous la forme de figures scientifiques
Répartition des heures
Introduction à la programmation R : 5 h de théorie, 15 h d'exercices/Labos
Application du langage R à la transcriptomique : 10 h de théorie, 20 h d'exercices/Labos
Méthodes d'enseignement
Introduction à la programmation R : travaux de groupes, approche par projets, approche interactive, approche par situation problème
Application du langage R à la transcriptomique : travaux de groupes, approche par projets, approche interactive, approche par situation problème, approche déductive, étude de cas, utilisation de logiciels
Langues d'enseignement
Introduction à la programmation R : français, anglais
Application du langage R à la transcriptomique : français, anglais
Supports
Introduction à la programmation R : copies de présentations, notes d'exercices
Application du langage R à la transcriptomique : copies de présentations, notes d'exercices, Resources et scripts disponible via un répertoire GitHub public
Ressources bibliographiques
Introduction à la programmation R
- Collection de "cheat sheets" pour la programmation R, la manipulation de données, et la production de figures scientifiques: https://www.rstudio.com/resources/cheatsheets/
- Guide pour la création et validation de figures scientifiques: https://www.data-to-viz.com
- Cours en ligne de datacamp
- Grolemund, Garrett, and Hadley Wickham. 2017. R for Data Science. Sebastopol, CA: O’Reilly Media.
Application du langage R à la transcriptomique
- Collection de "cheat sheets" pour la programmation R, la manipulation de données, et la production de figures scientifiques: https://www.rstudio.com/resources/cheatsheets/
- Guide pour la création et validation de figures scientifiques: https://www.data-to-viz.com
- Répertoire GitHub public créé spécifiquement pour le cours
Évaluation et pondération
Méthode d'évaluation : note globale à l'UE
Langues d'évaluation : français, anglais
Modalités d'évaluation :
La note finale est définie comme suit :
- 60 % pour l'AA Compléments de techniques bioinformatiques 2
- Une évaluation de la participation tout au long du cours (présence, attention, motivation, questions, réponses, etc.)
- Complétion d'un examen dont le format (individuel/groupe ; interne ou via service tiers) sera défini en fonction de l'avancement par rapport au programme prévu
- 40 % pour l'AA Programmation R :
- Travail continu (certifications DataCamp)
- Réalisation d'un projet
Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :
- Introduction à la programmation R : non
- Application du langage R à la transcriptomique : non