User Tools

Site Tools


sg:welcome

Équipe statistique et génome

logo-sg

Cette équipe du LaMME consituait le laboratoire Statistique et Génome avant le 1er janvier 2014.

Thématiques de recherche

Nos thèmes de recherche touchent aux statistiques et à la bio-informatique

  • tests multiples
  • apprentissage en grande dimension
  • sélection de modèles
  • statistique génétique
  • modèle d'évolution de séquences
  • gènes dupliqués

Voir les publications de l'équipe.

Missions

Notre but est de développer des méthodes originales pour l’analyse de données biologiques, issues majoritairement de la biologie moléculaire.

Plus précisément, les progrès immenses de la technologie inondent les banques de données d’une information très riche et très variée, que la communauté scientifique n’est même plus à même d’exploiter raisonnablement. Un exemple illustre les changements d’échelle dans l’obtention des données : le Projet Génome Humain – auquel participait la Génopole d’Évry –, lancé en 1990, a mis 14 ans pour obtenir une séquence “complète” de ce génome. Les techniques modernes permettent de séquencer le génome d’un individu en… deux jours !

Par ailleurs ces données se diversifient : à côté des séquences chromosomiques on dispose de séquences protéiques, d’informations de plus en plus précises sur leurs conformations dans l’espace ; mais aussi de “données d’expression” relatant quels gènes sont actifs dans les différentes conditions d’existence, donc quelles protéines sont présentes – voire en quelle quantité ; on a aussi compris que les gènes-à-protéines ne sont pas les seuls et que d’autres produisent toutes sortes d’ARN (les ARN messagers, ribosomiques, de transfert, les “small”-ARN, …), dont la présence ou la quantité sont mesurées ; on est capable de mesurer directement certaines interactions entre protéines (CHIP-chips, par exemple) ou entre diverses molécules ; ajoutons d’une part les données phénotypiques (comment réagit l’organisme) et les données bibliographiques qui rassemblent tout ce qui précède.

Il est clair que l’information pertinente ne peut être tirée de cet amas de données que si :

  1. on dispose d’ordinateurs puissants pour stocker et classer l’information ;
  2. on dispose de méthodes extrêmement performantes pour les traiter.

On a donc besoin de méthodes, fondant des algorithmes rapides et efficaces et de telles méthodes doivent bien sûr être conçues, améliorées et mises en œuvre sur la base d’analyses statistiques appropriées.

Notre équipe est par nature une équipe de Mathématiques. Elle est – jusqu’à présent – évaluée par la Commission 01 (Mathématiques) du CNRS et par le Conseil Scientifique du Département MIA (Mathématiques et Informatique Appliquées) de l’INRA. Son fonctionnement est donc celui d’une équipe de Mathématiques, dont le but premier est dans des revues, si possible de haut niveau, en Mathématiques, et d’intervenir dans des congrès et des colloques.

Mais c’est aussi une équipe que le CNRS a placée à l’interface avec la biologie. Comme toute équipe de Mathématiques Appliquées, elle a donc deux autres objectifs :

  1. rendre effectives et disponibles les méthodes élaborées théoriquement, c’est à dire implémenter des logiciels efficaces et conviviaux et promouvoir leur emploi par la communauté des biologistes ;
  2. interagir avec cette communauté, ce qui signifie accorder une importance aux résultats qui pourront être obtenus par les biologistes grâce à nos méthodes et nos logiciels ; en conséquence, il nous faut être à l’écoute de leurs problématiques et privilégier un développement ayant une pertinence pour le généticien à un développement menant à une belle théorie déconnectée de toute réalité.

Bien évidemment, le flux scientifique doit aller dans les deux sens, et cette démarche n’a de sens que si la résolution de problèmes de biologie induit en retour des développement internes à la discipline mathématique, à la démonstration de nouveaux résultats théoriques, à l’élaboration de nouvelles procédures validées par des démonstrations.

Membres actuels

Invités 2016

(2 semaines en décembre).

(1 semaines en septembre).

Invités 2014

  • Ana Arribas-Gil, Universidad Carlos III, Madrid (2 semaines en janvier, 1 semaine en mai, 1 semaine en juin).

Invités 2013

Invités 2012

  • Bernd Klaus, Universität Leipzig (2 mois, Février à Mars).
  • Dave Campbell, Université Simon Fraser (1 mois en juin).
  • Oksana Chkrebtii, Université Simon Fraser (7 au 21 juin).
  • Kousuke Hanada, Riken Plant Science Center, Japan (1 mois en juin).

Invités 2011

  • Eric Kolaczyk, Boston University (3 mois à mi-temps avec l'ENSAE, du 15/09 au 15/12).

Invités 2010

Anciens membres

Les anciens membres sont ordonnés des plus récents aux plus anciens.

