Certificat de spécialisation Bio-informatique avancée
Lieu de
formation :
Non proposé en présentiel au Cnam HdF, nous contacter pour possibilité de formation à distance et hybride
Code
diplôme/certificat:
CS8800A
CS8800A
27
crédits
Niveau d'entrée
Aucun niveau requis
Niveau de sortie
Aucun niveau spécifique
Public et conditions d'accès
Etudiants, biologistes, chercheurs, ingénieurs, informaticiens exerçant en entreprise ou dans le public
Niveau d'admission : bac + 3
Pré-requis : STA101 « Analyse des données : méthodes descriptives »
BNF104 « Utilisation et applications de la bio-informatique » ou équivalent
Niveau d'admission : bac + 3
Pré-requis : STA101 « Analyse des données : méthodes descriptives »
BNF104 « Utilisation et applications de la bio-informatique » ou équivalent
Objectifs pédagogiques
Former des biologistes, techniciens, ingénieurs à la bio-informatique en leur proposant une
introduction aux systèmes informatiques (BNF101), une introduction à la programmation pour
la bio-informatique (BNF102, BNF103), une introduction aux applications de la bio-informatique
(BNF104) et une initiation aux statistiques (STA109). Pour ces personnes-là soucieuses d'aller
plus loin, pour les personnes désireuses de pouvoir afficher une expertise polyvalente en
bio-informatique dans leur curriculum vitae, il est rapidement nécessaire de renforcer ces
acquis avec des compétences avancées en drug design, en traitement des données à haut débit,
en mathématiques et algorithmes avancés pour la bio-informatique et en fouille de données.
Des unités d'enseignement dédiées existent déjà au CNAM (BNF201, BNF202, BNF203 et
STA211). Nous souhaitons souligner leur complémentarité et la cohérence thématique compte
tenu des besoins actuels de nos auditeurs et des compétences qui sont actuellement
recherchées par les recruteurs
introduction aux systèmes informatiques (BNF101), une introduction à la programmation pour
la bio-informatique (BNF102, BNF103), une introduction aux applications de la bio-informatique
(BNF104) et une initiation aux statistiques (STA109). Pour ces personnes-là soucieuses d'aller
plus loin, pour les personnes désireuses de pouvoir afficher une expertise polyvalente en
bio-informatique dans leur curriculum vitae, il est rapidement nécessaire de renforcer ces
acquis avec des compétences avancées en drug design, en traitement des données à haut débit,
en mathématiques et algorithmes avancés pour la bio-informatique et en fouille de données.
Des unités d'enseignement dédiées existent déjà au CNAM (BNF201, BNF202, BNF203 et
STA211). Nous souhaitons souligner leur complémentarité et la cohérence thématique compte
tenu des besoins actuels de nos auditeurs et des compétences qui sont actuellement
recherchées par les recruteurs
Organisation, stages, projets, mémoire et conditions de délivrance du diplôme (ou certificat)
Les participants devront valider les différentes UE de cours (examen écrit : note 10/20 requise). RAPPEL du règlement : valider les enseignements et le projet avec une moyenne générale supérieure ou égale à 10/20, sans note inférieure à 8, dans un délai maximum de 4 ans
Description de la formation
Ce certificat de spécialisation permet de renforcer les connaissances acquises en licence professionnelle de bioinformatique (ou via le certificat de compétences), avec des compétences avancées en drug design, en traitement des données à haut débit,en mathématiques et algorithmes avancés pour la bio-informatique et en fouille de données.
BNF201
6 ects
BNF202
6 ects
BNF203
6 ects
STA211
9 ects
|
Compétences et débouchés professionnels
Le certification de spécialisation forme le ou la bio-informaticienne aux compétences qui lui permettront d'être autonome dans la mise en oeuvre de processus avancés et innovants d'analyse de données bio-informatiques.
* Savoir automatiser le traitement des données : contrôle qualité, imputation, visualisation, etc.
* Savoir mettre en oeuvre un traitement reproductible des données (Jupyter, R Markdown)
* Interpréter de façon critique les résultats statistiques dans un domaine centré sur les données massives
* Maîtriser les logiciels de modélisation moléculaire (prédiction de structure 3D, docking, drug design)
* Connaître les principales nouvelles technologies (les données -omiques, de la génomique à la transcriptomique, et la biologie intégrative et des systèmes), les spécificités des données produites par ces technologies et le type d'analyse qui en découle
* Maîtriser les notions, les langages de programmation et des programmes essentiels pour l'analyse de données génomiques (Python, R, shell, applications dédiées) et les applications en médecine de précision ou en génétique des populations
* Comprendre les fondements mathématiques et algorithmiques d'applications en génomique (techniques bayésiennes, chaînes de Markov par exemple pour le phasage des génotypes)
* Savoir mettre en oeuvre des méthodes de fouille de données et d'apprentissage statistique (intelligence artificielle) : SVM, réseaux de neurones, deep learning, etc.
* Savoir automatiser le traitement des données : contrôle qualité, imputation, visualisation, etc.
* Savoir mettre en oeuvre un traitement reproductible des données (Jupyter, R Markdown)
* Interpréter de façon critique les résultats statistiques dans un domaine centré sur les données massives
* Maîtriser les logiciels de modélisation moléculaire (prédiction de structure 3D, docking, drug design)
* Connaître les principales nouvelles technologies (les données -omiques, de la génomique à la transcriptomique, et la biologie intégrative et des systèmes), les spécificités des données produites par ces technologies et le type d'analyse qui en découle
* Maîtriser les notions, les langages de programmation et des programmes essentiels pour l'analyse de données génomiques (Python, R, shell, applications dédiées) et les applications en médecine de précision ou en génétique des populations
* Comprendre les fondements mathématiques et algorithmiques d'applications en génomique (techniques bayésiennes, chaînes de Markov par exemple pour le phasage des génotypes)
* Savoir mettre en oeuvre des méthodes de fouille de données et d'apprentissage statistique (intelligence artificielle) : SVM, réseaux de neurones, deep learning, etc.
