UNITE DE FORMATION MODULES OBJECTIFS INTERVENANT
familiariser les étudiants avec l'environnement Unix, l'extraction d'information et la manipulation de fichiers de grande taille, l'automatisation de ces traitements Christophe Klopp Anis Djari
Présenter les principaux concepts statistiques au travers de R Elie Maza
Présenter des techniques d’assemblage des génomes et des transcriptomes et leur annotation structurale et fonctionnelle Mohamed Zouine
Apprendre à traiter les séquences issues des NGS pour la recherche de polymorphisme Mohamed Zouine
Analyser l'épigénomique à différents niveaux Mohamed Zouine
Présentation des approches "omiques" Brice Enjalbert Sébastien Déjean
Présenter les approches visant à quantifier les molécules d’ARN Mohamed Zouine Elie Maza Brice Enjalbert
Présenter les approches visant à identifier et à quantifier les protéines à l’échelle génomique Brice Enjalbert David Bouysset
Présenter les approches visant à identifier et à quantifier les pools de métabolites Brice Enjalbert Pierre Millard
Présenter des techniques d’assemblage des génomes et des transcriptomes et leur annotation structurale et fonctionnelle Ignacio Gonzalez
Présenter une méthodologie permettant de concevoir et de simuler des modèles statistiques complexes. Christophe Laplanche
Montrer les principales méthodologies utilisées pour l’analyse des réseaux métaboliques Cesar Aceves Lara
Fournir une introduction générale à la modélisation moléculaire Isabelle André Sophie Barbe
Mettre en application des méthodes de modélisation moléculaire Isabelle André Sophie Barbe
Démarcher une entreprise, d’entretenir un contact professionnel, de travailler efficacement en groupe, de planifier la réalisation d'un évènement. Mohamed Zouine Christophe Laplanche
Définir un cahier des charges, de planifier une tâche complexe Christophe Laplanche
Mobiliser des connaissances techniques diverses, de structurer et présenter ses résultats. Christophe Laplanche


Référent : Elie Maza (INP-ENSAT)
Intervenants : Christophe Klopp (INRA), Anis Djari (INP-ENSAT), Elie Maza (INP-ENSAT)
ECTS : 4
Volume horaire global : 33h20 en présentiel, 18h40 en autonomie
Finalités : La finalité principale de cette UF est de fournir à tous les étudiants l'ensemble des prérequis nécessaires pour pouvoir poursuivre correctement la formation proposée. Il s'agit, plus précisément, de rappeler (ou d'introduire) des notions d'informatique, de statistique et/ou de génomique de base, au travers d'exemples multiples issus, entre autres, des technologies de séquençage à haut-débit.
Objectifs : L’étudiant devra être capable de travailler sous l'environnement Unix, de manipuler des fichiers à l’aide des langages Perl et Python, d'automatiser des traitements de données et de lancer des commandes sur un cluster de calcul. Il devra aussi être capable d'effectuer des analyses statistiques classiques à l'aide du logiciel R. L’étudiant devra connaître les techniques de séquençage de 2nde et 3ème génération, et savoir réaliser des annotations de séquences à l’aide d’outils d’alignement local lancés en ligne de commande.
Place dans la formation : Le suivi de cette UF est indispensable à la poursuite de la formation.

Module 1 Extraction et mise en forme des données
Intervenants: Christophe Klopp (INRA), Anis Djari (INP-ENSAT)
Volume horaire : 20h en présentiel, 12h en autonomie
Coefficient : 1
Description :
Ce module a pour objectif de familiariser les étudiants avec l'environnement Unix, l'extraction d'information et la manipulation de fichiers de grande taille, l'automatisation de ces traitements. Les fichiers utilisés, issus de bases de données publiques, proviendront de différents appareils à haut-débit dit "omiques" couramment employés sur les projets de biologie. Ce module comprend les 4 parties/techniques décrites ci-dessous : 1. L'environnement ligne de commande sous Unix. Comment naviguer dans cet environnement ? Comment construire une ligne de commande et en enchaîner plusieurs ? Comment filtrer des fichiers de grande taille ? 2. La modification des lignes d'un fichier à l'aide des commandes sed et awk. Comment corriger des erreurs ? Comment ajouter des valeurs manquantes ? Comment modifier les plages de valeurs d'une variable ? 3. La manipulation de fichiers à l'aide du langage de programmation Python. Comment construire de nouvelles variables à partir des données figurant dans les fichiers ? Comment traiter des blocs de lignes d'un fichier ? Quelles structures de données utiliser (liste, table de hashage, objet, ...) pour réaliser des traitements complexes ? 4. L'automatisation des traitements sur le poste de travail et sur un cluster de calcul. Comment lancer simultanément plusieurs commandes ? Comment suivre l'avancement des traitements ? comment arrêter un traitement en cours ? Comment allouer des ressources à un traitement ?
Evaluation : Epreuve de 2 heures sur machine avec rapport à rendre.
Modalité de rattrapage : Les mêmes que pour l’évaluation.