Nom nouvelle affectation
Devauchelle Claudine PR Univ. Angers
Lemler Sarah MCF Centrale-Supélec
Falconnet Mikael Professeur CPGE
Matias Catherine DR CNRS- UMR CNRS 7599
Whalley Justin
Kwemou Marius Post-doc
Le Floch Édith Centre National de Génotypage (CNG), CEA
Nguyen Van Hanh Université d'Agriculture de Hanoi
Birmelé Étienne PR, MAP5 Paris Descartes
Bouaziz Matthieu
Charbonnier Camille LITIS, Univ. Rouen
Jeanmougin Marine PostDoc Institut Curie
Latouche Pierre Maître de Conférences, Université Paris 1 Sorbonne
Grasseau Gilles Laboratoire Leprince-Ringuet
Zanghi Hugo ingénieur R&D, Exalead
Miele Vincent Laboratoire de Biométrie et Biologie Evolutive, UCB, Lyon
Picard Franck CR2 CNRS, Laboratoire de Biométrie et Biologie Evolutive, UCB, Lyon
Nuel Grégory CR1 CNRS, MAP5, Université Paris Descartes
Lèbre Sophie Maître de Conférences, LSIIT, Strasbourg
Vergne Nicolas Maître de Conférence, LMRS, Rouen
Hoebeke Mark INRA MaIAGE
Delorme Marie-Odile Atelier de BioInformatique - Université Paris VI
Guedj Mickaël Pharnext
Pasek Sophie Systématique adaptation et évolution, Université Paris 6
Richard Hugues Maître de Conférences, UPMC
Risler Jean-Loup retraite
Robelin David IR INRA, Toulouse
Slaoui Yousri Post-Doc, France Telecom

