Search

When learning algorithms in computer science, visualizations are generally appreciated to help reason about abstract data structures. However, dedicated tools often require a significant investment, which hinders their adoption and reduces the autonomy of students. This paper presents AutoGraph, a module for Python that allows visualizing any implementation of a graph, whatever its format, without restricting the practice within a specific software. We present a functional prototype, its intended uses and our approach to disseminate it to high schools and undergraduate courses., Lors de l’apprentissage des algorithmes en informatique, les visualisations sont généralement appréciées pour aider à raisonner sur des structures de données abstraites. Cependant les outils dédiées nécessitent souvent un investissement conséquent, qui freine leur adoption et réduit l’autonomie des étudiants. Cet article présente AutoGraph, un module pour Python permettant de visualiser toute implémentation d’un graphe, quel que soit son format, sans borner la pratique au sein d’un logiciel spécifique. Nous présentons ici un prototype fonctionnel, les usages auxquels il s’adresse et notre démarche de dissémination auprès de lycées et de formations post-bac.

Biological studies rarely limit to the single-genome-analysis, and often include several species, thus encompassing an entire window of genome evolution (by the comparison of several species), and adding time and evolution as a new dimension to the study. Generally, this includes defining characters of ancestral genomes. With the lack of a wide ancestral genomes database, studies are often performed several times. Here we describe a new method, named AGORA (Algorithms for Gene Order Reconstruction in Ancestors) to automatically and systematically reconstruct gene order and karyotypes in all the ancestral species of a given phylogeny. AGORA can handle different gene content between species (duplications, gains, and loss) by using accurate gene phylogenies as input. We applied AGORA on 46 sequenced & annotated vertebrate genomes (using 8 outgroups genomes) to reconstruct ancestral gene order in 43 ancestral genomes on a 600 million years time-frame. AGORA performances were estimated using simulated datasets, and comparison with other studies. The results can be freely browsed and downloaded from a new web server, Genomicus, dedicated to the study of genome evolution, helping areas such as gene evolution, or genome rearrangements., La génomique comparative est une discipline de la biologie qui s'intéresse à l'évolution des génomes par le biais de la comparaison entre espèces de leur structure et de l'information qu'ils contiennent. Implicitement, identifier des similarités entre deux génomes revient à décrire une propriété ancestrale qu'ils partagent encore de nos jours. L'abondance de données génomiques provenant de centaines d'espèces différentes rend possible de nombreuses comparaisons de ce type, mais souvent restreinte à deux espèces comparées l'une à l'autre, hors de tout cadre unifié et sans références particulières. Ce travail de thèse décrit une nouvelle méthode, appelée AGORA (Algorithms for Gene Order Reconstruction in Ancestors), pour reconstruire de manière automatique et systématique l'ordre des gènes et les caryotypes de toutes les espèces ancestrales dans une phylogénie donnée. AGORA est capable de gérer les duplications de gènes, les délétions, et les gains, et interprète de manière réaliste des phylogénies complexes de gènes. Nous avons appliqué la méthode chez 46 espèces de vertébrés séquencées et annotées (en utilisant 8 espèces supplémentaires en référence externe) pour reconstruire des ordres de gènes ancestraux dans 43 génomes ancestraux sur près de 600 millions d'années d'évolution. Les performances d'AGORA ont été mesurées par des simulations de génomes de vertébrés, et par confrontation à des génomes ancestraux déjà connus. Les données, présentées graphiquement dans un serveur web nommé Genomicus (http://www.dyogen.ens.fr/genomicus) fournissent un nouveau cadre unifié dans lequel les génomes ancestraux peuvent servir de référence naturelle auxquelles comparer les génomes modernes qui en descendent. À ce titre, ces données fournissent une nouvelle ressource pour étudier l'évolution de l'organisation de l'information génétique dans les génomes.