Module 2 Stat & R
Intervenants: Elie Maza (INP-ENSAT)
Volume horaire : 13h20 en présentiel, 6h40 en autonomie
Coefficient : 1
Description :
Ce module présente les principaux concepts statistiques (de la statistique descriptive, de la en théorie de l'échantillonnage, de l’estimation statistique, des tests statistiques) au travers de l'utilisation du logiciel et langage de programmation R (http://www.r-project.org/). Les jeux de données traités seront issus, entre autres, des technologies dites à haut-débit. Plus précisément, les étudiants travailleront les outils statistiques suivants : 1. Introduction à R. Description/manipulation avec R des outils classiques de l'analyse descriptive uni et bivariée, de la théorie de l'échantillonnage, de l'estimation statistique, des tests statistiques usuels. 2. Description/manipulation avec R de méthodes statistiques descriptives multivariées classiques. Analyse en Composantes Principales (ACP). Analyse Factorielle des Correspondances (AFC). Analyse des Correspondances Multiples (ACM). Classification non supervisée (algorithme k-means, classification hiérarchique). Analyse Factorielle Discriminante (AFD). Multidimensional scaling (MDS). 3. Description/manipulation avec R de méthodes statistiques prédictives multivariées. Modèle linéaire gaussien. Régression linéaire simple, multiple. Analyse de la Variance (ANOVA) à 2 facteurs ou plus. ANCOVA. 4. Introduction aux méthodes de sélection de variables. Introduction au modèle linéaire généralisé (modèle log-linéaire, régression logistique, etc.). Test non paramétrique de Kruskal-Wallis pour données non gaussiennes.
Evaluation : Epreuve de 2 heures sur machine avec rapport à rendre.
Modalité de rattrapage : Les mêmes que pour l’évaluation.



Référent : Mohamed Zouine (INP-ENSAT)
Intervenants : Mohamed Zouine (INP-ENSAT)
ECTS : 6
Volume horaire global : 35h en présentiel, 40h en autonomie
Finalités : Cette UF permettra d’acquérir les connaissances et les compétences nécessaires pour manipuler les données issues des approches expérimentales faisant appel au séquençage haut débit dit de 2ème et 3ème génération, pour : 1. Générer un génome ou un transcriptome de référence. 2. Annoter ces séquences en cherchant les régions géniques et en prédisant leur fonction. 3. Aligner des séquences haut débit sur ces génomes de référence pour chercher des variants alléliques (SNP calling). 4. Identifier l’épigénome par séquençage bissulfite et par ChiP-Seq. 5. Analyser les données issues du séquençage haut débit pour caractériser les métagénomes.
Objectifs : L'étudiant devra être capable d’utiliser les outils bio-informatiques installés sur un cluster de calcul pour générer, annoter et exploiter un génome ou un transcriptome de référence.
Place dans la formation : Cette UF, située en amont des autres UF, permettra d’apprendre comment générer les ressources nécessaires pour la post-génomique (UF3) et l’intégration des données "omiques" (UF4)

Module 1 Assemblage de novo et annotation des génomes
Intervenants: Mohamed Zouine (INP-ENSAT)
Volume horaire : 15h en présentiel, 15h en autonomie
Coefficient : 1
Description :
Ce module a pour objectif de présenter certaines techniques d’assemblage des génomes et des transcriptomes et leur annotation structurale et fonctionnelle pour générer une séquence de référence pour les espèces d’intérêt. Cette référence est souvent utilisée comme une ressource de départ pour aborder d’autres approches "omique" comme le RNA-Seq, ChiP-seq et autres. Certaines de ces approches seront abordées au cours de cette spécialisation.
Evaluation : Examen sur machine de 2h00 commun aux modules 1, 2 et 3.
Modalité de rattrapage : Oral commun aux modules 1, 2 et 3.