Publications

2017
[1]
Stanislas, V., Dalmasso, C. & Ambroise, C. Eigen-Epistasis for detecting Gene-Gene interactions. BMC Bioinformatics, 18:54, BioMed Central, 2017. implementation
[2]
Tabouy, T., BARBILLON, P. & Chiquet, J. Variational Inference for Stochastic Block Models from Sampled Data. , 2017., (working paper or preprint). implementation
[3]
[4]
Savall, J.F., Franqueville, D., Barbillon, P., Benhamou, C., Durand, P.P., Taupin, M.L., Monod, H. & Drouet, J.L.J.L. Sensitivity analysis of spatio-temporal models describing nitrogen transfers, transformations and losses at the landscape scale. , 2017., (working paper or preprint). implementation
[5]
Champion, M., Chiquet, J., Neuvial, P., Elati, M. & Birmele, E.E. Identification of deregulated transcription factors involved in subtypes of cancers. , 2017., (working paper or preprint). implementation
[6]
Bussy, S., Guilloux, A., Gaiffas, S. & Jannot, A.S. C-mix: a high dimensional mixture model for censored durations, with applications to genetic data. , 2017., (working paper or preprint). implementation
[7]
Huet, S. & Taupin, M.L. Metamodel construction for sensitivity analysis. , 2017., (working paper or preprint). implementation
[8]
Alaya, M.Z., Bussy, S., Gaiffas, S. & Guilloux, A. Binarsity: a penalization for one-hot encoded features. , 2017., (working paper or preprint). implementation
2016
[9] (Theses)
[10] (Theses)
[11]
Brouard, C., Szafranski, M. & d'Alche-Buc, F. Input output kernel regression: Supervised and semi-supervised structured output prediction with operator-valued kernels . Journal of Machine Learning Research, 17:(elec. proc.), Journal of Machine Learning Research, 2016. implementation
[12]
Carapito, R., Jung, N., Kwemou, M., Untrau, M., Michel, S., Pichot, A., Giacometti, G., Macquin, C., Ilias, W., Morlon, A., Kotova, I., Apostolova, P., Schmitt-Graeff, A., Cesbron, A., Gagne, K., Oudshoorn, M., van der Holt, B., Labalette, M., Spierings, E., Picard, C., Loiseau, P., Tamouza, R., Toubert, A., Parissiadis, A., Dubois, V., Lafarge, X., Bertrand, M., Bertrand, F., Vago, L., Ciceri, F., Paillard, C., Querol, S., Sierra, J., Fleischhauer, K., Nagler, A., Labopin, M., Inoko, H., von dem Borne, P., Kuball, J.H.E., Ota, M., Katsuyama, Y., Michallet, M., Lioure, B., Peffault De Latour, R., Blaise, D., Cornelissen, J.J., Yakoub-Agha, I., Claas, F., Moreau, P., Milpied, N., Charron, D., Mohty, M., Zeiser, R., Socie, G. & Bahram, S. Matching for the non-conventional MHC-I MICA gene significantly reduces the incidence of acute and chronic GVHD. Blood, American Society of Hematology, 2016. implementation
[13]
Guilloux, A., Lemler, S. & Taupin, M.L. Adaptive estimation of the baseline hazard function in the Cox model by model selection, with high-dimensional covariates. Journal of Statistical Planning and Inference, 171:38-62, Elsevier, 2016. implementation
[14]
Becu, J.M., Grandvalet, Y., Ambroise, C. & Dalmasso, C. Beyond support in two-stage variable selection. Statistics and Computing, 26:1-11, Springer Verlag (Germany), 2016. implementation
[15]
Guilloux, A., Lemler, S. & Taupin, M.L. Adaptive kernel estimation of the baseline function in the Cox model with high-dimensional covariates. Journal of Multivariate Analysis, 148:141-159, Elsevier, 2016. implementation
[16]
[17]
Celisse, A., Marot, G., Pierre-Jean, M. & Rigaill, G. New efficient algorithms for multiple change-point detection with kernels. , 2016., (working paper or preprint). implementation
[18]
2015
[19]
[20] (Theses)
[21]
Chevalier, E., Vath, V.L., Roch, A. & Scotti, S. Optimal exit strategies for investment projects. Journal of Mathematical Analysis and Applications, 425(2):666-694, Elsevier, 2015.
[22]
Pierre-Jean, M., Rigaill, G. & Neuvial, P. Performance evaluation of DNA copy number segmentation methods. Briefings in Bioinformatics, 16(4), Oxford University Press (OUP), 2015. implementation
[23]
Dalmasso, C., Carpentier, W., Guettier, C., Camilleri-Broet, S., Vendramini Borelli, W., Campos dos Santos, C.R., Castaing, D., Duclos-Vallee, J.C. & Broet, P. Patterns of chromosomal copy-number alterations in intrahepatic cholangiocarcinoma. BMC Cancer, 15:126, BioMed Central, 2015. implementation
[24]
Picchetti, T., Chiquet, J., Elati, M., Neuvial, P., Nicolle, R. & Birmele, E.E. A model for gene deregulation detection using expression data. BMC Systems Biology, BioMed Central, 2015. implementation
[25]
