MetExplore 3 Java est une plateforme dédiée à l'analyse et à l'exploration des réseaux métaboliques. Elle permet aux chercheurs et biologistes de charger, visualiser et analyser des données issues de bases de données biologiques comme KEGG ou ChEBI. L'outil facilite l'intégration de réseaux métaboliques, la comparaison de voies métaboliques et la gestion de collections de données pour des études en métabolomique et biologie des systèmes.

Ce projet vise à établir un socle commun de données de santé entre les entrepôts de données hospitaliers (EDSH) en définissant des standards d'interopérabilité. Il propose un guide d'implémentation basé sur le standard FHIR pour faciliter l'échange et la standardisation des données médicales (biologie, médicaments, PMSI, etc.). Destiné aux établissements de santé et aux professionnels de santé, il permet une meilleure intégration et exploitation des données tout en garantissant leur cohérence et leur évolutivité.

Outil dédié à l'analyse et au mappage flexible d'identifiants de métabolites ou de lipides identifiés par métabolomique ou lipidomique vers des réseaux métaboliques. Basé sur l'ontologie ChEBI, il permet de faire correspondre des molécules précises à des descriptions plus génériques dans les réseaux, facilitant ainsi l'intégration et l'interprétation des données biologiques complexes.

Projet dédié à l'analyse et à la modélisation des réseaux écologiques marins, notamment les interactions microbiennes. Il combine des outils de bioinformatique pour construire et valider des réseaux de co-occurrence à partir de données métagénomiques. Le package intègre des méthodes avancées comme FlashWeave pour identifier des relations entre espèces et un module de validation via la base de données Globi. Destiné aux chercheurs en écologie microbienne et biologie marine.

Outil spécialisé dans la conversion de fichiers OBO (Ontology-Based Objects) au format JSON pour faciliter leur visualisation sous forme de graphes. Il permet d'extraire des sous-ensembles d'ontologies selon des critères spécifiques, comme des noms d'espaces de noms, et s'intègre facilement avec des outils dédiés à l'analyse de données biologiques ou génomiques.

Ce projet propose des composants web pour afficher et interagir avec des données biologiques et des réseaux métaboliques. Il permet de visualiser des informations structurées comme les métabolites, enzymes ou gènes, et facilite l'exploration de données issues de bases de données biologiques ou fournies localement. Les outils intégrés offrent des fonctionnalités de filtrage, de sélection et d'analyse pour soutenir la recherche en bioinformatique.

Ce projet automatise et optimise l'analyse de données biologiques, notamment pour la modélisation de pseudotemps cellulaire avec Monocle2. Il permet de calculer des milliers de modèles, d'analyser leurs topologies et de sélectionner les meilleurs. Il intègre également des analyses complémentaires comme le clustering basé sur UMAP et l'intégration avec des données WGCNA pour une interprétation biologique approfondie.

Le projet samifier-docker est un outil permettant d'aider à l'annotation de données biologiques, de faire la correspondance entre identifiants de données biologiques et d'intégrer des données biologiques dans une base de données de référence. Il est basé sur des technologies telles que Docker, PostgreSQL, MongoDB, Flask et Gunicorn.

Ce projet automatise la récupération, la transformation et l'intégration de données biochimiques issues de bases de données spécialisées (comme KEGG ou BRENDA). Il permet de convertir des fichiers de données métaboliques, enzymatiques ou réactionnelles entre différents formats (ODS, TXT, SBML) et d'enrichir des modèles de voies métaboliques avec des informations thermodynamiques et cinétiques. Les outils développés facilitent l'analyse des réactions biochimiques et l'étude des enzymes pour la recherche en biologie systémique.

RNAja est un pipeline bioinformatique conçu pour analyser des données de séquençage ARN (RNAseq). Il permet d'effectuer des analyses d'expression différentielle des gènes et de générer des rapports automatisés au format Rmarkdown. Le pipeline est optimisé pour une intégration fluide avec des bases de données spécialisées comme diffexDB, facilitant ainsi la recherche en biologie moléculaire et génomique.