Module 2 Alignement de séquences et recherche de polymorphisme
Intervenants: Mohamed Zouine (INP-ENSAT)
Volume horaire : 10h en présentiel, 10h en autonomie
Coefficient : 1
Description :
Cette formation a pour objectif d’apprendre à traiter les séquences issues des NGS pour la recherche de polymorphisme. Seront abordés les formats de séquences, d'alignements et de variants ainsi que les logiciels dédiés à l'alignement de séquences sur un génome de référence, à la recherche et à l'annotation de polymorphismes.
Evaluation : Examen sur machine de 2h00 commun aux modules 1, 2 et 3.
Modalité de rattrapage : Oral commun aux modules 1, 2 et 3.

Module 3 Bio-informatique pour l’épigénome et le métagénome
Intervenants: Mohamed Zouine (INP-ENSAT)
Volume horaire : 10h en présentiel, 15h en autonomie
Coefficient : 1
Description :
Les nouvelles technologies de génomique offrent l’opportunité de pouvoir analyser l’épigénome à différents niveaux : la méthylation du génome, l’acétylation des histones et le MiRNome. Les approches bioinformatique permettant de caractériser ces trois niveaux seront abordées sous forme de TD sur machine. L’approche métagénomique sera abordée sous forme de cours et d’analyse d’articles scientifiques. Evaluation. Examen sur machine de 2h00 commun aux modules 1, 2 et 3.
Evaluation : Examen sur machine de 2h00 commun aux modules 1, 2 et 3
Modalité de rattrapage : Oral commun aux modules 1, 2 et 3.



Référent : Brice Enjalbert (INSA)
Intervenants : Brice Enjalbert (INSA), Sébastien Déjean (INSA), Mohamed Zouine (INP-ENSAT), Elie Maza (INP-ENSAT), David Bouysset (CNRS), Pierre Millard (INSA)
ECTS : 4
Volume horaire global : 30h en présentiel, 18h en autonomie
Finalités : Connaître et savoir utiliser les principales approches "omiques" (gène, ARN, protéines, métabolites et flux). Apprendre à manipuler les jeux de données et à en extraire l’information essentielle.
Objectifs : Être capable de choisir la ou les meilleures approches en fonction de la question biologique posée. Savoir poser un plan expérimental satisfaisant les objectifs et respectant les contraintes. Connaitre les principaux outils et stratégies de manipulation et de traitement de données "omiques".
Place dans la formation : Cette UF explore les avancées permises par les efforts de la génomique (UF2) et détaille les techniques dont sont issues les jeux de données analysés dans l’UF4 (Intégration).

Module 0 Généralité
Intervenants: Brice Enjalbert (INSA), Sébastien Déjean (INSA)
Volume horaire : 2h30 en présentiel, 0 en autonomie
Coefficient : 0
Description :
Présentation des approches "omiques", leur finalité, leur intérêt et leurs limites. Introduction aux approches génomiques. Introduction aux approches statistiques.
Evaluation : Aucune
Modalité de rattrapage : Aucune

Module 1 Transcriptomique
Intervenants: Mohamed Zouine (INP-ENSAT), Elie Maza (INP-ENSAT), Brice Enjalbert (INSA)
Volume horaire : 15h en présentiel, 11h en autonomie
Coefficient : 1
Description :
Ce module a comme objectif de présenter les approches visant à quantifier les molécules d’ARN, des premières approches aux RNA-Seq. - Cours (5H15; BE, EM, MZ) a. Les ARNs, la transcription, technique de Northern, biopuces, stabilome, overview RNA-Seq (1H15 ; BE). b. RNA-Seq : techniques, interprétation, applications (2H00; MZ). c. Traitement statistique des données (2H00; EM).
Evaluation : Épreuve sur machine de 2h30 commune aux modules 1, 2 et 3.
Modalité de rattrapage : Épreuve sur machine ou oral.