Dehman, A., Ambroise, C. & Neuvial, P. Performance of a blockwise approach in variable selection using linkage disequilibrium information. BMC Bioinformatics, pages 14, BioMed Central, 2015. implementation
[26]
Latouche, P., Birmele, E. & Ambroise, C. Handbook of Mixed Membership Models and Their Applications. , pages 547-568Chapman and Hall, 2015.
[27]
[28]
Becu, J.M., Grandvalet, Y., Ambroise, C. & Dalmasso, C. Significance testing for variable selection in high-dimension. In Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB), pages 1-8, IEEE, 2015. implementation
[29]
[30]
[31]
[32]
Brouard, C., d'Alche-Buc, F. & Szafranski, M. Input Output Kernel Regression. , 2015., (working paper or preprint). implementation
[33]
Becu, J.M., Grandvalet, Y., Ambroise, C. & Dalmasso, C. Beyond Support in Two-Stage Variable Selection. , 2015., (working paper or preprint). implementation
[34]
[35]
[36]
Kwemou, M., Taupin, M.L. & Tocquet, A.S. MODEL SELECTION IN LOGISTIC REGRESSION. , 2015., (working paper or preprint). implementation
2014
[37] (Theses)
[38] (Theses)
[39]
Latouche, P., Birmele, E. & Ambroise, C. Model Selection in Overlapping Stochastic Block Models. Electronic Journal of Statistics, 8:762-794, 2014.
[40]
Dedecker, J., Samson, A. & Taupin, M.L. Estimation in autoregressive model with measurement error. ESAIM Probab. \& Stat., 18():277-307, 2014., (http://dx.doi.org/10.1051/ps/2013037). implementation
[41]
Lemler, S. Oracle inequalities for the Lasso in the high-dimensional Aalen multiplicative intensity model. Accepted in Les Annales de l'Institut Henri Poincaré, 00(?), 2014. implementation
[42]
Pierre-Jean, M., Rigaill, G. & Neuvial, P. Performance evaluation of DNA copy number segmentation methods. Briefings in Bioinformatics, 2014. implementation
[43]
Chalhoub, B., Denoeud, F., Liu, S., Parkin, I.A.P., Tang, H., Wang, X., Chiquet, J., Belcram, H., Tong, C., Samans, B., Correa, M., Da Silva, C., Just, J., Falentin, C., Koh, C.S., Le Clainche, I., Bernard, M., Bento, P., Noel, B., Labadie, K., Alberti, A., Charles, M., Arnaud, D., Guo, H., Daviaud, C., Alamery, S., Jabbari, K., Zhao, M., Edger, P.P., Chelaifa-Ammari, H., Tack, D., Lassalle, G., Mestiri, I., Schnel, N., Le Paslier, M.C., Fan, G., Renault, V., Bayer, P.E., Golicz, A.A., Manoli, S., Lee, T.H., Dinh Thi, V.H., chalabi, s., Hu, Q., Fan, C., Tollenaere, R., Lu, Y., Battail, C., Shen, J., Sidebottom, C.H.D., Wang, X., Canaguier, A., Chauveau, A., Berard, A., Deniot, G., Guan, M., Liu, Z., Sun, F., Lim, Y.P., Lyons, E., Town, C.D., Bancroft, I., Wang, X., Meng, J., Ma, J., Pires, J.C., King, G.J., Brunel, D., Delourme, R., Renard, M., Aury, J.M., Adams, K.L., Batley, J., Snowdon, R.J., Tost, J., Edwards, D., Zhou, Y., Hua, W., Sharpe, A.G., Paterson, A.H., Guan, C. & Wincker, P. Early allopolyploid evolution in the post-Neolithic[i] Brassica napus[/i] oilseed genome. Science, 345(6199):950-953, American Association for the Advancement of Science, 2014. implementation
[44]
Hahn, G., Bujan, A.F., Fregnac, Y., Aertsen, A., Kumar, A. & Brunel, N. Communication through Resonance in Spiking Neuronal Networks. PLoS Computational Biology, 10(8):e1003811, Public Library of Science, 2014. implementation
[45]
Jeanmougin, M., Charbonnier, C., Guedj, M. & Chiquet, J. Probabilistic Graphical Models for Genetics, Genomics and Postgenomics. , ():xxx, Oxford University Press, 2014.
[46]
Chazottes, J., Cuny, C., Dedecker, J., Fan, X. & Lemler, S. Limit theorems and inequalities via martingale methods. In ESAIM: Proceedings, 44():177-196, , 2014.
[47]
Laloe, D., Jaffrezic, F., Chiquet, J. & Gaultier, M. FLPCA: a fused-LASSO PCA-based approach to identify footprints of selection in differentiated populations from dense to SNP data: applications to human and cattle data. In Proceedings of the International Biometric Conference, Florence, Italy, ():, , 2014.
[48]
[49]
[50]
Brunel, N.J.B. & Clairon, Q. A Tracking Approach to Parameter Estimation in Linear Ordinary Differential Equations. , 2014., (working paper or preprint). implementation
2013
[51]
Chelaifa, H., Chague, V., Chalabi, S., Mestiri, I., Arnaud, D., Deffains, D., Lu, Y., Belcram, H., Huteau, V., Chiquet, J., Coriton, O., Just, J., Jahier, J. & Chaloub, B. Prevalence of gene expression additivity in genetically stable wheat allohexaploids. New Phytologist, 197(3):730-736, 2013.
[52]
