Transcriptomique

RNA-seq

Notre équipe fournit une quantification fiable de l’expression des gènes à partir de données de RNA-seq. Nos pipelines assurent un traitement complet des données, de l’alignement à la normalisation, pour permettre l’analyse différentielle, l’identification de signatures transcriptomiques et l’exploration des voies biologiques selon les conditions expérimentales.

Nous utilisons des outils statistiques avancés pour identifier les gènes présentant des variations d’expression significatives. Nous appliquons des modèles robustes, ajustons les facteurs de confusion et contrôlons le taux de faux positifs, afin de fournir des résultats fiables et biologiquement pertinents.

Nous réalisons des analyses d’enrichissement fonctionnel, incluant l’ontologie des gènes (GO-terms), la cartographie des voies métaboliques, et l’analyse d’enrichissement en gènes (GSEA). Nous identifions les processus biologiques, fonctions moléculaires et voies métaboliques surreprésentés afin d’aider à interpréter les variations d’expression génique et révéler les mécanismes sous-jacents.

Nos bio-informaticiens identifient les événements de fusion de gènes à partir des données de RNA-seq grâce à des algorithmes sensibles conçus pour détecter les transcrits chimériques. Notre pipeline distingue les véritables fusions des artefacts, facilitant la recherche en oncologie et la découverte de biomarqueurs, en révélant des gènes de fusion nouveaux ou cliniquement pertinents.

À partir de données RNA-seq en lectures courtes ou longues, nous sommes capables de reconstruire les transcrits, afin d’identifier de nouveaux gènes (y compris les gènes non codants) et isoformes. Cette approche améliore l’annotation génomique en révélant des transcrits jusque-là non annotés et en approfondissant la compréhension de la diversité génique.

Notre équipe de bio-informatique utilise des méthodes informatiques avancées pour déconvoluer les données de RNA-seq, estimant les proportions des différents types cellulaires au sein d’échantillons tissulaires complexes. Cela permet de révéler la composition cellulaire et ses dynamiques, offrant ainsi une compréhension approfondie des systèmes biologiques hétérogènes.

Single cell RNA-seq

Nous réalisons une analyse complète de données de single-cell RNA-seq en regroupant les cellules selon leurs profils d’expression génique et en annotant précisément les types cellulaires. Cette approche permet de révéler l’hétérogénéité cellulaire, d’identifier des populations rares et une meilleure compréhension des systèmes biologiques.

Nos bio-informaticiens reconstruisent les parcours de différenciation cellulaire à partir de données de single cell RNA-seq en ordonnant les cellules selon un axe de pseudo-temps. Cette approche révèle des processus dynamiques tels que la différenciation et la progression des lignées, facilitant la compréhension des changements temporels au sein de populations cellulaires complexes.

Nous utilisons la méthode de la vélocité pour prédire l’état futur des cellules individuelles. Cette approche met en lumière les processus cellulaires dynamiques et les états transitoires, offrant ainsi des perspectives sur les décisions de destinée cellulaire et les trajectoires de développement.

Notre équipe intègre des données multi-omiques issues du single cell, notamment CITE-seq et REAP-seq, combinant l’expression d'ARN avec les informations des marqueurs protéiques. Cette analyse globale offre une compréhension approfondie de l’identité, des fonctions et de l’hétérogénéité cellulaires dans des échantillons biologiques complexes.

Transcriptomique Spatiale

Nos bio-informaticiens cartographient la localisation précise et la répartition des différents types cellulaires au sein d’échantillons tissulaires à partir de données de transcriptomique spatiale. Cette analyse spatiale permet de mieux comprendre l’architecture tissulaire, les interactions cellulaires et les influences du microenvironnement, éléments essentiels pour l’étude du développement et des pathologies.

Nos experts analysent les données de transcriptomique spatiale pour regrouper les cellules selon leurs profils d’expression génique tout en conservant leur contexte spatial. Ils annotent précisément les types cellulaires au sein des tissus, permettant une cartographie détaillée de l’organisation cellulaire et des interactions avec le microenvironnement.

Nous utilisons des techniques avancées d’analyse d’images combinées aux données de transcriptomique spatiale pour définir avec précision les limites cellulaires au sein des coupes tissulaires. Cette délimitation fine des cellules permet une cartographie spatiale détaillée, améliorant la résolution des études sur les interactions cellulaires et l’organisation tissulaire.

Notre équipe identifie et caractérise les interactions entre différents types cellulaires en intégrant les données d’expression génique et spatiales. Cette analyse révèle les réseaux de communication et les voies de signalisation qui régulent la fonction tissulaire, le développement et la progression des maladies.

Retour en haut