Module 2 Protéomique
Intervenants: Brice Enjalbert (INSA), David Bouysset (CNRS)
Volume horaire : 6h15 en présentiel, 3h30 en autonomie
Coefficient : 1
Description :
Ce module a comme objectif de présenter les approches visant à identifier et à quantifier les protéines à l’échelle génomique, du gel2D à la protéomique comparative. - Cours (2H30 ; DB, BE) a. Les protéines, la traduction, traductome, Gels 2D, MS degradome, notion quantitative (1H15 ; BE). b. Protéomique comparative, séquençage, modif post-trad (1H15 ; DB). - TD (3H45 ; DB, BE. 2H30 autonomie étudiants) a. Traitement de données ITRAQ (1H15 ; BE. 1H45 autonomie). b. Séquençage de protéines et modification post-traductionelle (2H30 ; DB. 1H45 ; autonomie).
Evaluation : Épreuve sur machine de 2h30 commune aux modules 1, 2 et 3.
Modalité de rattrapage : Épreuve sur machine

Module 3 Métabolome et Fluxome
Intervenants: Brice Enjalbert (INSA), Pierre Millard (INSA)
Volume horaire : 6h15 en présentiel, 3h30 en autonomie
Coefficient : 1
Description :
Ce module a comme objectif de présenter les approches visant à identifier et à quantifier les pools de métabolites et les distributions de flux dans les voies métaboliques. -Cours (2H30 ; BE, PM). a. Les métabolites, organisation des voies, RMN, MS, Notions de flux, analyse des flux (1H15 ; BE). b. Cartographie des flux (1H15 ; PM) - TD (3H45 ; BE, PM. 5H autonomie étudiants). a. Analyse de métabolome (1H15 ; BE. 1H45 autonomie étudiants). b. Détermination d’un fluxome (2H30 ; PM. 1H45 autonomie étudiants).
Evaluation : Épreuve sur machine de 2h30 commune aux modules 1, 2 et 3.
Modalité de rattrapage : Épreuve sur machine



Référent : Elie Maza (INP-ENSAT)
Intervenants : Ignacio Gonzalez (INRA), Christophe Laplanche (INP-ENSAT), Cesar Aceves Lara (INSA)
ECTS : 4
Volume horaire global : 28h en présentiel, 22h en autonomie
Finalités : L'étudiant devra être capable d'analyser et de modéliser des données de grandes dimensions et/ou provenant de différents niveaux d'organisation du vivant. Pour cela, l'étudiant devra savoir identifier et utiliser à bon escient les domaines et les méthodes adéquats présentés dans cette unité de formation.
Objectifs : L'étudiant devra connaître et savoir utiliser des méthodes d'intégration de données : statistiques (Module 1), modélisation statistique (Module 2, centré sur les statistiques bayésiennes) et modélisation (Module 3, centré sur les systèmes dynamiques).
Place dans la formation : Cette UF est consacrée à la valorisation, entre autres, des données collectées lors de l'UF3 Post-génomique. Cette UF est donc "naturellement" précédée de cette UF3. Cela dit, cette UF peut être traitée de manière indépendante puisque les méthodes étudiées peuvent aussi être appliquées à d'autres sources de données.

Module 1 Intégration statistique des données (avec mixOmics)
Intervenants: Ignacio Gonzalez (INRA)
Volume horaire : 11h en présentiel, 6h en autonomie
Coefficient : 1
Description :
Ce module a comme objectif de présenter un certain nombre de techniques statistiques d'intégration de données pour analyser des jeux de données de grandes dimensions. Les données illustrant ces méthodes sont ici issues de techniques dites à haut débit (données "omiques") telles que les données de transcriptomique, de protéomique, etc. Cela dit, les méthodes statistiques décrites peuvent être employées dans des domaines bien plus larges que ceux étudiés ici, pour intégrer des données de grandes dimensions. Ce module comprend les 3 parties/techniques décrites ci-dessous : 1. L'analyse Canonique des Corrélations (4h présentiel, 2h autonomie). (i) Quand utiliser l'ACC ? (ii) Principes. ACC classique. ACC régularisée. Réglage des paramètres. (iii) Usage avec mixOmics, cas d'étude. 2. La régression PLS (4h présentiel, 2h autonomie). (i) Quand utiliser la régression PLS ? (ii) Principes. La régression PLS classique. La régression PLS sparse. Réglage des paramètres. (iii) Usage avec mixOmics, cas d'étude. 3. L'Analyse Discriminante PLS (4h présentiel, 2h autonomie). (i) Quand utiliser la PLS-DA ? (ii) Principes. PLS-DA classique. PLS-DA sparse. Réglage des paramètres. (iii) Usage avec mixOmics, cas d'étude.
Evaluation : Examen en salle informatique de 2h commun aux modules 1, 2 et 3
Modalité de rattrapage : Oral

