Biologie computationnelle & IA
Notre équipe de biologie computationnelle prend en charge le versant dry-lab de chaque projet : des pipelines de bio-informatique à l’analyse statistique, jusqu’aux modèles guidés par IA conçus pour faire ressortir les signaux qui comptent dans vos données. Chaque résultat est interprété par nos scientifiques et relié à la biologie.
Alignement, quantification et QC, versionnés de bout en bout.
Les techniques non listées ci-dessus sont cadrées sur demande. La première question à laquelle nous répondons est de savoir si les données et le design permettent l’analyse, pas si nous faisons tourner l’instrument.
Deux couches ou plus analysées ensemble sur les mêmes échantillons.
Identifier les marqueurs qui méritent de passer à l’étape suivante.
Comment ce travail computationnel s’applique dans chaque secteur.
Biologie de la peau, transcriptomique et profilage du microbiome pour l'innovation dermo-cosmétique.
Profilage multi-omics du microenvironnement tumoral pour des biomarqueurs actionnables.
Caractérisation moléculaire au service de l'ingénierie cellulaire et des programmes de thérapie génique.
Interactions hôte-pathogène et écologie microbienne pour la recherche en maladies infectieuses.
Pipelines de biomarqueurs translationnels pour accélérer les programmes de découverte.
Un jeu de données à interpréter ?
Travailler depuis vos données, ce que vous recevez, et comment un signal est tenu pour réel.
Oui, et c'est une large part de ce que fait l'équipe computationnelle. Nous partons de vos fichiers bruts ou traités, refaisons le contrôle qualité pour que le point de départ soit documenté, et vous disons ce que les données peuvent, et ne peuvent pas, soutenir avant de proposer une analyse.
Un rapport qui répond à la question biologique, les données traitées et les tables de résultats, et les figures. Les versions de pipeline et le génome de référence sont indiqués pour que l'analyse puisse être refaite. Au-delà (code, carnets, tableau de bord interactif), cela se convient dans la documentation de l'étude plutôt que de se supposer.
En arrêtant le plan d'analyse avant de regarder le résultat, et en séparant la découverte de la validation. Un signal trouvé sur un jeu est testé sur des données qui n'ont pas servi à le trouver. Quand la cohorte est trop petite pour cela, nous le disons et rapportons le résultat comme exploratoire, ce qui est un résultat, pas un échec.
Ils sont figés par étude et écrits, parce que deux analyses menées sur des versions d'annotation différentes ne sont pas comparables et que l'écart ne se voit pas dans le rapport. Nous indiquons la version du génome, celle de l'annotation et celle du pipeline avec les résultats.
