Aller au contenu

Développer une pipeline de protéogénomique en temps réel

Sommaire

DIRECTION DE RECHERCHE
Marie Brunet, Professeure - Département de pédiatrie
UNITÉ(S) ADMINISTRATIVE(S)
Faculté de médecine et des sciences de la santé
Département de pédiatrie
Département de biochimie et de génomique fonctionnelle
CYCLE(S)
3e cycle

Description du projet

Lors d'expériences de protéomique par spectrométrie de masse (MS), le spectromètre reçoit plus de peptides qu'il ne peut en analyser à un temps donné. Pour combler ce problème, les appareils actuels selectionnent seulement les N peptides plus abondants pour fragmentation. 
L'inconvénient est que les protéines les plus abondantes sont ainsi très bien détectées avec de nombreux peptides (excès d'information), mais les protéines moins abondantes sont difficilement détectées (manque d'information). Pour résoudre cela on souhaite éditer en temps réel une liste d'exclusion. Ainsi, lorsqu'une protéine a accumulé suffisamment d'évidence, elle est ajoutée à la liste d'exclusion (MealTime-MS: Pelletier, et al., 2020). Mais, ces algorithmes d'apprentissage automatisé s'arrêtent à une classification par groupes de protéines, et ne permettent pas l'identification de protéines isoformes ou mutées avec certitude. 

Vous mènerez le développement d'un algorithme d'apprentissage automatisé pour éditer en temps-réel la liste d'exclusion du spectromètre de masse avec une résolution peptidique nécessaire en protéogénomique.

Exigences particulières:

Connaissance de python (>= 3.0), navigation dans un système linux, fondamentaux en statistiques et algorithmes d'intelligence artificielle.

Discipline(s) par secteur

Sciences de la santé

Biologie cellulaire, Biologie moléculaire, Génétique

Sciences naturelles et génie

Biologie et autres sciences connexes, Génie physique, Informatique, Mathématiques appliquées, Statistiques

Financement offert

Oui

La dernière mise à jour a été faite le 2 novembre 2023. L’Université se réserve le droit de modifier ses projets sans préavis.