Chevalier, E., Ly Vath, V. & Scotti, S. An optimal dividend and investment control problem under debt constraints. SIAM J. Financial Math., 4(1):297-326, 2013. implementation
[53]
Chiquet, J. & Limnios, N. Stochastic Reliability and Maintenance Modeling. , 9():, Springer, 2013.
[54]
Chiquet, J., Mary-Huard, T. & Robin, S. Multi-trait genomic selection via multivariate regression with structured regularization. In Proceedings of the MLCB NIPS'13 workshop, ():, , 2013.
[55]
Dehman, A., Ambroise, C. & Neuvial, P. Incorporating linkage disequilibrium blocks in Genome-Wide Association Studies. In JOBIM proceeding 2013, ():, , 2013.
[56]
Gutierrez, P., Rigaill, G. & Chiquet, J. A fast homotopy algorithm for a large class of weighted classification problems. In Proceedings of the MLCB NIPS'13 workshop, South lake Thao, ():, , 2013.
[57]
[58]
[59]
Pierre-Jean, M. Change-point detection with kernel methods : application to DNA copy number signals. , 2013., (45e Journées de Statistiques de la SFDS , Toulouse).
[60]
2012
[61] (Theses)
[62]
Acuna, V., Birmele, E., Cottret, L., Crescenzi, P., Jourdan, F., Lacroix, V., Marchetti-Spaccamela, A., Marinov, A., Vieira Milreu, P., Sagot, M.F. & Stougie, L. Telling Stories: Enumerating maximal directed acyclic graphs with a constrained set of sources and targets. Theoretical Computer Science, 457(2):1-9, 2012.
[63]
Ambroise, C. & Matias, C. New consistent and asymptotically normal parameter estimates for random graph mixture models. Journal of the Royal Statistical Society: Series B, 74(1):3-35, 2012. implementation
[64]
Bouaziz, M., Paccard, C., Guedj, M. & Ambroise, C. SHIPS: Spectral Hierarchical Clustering for the Inference of Population Structure in Genetic Studies. PloS One, 7(10):e45685, 2012.
[65]
Chiquet, J., Grandvalet, Y. & Charbonnier, C. Sparsity with sign-coherent groups of variables via the cooperative-Lasso. The Annals of Applied Statistics, 6(2):795-830, 2012. implementation
[66]
Didier, G., Corel, E., Laprevotte, I., Grossmann, A. & Devauchelle, C. Variable length local decoding and alignment-free sequence comparison. Theoretical Computer Science, 462():1-11, 2012. implementation
[67]
Dillies, M., Rau, A., Aubert, J., Hennequet-Antier, C., Jeanmougin, M. & Servant, N. A comprehensive evaluation of normalization methods for Illumina high-throughput RNA sequencing data analysis. Briefings in Bioinformatics, xx():, 2012. implementation
[68]
Guergnon, J., Dalmasso, C., Broet, P., Meyer, L., Westrop, S., Imami, N., Vicenzi, E., Morsica, G., Tinelli, M., Poma, B., Goujard, C., Potard, V., Gotch, F., Casoli, C., Cossarizza, A. & others, O. Single Nucleotide Polymorphism-defined Class-I and Class-III MHC genetic subregions contribute to natural long-term non progression in HIV infection. Journal of Infectious Diseases, 205(5):718-24, 2012.
[69]
Latouche, P., Birmele, E. & Ambroise, C. Variational Bayesian Inference and Complexity Control for Stochastic Block Models. Statistical Modelling, 12(1):93-115, 2012. implementation
[70]
Prum, B. Chaînes de Markov et absorption ; application à l'algorithme de Fu en génomique. J. Société Française de Statistique, 152 n°2():37-51, 2012.
[71]
Bouaziz, M., Jeanmougin, M. & Guedj, M. Multiple-testing in large-scale genetic studies. , ():, Bonin A, Pompanon F eds, Methods in Molecular Biology Series, Humana Press., 2012.
[72]
[73]
[74]
[75]
[76]
Lim, T., y, , Sahut, J.M. & Scotti, S. Bid-ask spread modelling, a perturbation approach. , 2012.
[77]
Pierre-Jean, M. Segmentation de données génomiques en cancérologie. , 2012., (Journée annuelle du groupe Biopharmacie et Santé de la SFDS).
2011
[78]
[79]
Bouaziz, M., Ambroise, C. & Guedj, M. Accounting for Population Stratification in Practice: a Comparison of the Main Strategies Dedicated to Genome-Wide Association Studies. PLOS one, 6(12):, 2011. implementation
[80]
Broet, P., Dalmasso, C., Tan, E., Alifano, M., Zhang, S., Wu, J., Lee, M., Regnard, J., Lim, W., Koong, H., Agasthian, T., Miller, L., Camilleri-Broet, S. & Tan, P. Genomic Profiles Specific to Patient Ethnicity in Lung Adenocarcinoma. Clinical Cancer Research, 17(11):3542-50, 2011.
[81]
Chiquet, J., Grandvalet, Y. & Ambroise, C. Inferring Multiple Graphical Structures. Statistics and Computing, 21(4):537-553, 2011. implementation
[82]
Dalmasso, C. & Broet, P. Detection of chromosomal abnormalities using high resolution arrays in clinical cancer research. Journal of Biomedical Informatics, (doi:10.1016/j.jbi.2011.06.003):, 2011. implementation