Module 2 Modélisation statistique Bayésienne
Intervenants: Christophe Laplanche (INP-ENSAT)
Volume horaire : 8h en présentiel, 6h en autonomie
Coefficient : 1
Description :
Ce module a comme objectif de présenter une méthodologie permettant de concevoir et de simuler des modèles statistiques complexes. Un modèle statistique schématise les relations entre des variables observées sous la forme d'une structure sous-jacente qui prend en compte les aléas (erreurs de mesure, etc.). L'approche par modèles hiérarchiques Bayésiens (HBM) présentée dans ce module, permet de simuler des modèles statistiques complexes. Ci-dessous le planning de ce module : 1. Présentation des HBM (4h présentiel, 2h autonomie). Illustration par un exemple des principes des HBM (variable mesurée/paramètre, loi a priori/a posteriori, comparaison de modèles). Construction de modèles statistiques classiques (régression linéaire, régression non linéaire, ANOVA, GLM) sous la forme de HBM. 2. Implémentation d'un HBM (4h présentiel, 4h autonomie). Construction d'un modèle simple (régression linéaire simple) et d'un modèle plus avancé sous OpenBUGS. Simulation, estimation des paramètres, tests d'hypothèses par comparaison de modèles.
Evaluation : Examen de 2h en salle informatique, commun aux modules 1, 2 et 3
Modalité de rattrapage : Oral

Module 3 Modélisation dynamique d’un système biologique avec régulation
Intervenants: Cesar Aceves Lara (INSA)
Volume horaire : 9h en présentiel, 10h en autonomie
Coefficient : 1
Description :
Ce module a comme objectif de montrer les principales méthodologies utilisées pour l’analyse des réseaux métaboliques. Les méthodes analysées sont divisées entre celles qui prennent l’hypothèse d’un état pseudo-stationnaire et celles qui sont dynamiques. Le module est composé de cinq parties : 1. Introduction aux systèmes biologiques (1h15 présentiel) 2. L’analyse d’ordres de magnitude pour les vitesses des réactions (1h15 présentiel) 3. Analyse d’états pseudo-stationnaires (2h30 présentiel). Les propriétés de la matrice de l’état pseudo-stationnaire à droite et à gauche. 4. Analyse métabolique pour proposer des knockouts avec CellNet sur MatLab (1h15 présentiel, 1h15 autonomie) 5. Les bilans matières et les ODEs pour un réseau métabolique avec Copasi (2h30 présentiel, 8h45 autonomie). Principes basiques. Analyse de phase. Analyse de sensibilité.
Evaluation : Examen en salle informatique de 2h commun aux modules 1, 2 et 3
Modalité de rattrapage : Oral



Référent : Isabelle André (CNRS)
Intervenants : Isabelle André (CNRS), Sophie Barbe (INRA)
ECTS : 5
Volume horaire global : 35h en présentiel, 30h en autonomie
Finalités : Cette unité de formation permettra d’acquérir les connaissances et compétences nécessaires en modélisation moléculaire pour l’étude des relations séquence-structure-dynamique-fo
Objectifs : Être capable de visualiser, manipuler, analyser des structures tridimensionnelles de (macro)molécules. Connaitre les principales méthodes de calcul utilisées en modélisation 3D ainsi que leurs limites pour prédire la structure de protéines et assemblage moléculaires ainsi que pour étudier la réactivité, la conformation, et la dynamique des molécules. Introduction aux approches computationnelles de design de protéines. Etre capable de choisir les approches de modélisation moléculaire les plus adaptées en fonction de la question biologique posée.
Place dans la formation : Ce module nécessite exclusivement l'UF1 comme prérequis.

Module 1 Bases théoriques et méthodologiques
Intervenants: Isabelle André (CNRS), Sophie Barbe (INRA)
Volume horaire : 14h en présentiel, 0 en autonomie
Coefficient : 1
Description :
Ce module a pour objectif de fournir une introduction générale à la modélisation moléculaire, aux méthodes de représentation et analyse des structures, et bases de données structurales, et de présenter les approches de modélisation moléculaire multi-échelles ainsi que de design de protéines : a. Introduction générale à la modélisation moléculaire ; Représentation et visualisation de données structurales (macro)moléculaires (2h30 ; SB). b. Méthodes de calculs théoriques ; Zoom sur la Mécanique Moléculaire & les bases de la reconnaissance (macro)moléculaires (2h30 ; IA). c. Exploration conformationnelle et des mouvements (macro)moléculaires (2h30 ; SB). d. Repliement & Prédiction de structures tridimensionnelles des protéines (2h30 ; SB). e. f. Modélisation des interactions et assemblages (macro)moléculaires (3h45 ; RG).
Evaluation : Epreuve écrite de 1h
Modalité de rattrapage : Présentation oral