Biological studies rarely limit to the single-genome-analysis, and often include several species, thus encompassing an entire window of genome evolution (by the comparison of several species), and adding time and evolution as a new dimension to the study. Generally, this includes defining characters of ancestral genomes. With the lack of a wide ancestral genomes database, studies are often performed several times. Here we describe a new method, named AGORA (Algorithms for Gene Order Reconstruction in Ancestors) to automatically and systematically reconstruct gene order and karyotypes in all the ancestral species of a given phylogeny. AGORA can handle different gene content between species (duplications, gains, and loss) by using accurate gene phylogenies as input. We applied AGORA on 46 sequenced & annotated vertebrate genomes (using 8 outgroups genomes) to reconstruct ancestral gene order in 43 ancestral genomes on a 600 million years time-frame. AGORA performances were estimated using simulated datasets, and comparison with other studies. The results can be freely browsed and downloaded from a new web server, Genomicus, dedicated to the study of genome evolution, helping areas such as gene evolution, or genome rearrangements.; La génomique comparative est une discipline de la biologie qui s'intéresse à l'évolution des génomes par le biais de la comparaison entre espèces de leur structure et de l'information qu'ils contiennent. Implicitement, identifier des similarités entre deux génomes revient à décrire une propriété ancestrale qu'ils partagent encore de nos jours. L'abondance de données génomiques provenant de centaines d'espèces différentes rend possible de nombreuses comparaisons de ce type, mais souvent restreinte à deux espèces comparées l'une à l'autre, hors de tout cadre unifié et sans références particulières. Ce travail de thèse décrit une nouvelle méthode, appelée AGORA (Algorithms for Gene Order Reconstruction in Ancestors), pour reconstruire de manière automatique et systématique l'ordre des gènes et les caryotypes de toutes les espèces ancestrales dans une phylogénie donnée. AGORA est capable de gérer les duplications de gènes, les délétions, et les gains, et interprète de manière réaliste des phylogénies complexes de gènes. Nous avons appliqué la méthode chez 46 espèces de vertébrés séquencées et annotées (en utilisant 8 espèces supplémentaires en référence externe) pour reconstruire des ordres de gènes ancestraux dans 43 génomes ancestraux sur près de 600 millions d'années d'évolution. Les performances d'AGORA ont été mesurées par des simulations de génomes de vertébrés, et par confrontation à des génomes ancestraux déjà connus. Les données, présentées graphiquement dans un serveur web nommé Genomicus (http://www.dyogen.ens.fr/genomicus) fournissent un nouveau cadre unifié dans lequel les génomes ancestraux peuvent servir de référence naturelle auxquelles comparer les génomes modernes qui en descendent. À ce titre, ces données fournissent une nouvelle ressource pour étudier l'évolution de l'organisation de l'information génétique dans les génomes.

Diaporama de soutenance sur http://www.slideshare.net/PhilippeGambette/practical-use-of-combinatorial-methods-for-phylogenetic-network-reconstruction-6908561; Phylogenetic networks generalize the tree concept to model Evolution, by allowing edges between branches inside the tree to reflect genetic material exchanges between coexisting species. Lots of combinatorial approaches have been designed to reconstruct networks from data extracted from a set of contradictory gene trees. These approaches can be divided into several categories depending on the kind of input, i.e. triplets, quartets, clusters and splits, and on the kind of structure restrictions they impose on reconstructed networks. We particularly analyze the structure of one class of such restricted networks, namely level-k phylogenetic networks, and adapt this level parameter to the unrooted context. We also give new combinatorial methods to reconstruct phylogenetic networks from clusters - implemented in Dendroscope - or quartets. We study the limits of combinatorial methods (complexity explosion, noise and silence in the data, ambiguity in the reconstucted network), and the way to tackle them, in particular with an appropriate data preprocessing. Finally we illustrate the results of these reconstruction methods on a dataset, and we conclude on how to use them in a global methodology which integrates statistical aspects.; Les réseaux phylogénétiques généralisent le modèle de l'arbre pour décrire l'évolution, en permettant à des arêtes entre les branches de l'arbre d'exprimer des échanges de matériel génétique entre espèces coexistantes. De nombreuses approches combinatoires - fondées sur la manipulation d'ensembles finis d'objets mathématiques - ont été conçues pour reconstruire ces réseaux à partir de données extraites de plusieurs arbres de gènes contradictoires. Elles se divisent en plusieurs catégories selon le type de données en entrée (triplets, quadruplets, clades ou bipartitions) et les restrictions de structure sur les réseaux reconstruits. Nous analysons en particulier la structure d'une classe de réseaux restreints, les réseaux de niveau k, et adaptons ce paramètre de niveau au contexte non enraciné. Nous donnons aussi de nouvelles méthodes combinatoires pour reconstruire des réseaux phylogénétiques, à partir de clades - méthode implémentée dans le logiciel Dendroscope - ou de quadruplets. Nous étudions les limites de ces méthodes combinatoires (explosion de complexité, bruit et silence dans les données, ambiguïté des réseaux reconstruits) et la façon de les prendre en compte, en particulier par un pré-traitement des données. Finalement, nous illustrons les résultats de ces méthodes de reconstruction sur des données réelles avant de conclure sur leur utilisation dans une méthodologie globale qui intègre des aspects statistiques