[83]
Jeanmougin, M., Guedj, M. & Ambroise, C. Defining a robust biological prior from Pathway Analysis to drive Network Inference.. J-SFdS, 152(2):, 2011. implementation
[84]
Latouche, P., Birmele, E. & Ambroise, C. Overlapping Stochastic Block Models with Application to the French Political Blogosphere. Annals of Applied Statistics, 5(1):309-336, 2011.
[85]
Chiquet, J., Grandvalet, Y. & Charbonnier, C. Sparsity with sign-coherent groups of variables via the cooperative-Lasso. In Proceedings of SPARS'11, Edimburgh, ():, , 2011.
[86]
Chiquet, J. Réseaux biologiques. , 2011., (La gazette des mathématiciens No. 130 pp. 76--82). implementation
[87]
2010
[88]
Charbonnier, C., Chiquet, J. & Ambroise, C. Weighted-Lasso for Structured Network Inference from Time Course Data. Statistical Applications in Genetics and Molecular Biology, 9(1):, 2010. implementation
[89]
Corel, E., Pitschi, F., Laprevotte, I., Grasseau, G., Didier, G. & Devauchelle, C. MS4 - Multi-Scale Selector of Sequence Signatures: An alignment-free method for classification of biological sequences. BMC Bioinformatics, 11(406):, 2010., (doi:10.1186/1471-2105-11-406). implementation
[90]
Jeanmougin, M., de Reynies, A., Marisa, L., Paccard, C., Nuel, G. & Guedj, M. Should We Abandon the t-Test in the Analysis of Gene Expression Microarray Data: A Comparison of Variance Modeling Strategies. PLoS ONE, 5(9):e12336, 2010. implementation
[91]
Pitschi, F., Devauchelle, C. & Corel, E. Automatic detection of anchor points for multiple sequence alignment. BMC Bioinformatics, 11(445):, 2010. implementation
[92]
Zanghi, H., Picard, F., Miele, V. & Ambroise, C. Strategies for Online Inference of Network Mixture. Annals of Applied Statistics, 4(2):687-714, 2010. implementation
[93]
Zanghi, H., Volant, S. & Ambroise, C. Clustering based on random graph model embedding vertex features. Pattern Recognition Letters, 31(9):830-836, 2010.
[94]
, (eds). La démarche statistique. , (), Cépaduès, 2010.
[95]
Charbonnier, C., Chiquet, J. & Ambroise, C. Weighted-Lasso for Structured Network Inference for Time-Course data. In JOBIM'10, Montpellier, 2010.
[96]
Chiquet, J., Grandvalet, Y. & Ambroise, C. Inferring Multiple Graphical Structures. In Workshop MODGRAPHII, JOBIM'10, Montpellier, 2010.
[97]
Grandvalet, Y., Chiquet, J. & Ambroise, C. Inferring Multiple Regulatkon Ndtorks. In Proceedings of the MLCB NIPS'10 Workshop, Vancouver, 2010.
[98]
Grandvalet, Y., Chiquet, J. & Ambroise, C. Inférence jointe de la structure de modèles graphiques gaussiens. In actes de CAp'10, Clermont-Ferrand, 2010.
2009
[99]
Ambroise, C., Chiquet, J. & Matias, C. Inferring sparse Gaussian graphical models with latent structure. Electronic Journal of Statistics, 3():205-238, 2009. implementation
[100]
Chiquet, J., Smith, A., Grasseau, G., Matias, C. & Ambroise, C. SIMoNe: Statistical Inference for MOdular NEtworks. Bioinformatics, 25(3):417-418, 2009. implementation
[101]
Durot, C., Lebarbier, E. & Tocquet, A.S. Estimating the joint distribution of independent categorical variables via model selection. Bernoulli, 15(2):475-507, 2009.
[102]
Oudot, T., Lesueur, F., Guedj, M., de Cid, R., McGinn, S., Heath, S., Foglio, M., Prum, B., Lathrop, M., Prud'homme, J. & Fischer, J. An association study of 22 candidate genes in psoriasis families reveals shared genetic factors with other autoimmune and skin disorders. J Invest Dermatol., 129(11):2637-45, 2009.
[103]
Picard, F., Miele, V., Daudin, J.J., Cottret, L. & Robin, S. Deciphering the connectivity structure of biological networks using MixNet. BMC Bioinformatics, 10(Suppl 6):S17, 2009.
[104]
Tian, Z., Rizzon, C., Du, J., Zhu, L., Bennetzen, J., Gaut, B., Jackson, S. & Ma, J. Do genetic recombination and gene density shape the pattern of DNA elimination in rice LTR-retrotransposons?. Genome Res., 19(12):2221-30, 2009. implementation
[105]
Ambroise, C. & Dang, M. Data Analysis. , ():289-318, Wiley, 2009.
[106]
Latouche, P., Birmele, E. & Ambroise, C. Advances in Data Analysis, Data Handling and Business Intelligence. , ():229-239, springer, 2009. implementation
[107]
Chiquet, J., Charbonnier, C. & Ambroise, C. SIMoNe : Statistical Inference of Modular Network. In Workshop MODGRAPH, JOBIM'09, Nantes, 2009.
[108]
Latouche, P., Birmele, E. & Ambroise, C. Uncovering overlapping clusters in biological networks. In Journées ouvertes en biologie, informatique et mathématiques (Jobim). Nantes, 2009.