Module 2 Mise en pratique des méthodes
Intervenants: Isabelle André (CNRS), Sophie Barbe (INRA)
Volume horaire : 21h en présentiel, 30h en autonomie
Coefficient : 1
Description :
Ce module a comme objectif de mettre en application quelques méthodes : a. Modélisation 3D de protéines b. Analyse & Construction de modèles 3D de complexes protéine-ligand c. Champs de force de mécanique moléculaire et minimisation d’énergie d. Dynamique moléculaire
Evaluation : Epreuve informatisée de 3h
Modalité de rattrapage : Présentation oral



Référent : Christophe Laplanche (INP-ENSAT)
Intervenants : Mohamed Zouine (INP-ENSAT), Christophe Laplanche (INP-ENSAT)
ECTS : 5
Volume horaire global : 11h en présentiel, 45h en autonomie
Finalités : L'étudiant devra être capable de réaliser sous la forme d'un projet collaboratif une tâche complexe d'ingénierie répondant à un besoin d'une entreprise dans le domaine de la biologie computationnelle.
Objectifs : L'étudiant sera capable de démarcher une entreprise, d’entretenir un contact professionnel, de travailler efficacement en groupe, de définir un cahier des charges, de planifier et réaliser une tâche complexe, de mobiliser des connaissances techniques diverses, de planifier la réalisation d'un évènement , de structurer et présenter ses résultats.
Place dans la formation : La réalisation du défi fera appel aux connaissances techniques développées dans les UF1 à 5 et aux connaissances relatives à la gestion d'un projet en entreprise (UF6). L'expérience acquise dans cette UF en termes de mise-en-œuvre de projet sera remobilisée pendant le stage de fin d'études (UF8).

Module 1 Organisation d’une table ronde au forum carrière ENSAT (étudiant ENSAT)
Intervenants: Mohamed Zouine (INP-ENSAT), Christophe Laplanche (INP-ENSAT)
Volume horaire : 2h30 en présentiel, 7h30 en autonomie
Coefficient : 1
Description :
Les étudiants inviteront des professionnels du domaine de la biologie computationnelle à participer au forum carrière ENSAT en y présentant leur parcours professionnel. Cette présentation prendra la forme d’une table ronde que les étudiants organiseront et animeront.
Evaluation : Contrôle continu sur la qualité des échanges avec le tuteur académique. Evaluation de la qualité du déroulement de la table ronde
Modalité de rattrapage : Auto-évaluation concernant le déroulement du forum

Module 2 Définition du « Défi en bio-informatique » (étudiants ENSAT)
Intervenants: Christophe Laplanche (INP-ENSAT)
Volume horaire : 2h30 en présentiel, 7h30 en autonomie
Coefficient : 1
Description :
Les étudiants contacteront des entreprises et définiront, avec l’une d’entre elles, un projet lié à un besoin en biologie computationnelle. Outre la demande de l’entreprise, le cahier des charges élaboré devra prendre en considération les ressources dont disposeront les étudiants (ressources internes/externes, moyens matériels, calendrier). Le projet sera mis en œuvre dans le module 4 de cette UF.
Evaluation : Contrôle continu sur la qualité des échanges avec le tuteur académique. Evaluation écrite de la lettre de mission présentant le cahier des charges et la structure du projet.
Modalité de rattrapage : Révision de la lettre de mission

Module 3 Réalisation du « Défi en bio-informatique »
Intervenants: Christophe Laplanche (INP-ENSAT)
Volume horaire : 6h en présentiel, 30h en autonomie
Coefficient : 1
Description :
Les étudiants réaliseront sous la forme d'un projet collaboratif une tâche complexe d'ingénierie répondant à un besoin d'une entreprise dans le domaine de la biologie computationnelle.
Evaluation : Contrôle continu sur la qualité des échanges avec le tuteur académique et le tuteur entreprise, évaluation du livrable par l'entreprise, évaluation de la qualité de la soutenance orale
Modalité de rattrapage : Nouvelle soutenance orale