Phylogenetic networks generalize the tree concept to model Evolution, by allowing edges between branches inside the tree to reflect genetic material exchanges between coexisting species. Lots of combinatorial approaches have been designed to reconstruct networks from data extracted from a set of contradictory gene trees. These approaches can be divided into several categories depending on the kind of input, i.e. triplets, quartets, clusters and splits, and on the kind of structure restrictions they impose on reconstructed networks. We particularly analyze the structure of one class of such restricted networks, namely level-k phylogenetic networks, and adapt this level parameter to the unrooted context. We also give new combinatorial methods to reconstruct phylogenetic networks from clusters - implemented in Dendroscope - or quartets. We study the limits of combinatorial methods (complexity explosion, noise and silence in the data, ambiguity in the reconstucted network), and the way to tackle them, in particular with an appropriate data preprocessing. Finally we illustrate the results of these reconstruction methods on a dataset, and we conclude on how to use them in a global methodology which integrates statistical aspects., Les réseaux phylogénétiques généralisent le modèle de l'arbre pour décrire l'évolution, en permettant à des arêtes entre les branches de l'arbre d'exprimer des échanges de matériel génétique entre espèces coexistantes. De nombreuses approches combinatoires - fondées sur la manipulation d'ensembles finis d'objets mathématiques - ont été conçues pour reconstruire ces réseaux à partir de données extraites de plusieurs arbres de gènes contradictoires. Elles se divisent en plusieurs catégories selon le type de données en entrée (triplets, quadruplets, clades ou bipartitions) et les restrictions de structure sur les réseaux reconstruits. Nous analysons en particulier la structure d'une classe de réseaux restreints, les réseaux de niveau k, et adaptons ce paramètre de niveau au contexte non enraciné. Nous donnons aussi de nouvelles méthodes combinatoires pour reconstruire des réseaux phylogénétiques, à partir de clades - méthode implémentée dans le logiciel Dendroscope - ou de quadruplets. Nous étudions les limites de ces méthodes combinatoires (explosion de complexité, bruit et silence dans les données, ambiguïté des réseaux reconstruits) et la façon de les prendre en compte, en particulier par un pré-traitement des données. Finalement, nous illustrons les résultats de ces méthodes de reconstruction sur des données réelles avant de conclure sur leur utilisation dans une méthodologie globale qui intègre des aspects statistiques

National audience; Avec l'avènement du monde numérique pour la photographie, les photos prises lors d'événements familiaux ou autres réunions sociales font apparaître des groupes cohérents de personnes intéressants dans l'optique des réseaux sociaux. Dans cet article, nous montrons les différentes analyses et conclusions que l'on peut tirer de ces photos sociales. Ces résultats peuvent contribuer à donner les réponses les plus appropriées pour différents objectifs sur les réseaux ou groupes de personnes identifiés. L'organisation du réseau de photos utilise des méthodes d'analyse formelle de concepts. Mots-clés : Photos sociales , Réseaux sociaux, Analyse formelle de concepts, Diagrammes de Hasse. Techniques et outils de conception,Interfaces utilisateur, Environnements interactifs, Théorie des graphes, Algorithmes de Graphes.

Doctorat en Sciences, info:eu-repo/semantics/nonPublished