2008
[109]
Birmele, E., Elati, M., Rouveirol, C. & Ambroise, C. Identification of functional modules based on transcriptional regulation structure. BMC Proceedings, 2((Suppl 4):S4):, 2008.
[110]
Guedj, M., Nuel, G. & Prum, B. A note on allelic tests in case-control association studies. Annals of Human Genetics, 72():407-409, 2008. implementation
[111]
Guedj, M., Bourillon, A., Combadieres, C., Rodero, M., Dieude, P., Descamps, V., Dupin, N., Wolkenstein, P., Aegerter, P., Lebbe, C., Basset-Seguin, N., Prum, B., Saiag, P., Grandchamp, B. & Soufir, N. Variants of the MATP/SLC45A2 gene are protective for melanoma in the French population. Human Mutation, 29():1154-1160, 2008. implementation
[112]
Zanghi, H., Ambroise, C. & Miele, V. Fast Online Graph Clustering via Erdös Renyi Mixture. Pattern Recognition, 41(12):3592-3599, 2008.
2007
[113]
Avalos, M., Grandvalet, Y. & Ambroise, C. Parsimonious additive models. CSDA, 51(6):2851-2870, 2007.
[114]
Didier, G., Debomy, L., Pupin, M., Zhang, M., Grossmann, A., Devauchelle, C. & Laprevotte, I. Comparing sequences without alignments: application to HIV/SIV subtyping. BMC Bioinformatics, 8():1, 2007.
[115]
Garnier, S., Dieude, P., Michou, L., l, , Bardin, T., Prum, B. & Cornelis, F. IRF5 rs2004640-T allele, the new genetic factor for systemic lupus erythematosus, is not associated with rheumatoid arthritis. Ann. Rheum. Dis., 66():828-831, 2007.
[116]
Gaut, B., Wright, S., Rizzon, C., Dvorak, J. & Anderson, L. Recombination: an underappreciated factor in the evolution of plant genomes.. Nat Rev Genet., 8():77-84, 2007.
[117]
Jacq, L., Garnier, S., Dieude, P., Michou, L., l, , Prum, B., Bardin, T. & Cornelis, F. The ITGAV rs3738919-C allele is associated with and linked to rheumatoid arthritis in the European Caucasian population: a family-based study. Arthritis Research \& Therapy, 9(R63):, 2007.
[118]
Michou, L., Lasbleiz, S., l, , Prum, B., Bardin, T., Dieude, P. & Cornelis, F. Linkage proof for PTPN22, the new rheumatoid arthritis susceptibility gene, a human autoimmunity gene. Proc. Natl. Acad. Sci. USA, 104():1649-1654, 2007.
[119]
Same, A., Ambroise, C. & Govaert, G. An online Classification EM algorithm based on the mixture model. Statistics and Computing, 17(3):209-218, 2007.
[120]
, (eds). Analyse Statistique des Séquences Biologiques. , (), Hermes Sciences, 2007.
[121]
Corel, E., El Feghali, R., Gerardin, F., Hoebeke, M., Nadal, M., Grossmann, A. & Devauchelle, C. Local Similarities and Clustering of Biological Sequences : New Insights from N-local Decoding. In The First International Symposium on Optimization and Systems Biology (OSB 2007), Lecture Notes in Operations Research(7):189-195, World Publishing, 2007. implementation
[122]
Corel, E., El Feghali, R., Gerardin, F., Hoebeke, M., Nadal, M., Louis, A., Laprevotte, I., Grossmann, A. & Devauchelle, C. Local Similarities and Clustering of Biological Sequences. In Actes de JOBIM 2007, pages 69-71, 2007.
2006
[123]
Anderson, L., Lai, A., Stack, S., Rizzon, C. & Gaut, B. Uneven distribution of expressed sequence tag loci on maize pachytene chromosomes.. Genome Res., 16():115-22, 2006.
[124]
Drouaud, J., Camilleri, C., Bourguignon, P., l, , Prum, B., Quesneville, H. & Mezard, C. Free Full Text Variation in crossing-over rates across chromosome 4 of Arabidopsis thaliana reveals the presence of meiotic recombination “hot spots”.. Genome Research, 16():106-114, 2006.
[125]
Michou, L., Croiseau, P., l, , Prum, B., Clerget, F. & Cornelis, F. Confirmation of the Shared Epitope Allele Classification. Arthritis Research and Therapy, 28():79-, 2006.
[126]
Nicolas, P., Tocquet, A.S., Miele, V. & Muri, F. A Reversible Jump Markov Chain Monte-Carlo Algorithm for Bacterial Promoter Motifs Discovery. Journal of Computational Biology, 13(3):651-667, 2006.
[127]
Rizzon, C., Ponger, L. & Gaut, B. Striking similarities in the genomic distribution of tandemly arrayed genes in Arabidopsis and rice.. PLoS Comput Biol., 2(9):e115, 2006.
[128]
Zhu, X., Ambroise, C. & McLachlan, G. Selection bias in working with the top genes in supervised classification of tissue samples. Statistical Methodology, 3():29-41, 2006.
[129]
Prum, B. & Tocquet, A.S. The use of Markov Models and Hidden Markov Models in genomics. In Mathematical and computational methods in biology, (), Herman, 2006.
[130]
Miele, V., Vaillant, C., D'Aubenton, Y., Robelin, D., Prum, B. & Thermes, C. DNA sequence drives nucleosome occupancy of yeast promoters. In Proceeding of JOBIM, 2006.
