Mots-Clés

Bioinformatique Python Module de Maladie Data Mining Cancer Algorithme Détection de Communauté Système Complexe

Description

[FR] Détection de modules de Maladie

Les modules de maladies correspondent à un ensemble de gènes impliqués dans une maladie. La détection de modules est essentielle pour permettre une analyse causale des maladies et identifier des candidats pour des cibles thérapeutiques. L’objectif de ce stage est de développer un algorithme capable de détecter ce type de modules.  Leur recherche s’effectue sur l’interactome et plus précisément sur des réseaux d’interaction protéine-protéine (PPI).  Dans ce cadre, un module de maladie se définit comme un ensemble de gènes connectés directement ou indirectement entre eux et impliqués dans la maladie étudiée. 

Algorithmiquement, cette recherche s’assimile à la détection de communautés dont l’enjeu est de partitionner un réseau en communautés de nœuds signifiantes. Il s’agit d’une recherche très active dans les sciences de la complexité. 

L’objet de ce stage sera d’adapter l’algorithme de recherche de communautés chromatiques pour des graphes colorées. Il s’agit d’en valider son adéquation sur des cas réels de maladies, puis de proposer des optimisations de cette méthode pour en améliorer sa performance. 

Le candidat attendu possédera un profil de bioinformaticien avec des compétences de programmation en python car le projet sera développé dans ce langage. 

[US/UK] Disease module detection

Disease modules correspond to a set of genes involved in a disease. Module detection is essential to enabling causal analysis of diseases and to identifying potential therapeutic targets. The objective of this internship is to develop an algorithm for detecting disease modules. Their detection operates on the interactome and, more precisely, on protein-protein interaction (PPI) networks. In this context, a disease module is defined as a set of genes connected directly or indirectly to each other and involved in a disease.

Algorithmically, this research is like the detection of communities, the challenge of which is to partition a network into meaningful communities of nodes. This is very active research in the sciences of complexity.

The objective of this internship will be to adapt the chromatic community detection algorithm applied to colored graphs. The objective is to validate its suitability in real cases of diseases, and then to propose optimizations of this method for improving its performance.

The intern will have a bioinformatician profile with skills in Python.

Références / References

F. Delaplace, « Entropic Detection of Chromatic Community Structures », septembre 2023. Consulté le: 10 octobre 2023. [En ligne]. Disponible sur: https://hal.science/hal-04201260

S. D. Ghiassian, J. Menche, et A.-L. Barabási, « A DIseAse MOdule Detection (DIAMOnD) Algorithm Derived from a Systematic Analysis of Connectivity Patterns of Disease Proteins in the Human Interactome », PLOS Computational Biology, vol. 11, no 4, p. e1004120, avr. 2015, doi: 10.1371/journal.pcbi.1004120.

Y. Silberberg, M. Kupiec, et R. Sharan, « GLADIATOR: a global approach for elucidating disease modules », Genome Med, vol. 9, no 1, p. 48, déc. 2017, doi: 10.1186/s13073-017-0435-z.

The DREAM Module Identification Challenge Consortium et al., « Assessment of network module identification across complex diseases », Nat Methods, vol. 16, no 9, p. 843‑852, sept. 2019, doi: 10.1038/s41592-019-0509-5.