Transcriptomique spatiale par imagerie : analyse de données FISH multiplexées et intégration scRNA-seq en Présentiel
Dernière mise à jour : 03/07/2026
Description
Cette formation introduit les méthodes de traitement et d'analyse pratique des données de transcriptomique spatiale sous Python, pour passer de données brutes d' imagerie à des résultats interprétables et reproductibles.
1er jour - Fondamentaux et traitement des données.
Concepts, tour d'horizon des techniques image based et sequencing based
Workflow général du traitement et de l'analyse des données
Transformation des données brutes (images de microscopie) en données de transcriptomique spatiale. Cas d'études : MERFISH avec Starfish
2ème jour - Analyse des données ST
Présentation Scverse (SpatialData, differents librairies, resources, etc…)
Gene expression matrix Preprocessing and Filtering
Downstream Analysis using scVerse tools
3ème jour - Introduction Analyse avancées et Restitution
Advanced analysis: Integration with scRNAseq, Trajectory, …
Mini projet/jeux par groupe sur données publiées (3 datasets à trouver) et présentation aux autres groupes
Bilan, FAQ…
Objectifs de la formation
Inventorier les approches de transcriptomique spatiales et reconnaître leurs spécificités (caractéristiques/forces/faiblesses)
Acquérir les bases du traitement et de l'analyse de données de transcriptomique spatiales
Se Familiariser avec les outils de l'écosystème d'analyse de transcriptomique spatiales sur Python
Construire un pipeline d'analyse de données de transcriptomique spatiale
Public visé
Chercheurs, ingénieurs et techniciens en biologie et bio-informatique
Professionnels souhaitant analyser des données de transcriptomique spatiale ou reproduire des méthodologies issues de publications scientifiques
Prérequis
Modalités pédagogiques
Format de la formation :
Présentiel, 8h de cours et 13h de TD/TP. TD/TP sur ordinateur individuel. Travail en groupe de 2 pour 4h30
Moyens et supports pédagogiques
Liste des ressources pédagogiques :
Les notebooks et présentations de la formation seront mises à disposition sur un dépôt github/gitlab.
Equipement :
Machine virtuelle dans le cloud sur IFB Biosphere, accès via ordi salle Bioinformatique de l'IGFL
Utilisation ordinateur portable accepté mais non requise