[131]
[132]
[133]
2005
[134]
Bekaert, M., Richard, H., Prum, B. & Rousset, J. Identification of programmed translational -1 frameshifting sites in the genome of Saccharomyces cerevisiae. Genome Research, 10():1411-1420, 2005.
[135]
Dieude, P., Garnier, S., Michou, L., l, , Prum, B. & Cornelis, F. Rheumatoid arthritis seropositive for the rheumatoid factor is linked to the protein tyrosine phosphatase nonreceptor 22-620W allele. Arthritis Research \& Therapy, 7():, 2005.
[136]
Tezenas du Montcel, S., Michou, L., l, , Prum, B., Cornelis, F. & Clerget, F. New classification of HLA-DRB1 alleles support the shared epitope hypothesis of rheumatoid arthritis susceptibility. Arthritis Rheumatism, 52(1063-1068):, 2005.
[137]
Weyer-Menkoff, J., Devauchelle, C., Grossmann, A. & Grunewald, S. Integer linear programming as a tool for constructing trees from quartet data. Comput Biol Chem, 29(3):196-203, 2005.
[138]
2004
[139]
Dieude, P., Osorio, J., l, , Prum, B. & Cornelis, F. A TNFR1 genotype with a protective role in familial rheumatoid arthritis.. Arthritis Rheumatism, 50():413-419, 2004.
[140]
Osorio , J., Bukulmez, H., Petit-Teixeira, E., Michou, L., l, , Prum, B., Olson, J. & Cornelis, F. Dense genome-wide linkage analysis of rheumatoid arthritis including covariates. Arthritis Rheumatism, 50():2557-2565, 2004.
[141]
, (eds). Analyzing microarray gene expression data. , (), Wiley, 2004. implementation
[142]
Prum, B., Bourguignon, P., Guedj, M., Kepes, F., Matias, C., Nuel, G. & Omont, N. La recherche de gènes impliqués dans une maladie, collaboration avec Genset-Serono. , 2004., (Matapli 74 p23-41).
2003
[143]
Durot, C. & Tocquet, A.S. On the distance between the empirical process and its concave majorant in a monotone regression framework. Ann. I. H. Poincaré, Probabilités \\& Statistique, 39():217-240, 2003.
[144]
Goldstein, D., Fondrat, C., Muri, F., Nuel, G., Saragueta, P., Tocquet, A.S. & Prum, B. Short inverse complementary amino-acid sequences generate protein complexity. C. R. Acad. Sci. Biologie, 326():339-348, 2003.
[145]
Lerat, E., Rizzon, C. & Biemont, C. Sequence divergence within transposable element families in the Drosophila melanogaster genome.. Genome Res., 13():1889-96, 2003.
[146]
Leuteneger, A., Prum, B., Genin, E., Verny, C., Lemainque, A., Clerget, F. & Thompson, E. Estimation of the inbreeding coefficient through use of genomic data. Am. J. Hum. Genet., 73():516-523, 2003.
[147]
Rizzon, C., Martin, E., Marais, G., Duret, L., Segalat, L. & Biemont, C. Patterns of selection against transposons inferred from the distribution of Tc1, Tc3, and Tc5 insertions in the mut-7 line of the nematode Caenorhabditis elegans.. Genetics, 165():1127-1135, 2003.
2002
[148
Dieude, P., Petit, E., l, , Prum, B. & Cornelis, F. Association Between Tumor Necrosis Factor Receptor II and Familial, but Not Sporadic, Rheumatoid Arthritis. Arthritis Rheumatism, 46():2039-2044, 2002.
[149]
Nicolas, P., Bize, L., Muri, F., Hoebeke, M., Rodolphe, F., Ehrlich, S., Prum, B. & Bessieres, P. Mining Bacillus Subtilis chromosome heterogeneities using hidden Markov models. Nucleic Acids Research, 30():1418-1426, 2002.
[150]
Rizzon, C., Marais, G., Gouy, M. & Biemont, C. Recombination rate and the distribution of transposable elements in the Drosophila melanogaster genome.. Genome Res., 12():400-407, 2002.
[151]
[152]
2001
[153]
Durot, C. & Tocquet, A.S. Goodness of fit test for isotonic regression. ESAIM, Probabilités \\& Statistique, 5():119-140, 2001.
[154]
Muri, F. & Prum, B. Une approche statistique de l'analyse des génomes. La Gazette des Mathématiciens, 89():63-98, 2001.
[155]
Tocquet, A.S. Likelihood based inference in nonlinear regression models using the p* and R* approach. Scandinavian Journal of Statistics, 28():429-443, 2001.
[156]
[157]
2000
[158]
Goldstein, D., Muri, F., Saragueta, P. & Prum, B. Inverse Complementary homologues of cysteine signatures. CRAS Sciences de la Vie, 323(2):167-172, 2000.
[159]
[160]
1999
[161]
Bize, L., Muri, F., Samson, F., Rodolphe, F., Ehrlich, S., Prum, B. & Bessieres, P. Searching gene transfers on Bacillus Subtilis using hidden Markov models. In Recomb'99 Proceedings of the Third Annual International Conference on Computational Molecular Biology, 1999.
[162]
sg/welcome.txt · Last modified: 2017/11/21 15:35 by Christophe Ambroise

Page Tools