Mots-Clés

RNA-seq cancer k-mers

Description

Thèse financée: nouvelles méthodes d'analyse d'ARN à grande échelle pour le cancer 

Contexte scientifique

Le transcriptome du cancer représente une immense diversité de molécules qui commence à peine à être cartogaphiée. Notre laboratoire développe des outils et bases de données bioinformatiques pour interroger cette diversité et identifier des ARN spécifiques de certains cancers ou de la réponse aux traitement. Nous recherchons un(e) étudiant(e) bioinformaticien(ne) motivé(e) par cette question, ayant une bonne compétence méthodologique en bioinformatique et une envie de faire progresser les connaissances en transcritomique du cancer. La thèse s'intéressera aussi aux problèmes de curation des données de transcriptome de cancer en vue de créer une base de données unique pour la communauté des chercheurs en oncologie. 

Compétences attendues 

Niveau master en bioinformatique, avec les compétences suivantes:
- Maîtrise des concepts de base de bioinformatique/analyse de séquence, analyse de données RNA-seq
- Connaissance des langages Python, Unix et R
- Bonnes pratiques en bioinformatique 
Les étudiant(e) peuvent provenir aussi bien de math-info ou biologie avant leur master. 

Environnement de travail 

L'I2BC est un grand institut de biologie moléculaire et cellulaire situé à 25km de Paris (Gif sur Yvette), comprenant plusieurs équipes de biologie computationnelle, une plateforme bioinformatique et un centre de calcul performant. Notre équipe (Séquence, Structure et Fonction des ARN) est à l'interface entre entre les médecins qui apportent les données moléculaires de patients et des informaticiens qui développent les algorithmes avancés indispensables pour représenter les données de dizaines de millers de patients. L'étudiant(e) aura l'occasion d'intéragir avec tous ces partenaires, et avec un environnement bioinformatique local très dynamique. 

References liées au projet
1. Bessière C, Xue H, Guibert B, Boureux A, Rufflé F, Viot J, Chikhi R, Salson M, Marchet C, Commes T, ¬Gautheret D. (2024) Exploring a large cancer cell line RNA-sequencing dataset with k-mers. BioRxiv. https://doi.org/10.1101/2024.02.27.581927
2. Nguyen Ha TN, Xue H, Firlej V, Ponty Y, Gallopin M, Gautheret D. (2021) Reference-Free Transcriptome Signatures for Prostate Cancer Prognosis. BMC Cancer. 12:394. https://doi-org/10.1186/s12885-021-08021-1
3. Marchet C, Iqbal Z, Gautheret D, Salson M, Chikhi R. (2020) REINDEER: efficient indexing of k-mer presence and abundance in sequencing datasets Bioinformatics. 36(suppl.). i177-i185.  https://doi.org/10.1093/bioinformatics/btaa487
4. Wang Y, Xue H, Aglave M, Lainé A, Gallopin M, Gautheret D. (2022) The contribution of uncharted RNA sequences to tumor identity in lung adenocarcinoma. NAR Cancer. 4:1. https://doi.org/10.1093/narcan/zcac001  
5. Morillon A, Gautheret D. (2019). Bridging the gap between reference and real transcriptomes. Genome Biol. 20:112. https://doi.org/10.1186/s13059-019-1710-7