CHOIX 1

Voir la page complète

Module d’enseignement tourné vers le monde professionnel, avec des introductions générales sur des thématiques pré-définies ciblant la valorisation biotechnologique des microorganismes (antimicrobiens, microbiote, probiotiques, virologie appliquée...) suivies d’interventions d’industriels venant présenter leur parcours, leur société et/ou le développement d’un projet. Cette UE couvre aussi bien les biotechnologies rouges (applications santé), que les autres couleurs des biotechnologies (vertes/agronomie, bleues/marines, blanches/industrielles, jaunes/environnementales).

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

La phylogénie est une quête d'indices évolutifs. Le but de ce module est de rappeler l'existence de phylogénies de gènes dans des phylogénies d'espèces, les modalités de représentation des histoires évolutives sous forme d'arbres, et le pari de l'homologie moléculaire positionnelle grâce à l'alignement des séquences. Les principes des méthodes d'inférence phylogénétique sont au cœur des savoirs de cette UE. Les méthodes de distances permettent de souligner les difficultés de séparation de l'homologie et de l'homoplasie, et la nécessité de construire des modèles d'évolution des caractères. L'approche cladistique avec parcimonie maximale permet d'illustrer d'une part l'utilisation du bootstrap pour estimer la solidité des nœuds des phylogénies, et d'autre part l'impact de l'échantillonnage taxonomique pour détecter les substitutions multiples.

Les approches probabilistes sont quant à elles présentées puis approfondies. L'artéfact d'attraction des longues branches conduit à introduire le raisonnement probabiliste. La méthode du maximum de vraisemblance permet d'aborder le calcul de la vraisemblance, l'estimation des paramètres des modèles par optimalité, la construction de différents modèles d'évolution des caractères, ainsi que la comparaison de modèles. L'inférence Bayésienne introduit quant à elle la distinction entre approches par densité versus optimalité. Elle montre alors l'utilisation a priori des densités de probabilités, l'estimation au vu des données des distributions a posteriori des paramètres des modèles, leur approximation par chaînes de Markov avec techniques de Monte Carlo et couplage de Metropolis (MCMCMC), les phases d'allumage et de convergence, et le calcul et l'interprétation des probabilités postérieures des arbres et des clades. L'importance des modèles d'évolution des séquences d'ADN, ARN et protéine et de leur amélioration est soulignée.

Voir la page complète

Voir la page complète