Decomics est une application interactive dédiée à l'analyse et à la déconvolution de données omics (transcriptomique, métabolomique, etc.). Elle permet aux chercheurs et biologistes de décomposer des échantillons complexes en sous-populations cellulaires ou moléculaires, facilitant ainsi l'interprétation des résultats expérimentaux. L'outil propose des méthodes non supervisées et des visualisations dynamiques pour explorer les données biologiques.

RNA-Ribo Explorer (RRE) est un logiciel interactif et autonome dédié à l'analyse, la visualisation et l'exploration de données transcriptomiques (RNA-seq) et translatomiques (Ribo-seq). Il permet d'étudier conjointement ces données pour identifier des ARN dont le statut de traduction ou la régulation est modifié dans certaines conditions biologiques. Accessible sous licence Cecill, il est développé en Java pour une compatibilité multiplateforme.

Ce projet fournit des outils et workflows automatisés pour l'analyse de données de séquençage haut débit, principalement appliqués à l'organisme modèle *Caenorhabditis elegans*. Il facilite le traitement, l'annotation et l'interprétation de données génomiques et transcriptomiques, en intégrant des pipelines reproductibles et des configurations adaptables pour des environnements variés, y compris les clusters de calcul.

Ce projet rassemble les codes et données utilisés pour décrypter les réseaux transcriptionnels impliqués dans le développement du cœur humain. Il s'appuie sur des analyses de données transcriptomiques à haute résolution, issues de cellules cardiaques, afin d'éclairer les mécanismes biologiques fondamentaux. Les résultats contribuent à la compréhension des maladies cardiaques et ouvrent des pistes pour des thérapies innovantes.

L'atelier a pour objectif d'intégrer et d'analyser des données omiques hétérogènes via des approches statistiques en s'appuyant sur les packages R MOFA2 et mixOmics. Deux cas d'étude sont proposés, l'un sur des données métabolomiques et transcriptomiques de deux variétés de colzas soumises à un stress hydrique et parasitique, et l'autre sur des données RNAseq et metabarcoding (16S et 18S) d'une autre variété de colzas.

Ce projet consiste en une collection de notebooks Jupyter, de fichiers R et Python dédiés à l'analyse et à la visualisation des données d'un étude sur les neurones projetant dans le bulbe olfactif de la souris. Le référentiel contient des analyses transcriptomiques standard de neurones projetants, une inférence de réseaux de gènes régulateurs, une analyse de réseaux de gènes régulateurs et une simulation de données unicellulaires à partir de données de séquençage d'ARN en vrac.

Ce projet académique compare différentes méthodes de clustering (k-means, classification hiérarchique, clara, EM) appliquées à des données de transcriptomique. L'objectif est d'identifier des groupes de gènes corrélés pour comprendre des phénomènes de co-régulation ou d'association à des maladies. Les résultats sont analysés et comparés entre méthodes, puis enrichis via des ontologies de gènes pour évaluer leur pertinence biologique. Des visualisations et rapports détaillés sont générés pour faciliter l'interprétation des données.

Outil bioinformatique conçu pour identifier des signatures génétiques dans des données de séquençage ARN. Il modélise le problème comme une maximisation multi-modale d'une partition sur un espace booléen multidimensionnel de gènes. Utilisé pour analyser des données transcriptomiques de cellules ou d'échantillons, il permet de détecter des ensembles de gènes différentiellement exprimés, facilitant ainsi la compréhension des mécanismes biologiques sous-jacents.

LEGEND est un outil bioinformatique conçu pour analyser des données transcriptomiques. Il permet d'encoder les données d'expression génique en niveaux d'expression (non régulé, surexprimé, sous-exprimé), de construire des graphes de co-expression entre gènes, et d'appliquer une méthode de décomposition par entropie minimale (MED) pour regrouper les gènes partageant des profils d'expression similaires. Les résultats sont visualisables sous forme d'arbres MED et de graphes, facilitant l'identification de gènes d'intérêt biologique.

FLORA est un workflow FAIR et évolutif permettant l'analyse de données RNAseq du projet AMOCYST en utilisant des outils et des méthodes statistiques de pointe en transcriptomique pour effectuer des analyses reproductibles avec Nextflow. Le workflow commence par le traitement des lectures RNAseq brutes en utilisant Rcorrector pour la correction. Ensuite, les lectures non corrigées sont supprimées à l'aide d'un script Python. La contamination rRNA est également supprimée en utilisant Bowtie2 et la base de données SILVA avant un processus de filtrage de la qualité des lectures en utilisant Trim Galore. Enfin, l'assemblage du transcriptome est effectué en utilisant Trinity.