Le microbiote intestinal humain permet de prévenir les infections, de stimuler l’immunité ou encore de réduire les inflammations. La réduction des coûts de séquençage de l’ADN permet d’étudier plus facilement ces microorganismes. Cependant, ces techniques génèrent de grandes quantités de données qui sont complexes à analyser, surtout pour les biologistes. La plateforme Auvergne Sequence Analyses of Intestinal Microbiota (ASAIM) est développée afin d’offrir une solution à ces problématiques.

1. ASAIM
Traitement “Big Data” en Biologie
Bérénice Batut
Post-doctorante - EA CIDAM
Yuta Onada

2. Génomique
2



3. Génomique
3





4. Génomique
4






5. Génomique
5









6. Métagénomique
6









7. Métagénomique
7























8. Métagénomique
8



























9. Outils de métagénomique
9

10. Outils de métagénomique
10





11. Solution idéale
Facilité d’utilisation par les biologistes
11

12. Solution idéale
Facilité d’utilisation par les biologistes
Gestion de données massives et complexes
12

13. Solution idéale
Facilité d’utilisation par les biologistes
Gestion de données massives et complexes
Traitement rapide et complet des données
13

14. Solution idéale
Facilité d’utilisation par les biologistes
Gestion de données massives et complexes
Traitement rapide et complet des données
Modularité
14

15. Solution proposée
Connection
Raw read upload
Pipeline, parameters
and metadata
definitions
File and data
saving
Pipeline job
submission
Computer
cluster
Waiting job
interrogation and
execution
Result sending
and formating
Email sending with
a link toward result
webpage
Users
Web interface Pipeline
interface
15

16. Pipeline














16

17. Pipeline


































 17

18. Principaux verrous
Gestion du workflow modulaire
Gestion et stockage des données massives
Durée des traitements et des analyses
Choix outils à utiliser pour chaque étape
Gestion des mises à jours des outils et bases de
données utilisés
Tests automatiques des sorties
Nombreuses librairies à installer
Gestion du flux d’utilisateurs
18

19. Projet CPER Auvergne
19





20. Principaux verrous
Gestion du workflow modulaire
Gestion et stockage des données massives
Durée des traitements et des analyses
Choix outils à utiliser pour chaque étape
Gestion des mises à jours des outils et bases de
données utilisés
Tests automatiques des sorties
Nombreuses librairies à installer
Gestion du flux d’utilisateurs
20