Projet de recherche : recueil et exploitation de données omiques

Projet omique

1. Apprendre les différentes méthodes d'analyse omique

• Metagenomics targeted
• Metagenomics untargeted assembly-free & untargeted assembly-based
• Functional metagenomics 
• Metatranscriptomics

2. Traiter, analyser et évaluer des données de séquençage. 

• Targeted(16s,18s,ITS) via des logiciels et pipelines (R, DADA2, Phyloseq)
• Untargeted shotgun(long-read, short-read) via des logiciels et pipelines (Flye, MUFFIN, PANKEGG, fastqc, sickle, megahit, bowtie2, samtools, metabat2, checkM, Prokka, sourmash, etc)
• Untargeted assembly-free (long-read, short-read) via des logiciels et pipelines (fastqc, Kraken, R, Pavian)

3. Utiliser des ressources locales et en ligne, telles que Galaxy Project et Package manager (Conda, Mamba, Pixi) pour automatiser et maintenir la reproductibilité.

Computational biology project

1. Visualisation et analyse des structures biomoléculaires :
   • Utilisation de bases de données de structures comme la Protein Data Bank (PDB).
   • Comparaison de la qualité des structures expérimentales (par rayons X et RMN).
   • Visualisation des protéines et de leurs complexes avec des ligands à l’aide du logiciel PyMOL.
   • Analyse de la compacité du cœur protéique et des interactions enzyme-ligand.
2. Classification et alignement des structures protéiques :
   • Recherche de domaines protéiques et classification de protéines à partir de bases de données comme UniProt.
   • Superposition de structures et analyse des alignements par des outils bioinformatiques tels que ClustalOmega et PDBeFold.
3. Prédiction de la structure secondaire et maladies conformationnelles :
   • Comparaison de plusieurs programmes de prédiction de structures secondaires (GOR IV, HNN, Sympred).
   • Analyse de performances de ces programmes sur des exemples spécifiques et sur des protéines liées à des maladies conformationnelles.
4. Prédiction de la structure tridimensionnelle :
   • Modélisation comparative des protéines par des approches manuelles, semi-automatiques (HHPred, Modeller) et automatiques (SwissModel).
   • Reconnaissance de replis protéiques par genTHREADER.
   • Comparaison de modèles prédits, incluant un modèle généré par AlphaFold.

Projet omique

github training: https://github.com/RVanDamme/Metagenomics_course
Core Papers: https://www.microbiologyresearch.org/content/journal/mgen/10.1099/mgen.0.000409
https://www.nature.com/articles/nbt.3935/figures/1
https://www.sciencedirect.com/topics/biochemistry-genetics-and-molecular-biology/metagenomics
Additional read: https://www.nature.com/articles/nbt.3935
https://www.nature.com/articles/srep01968
https://www.frontiersin.org/articles/10.3389/fmicb.2021.613791/full
https://academic.oup.com/bib/article/22/6/bbab330/6358409
https://academic.oup.com/bib/article/21/2/584/5363831
https://www.nature.com/articles/s42003-021-02510-6
https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-020-03667-3
Tools:

MUFFIN: https://github.com/RVanDamme/MUFFIN & https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1008716
metaWRAP: https://github.com/bxlab/metaWRAP & https://microbiomejournal.biomedcentral.com/articles/10.1186/s40168-018-0541-1
Flye: https://github.com/fenderglass/Flye & https://www.nature.com/articles/s41592-020-00971-x
Kraken2: https://github.com/DerrickWood/kraken2 & https://genomebiology.biomedcentral.com/articles/10.1186/s13059-019-1891-0

Computational biology project

/