Recherche

Résultats de la recherche

121 results found

SelvarClust (Apprentissage)

Variable selection in model-based clustering.

It is devoted to the variable selection in model-based clustering.

 

It is the greedy algorithm associated to the SR modeling proposed by C. Maugis, G. Celeux and M.-L. Martin-Magniette in [1] and [2], modifying the method of Raftery and Dean [3].

 

This software allows to study data where individuals are described by quantitative block variables. It returns a data clustering and the selected model, composed of the number of clusters, the mixture form and the variable partition.

Auteur(s)
Maugis, C.
Celeux, G.
Martin-Magniette, M.-L.
Porteur(s)
Unité
MIA-Paris
Informations spécifiques
Langage(s) de développement
C++
Langage(s) d'interface
C++
OS supporté
Informations spécifiques
N° de version courante
Non renseigné
Informations spécifiques
Nombre de cœurs
cœurs
Informations spécifiques
Nombre de cœurs
cœurs
Nombre ETP permanent
ETP
Nombre non ETP permanent
ETP

SelvarClustMV (Apprentissage)

Variable selection in model-based clustering, taking into account missing values

It is devoted to the variable selection in model-based clustering, taking into account missing values. It is a greedy algorithm associated to the SR modeling proposed in Maugis et al. (Biometrics, 2009), taking into account missing values. This software allows to study data where individuals are described by quantitative block variables. It returns a data clustering and the selected model, composed of the number of clusters and the variable partition. This software is here only proposed for Gaussian mixtures whose variance matrices are assumed to be identical and free (m=[pkLC]).

Auteur(s)
Maugis-Rabusseau C.
Martin-Magniette M.-L.
Pelletier S.
Porteur(s)
Unité
MIA-Paris
Informations générales
Informations spécifiques
Langage(s) de développement
C++
Langage(s) d'interface
C++
Informations spécifiques
N° de version courante
Non renseigné
Informations spécifiques
Nombre de cœurs
cœurs
Informations spécifiques
Nombre de cœurs
cœurs
Nombre ETP permanent
ETP
Nombre non ETP permanent
ETP

SelvarClustIndep (Apprentissage)

Variable selection in model-based clustering.

It is devoted to the variable selection in model-based clustering. It is a greedy algorithm associated to the SRUW modeling proposed by C.Maugis, G.Celeux and M.-L. Martin-Magniette in [1] and [2], modifying the method of Raftery and Dean [3] and improving our SelvarClust algorithm [4]. The SRUW modeling takes into account the three possible roles: relevant, redundant and independent variables.

This software allows to study datasets where observations are described by quantitative variables. It returns a data clustering and the selected model composed of the number of clusters, the mixture form, the variance matrix form for the linear regression and the independent Gaussian density, and the variable partition.

Porteur(s)
Unité
MIA-Paris
Informations complémentaires
Informations générales
Suivi
Maintenu
Informations spécifiques
Langage(s) de développement
C++
Langage(s) d'interface
C++
OS supporté
Informations spécifiques
N° de version courante
Non renseigné
Informations spécifiques
Nombre de cœurs
cœurs
Informations spécifiques
Nombre de cœurs
cœurs
Nombre ETP permanent
ETP
Nombre non ETP permanent
ETP

Dbmss (Données spatiale & écologie)

Tools to characterize point patterns.

Simple computation of spatial statistic functions of distance to characterize the spatial structures of mapped objects, including classical ones (Ripley's K and others) and more recent ones used by spatial economists (Duranton and Overman's Kd, Marcon and Puech's M). Relies on spatstat for some core calculation.

Auteur(s)
Eric Marcon
Gabriel Lang
Stephane Traissac
Florence Puech
Contact
Eric.Marcon@ecofog.gf
Porteur(s)
Unité
MIA-Paris
Publication de référence
Informations générales
Suivi
Maintenu
Informations spécifiques
Langage(s) de développement
R
Langage(s) d'interface
R
N° de version courante
V2.2-5
Date de la version courante
OS supporté
Type de licence
Informations spécifiques
N° de version courante
Non renseigné
Informations spécifiques
Nombre de cœurs
cœurs
Informations spécifiques
Nombre de cœurs
cœurs
Nombre ETP permanent
ETP
Nombre non ETP permanent
ETP

AR1seg

Implementation of the robust approach for estimating change-points in the mean of an AR(1) Gaussian process

This package corresponds to the implementation of the robust approach for estimating change-points in the mean of an AR(1) Gaussian process by using the methodology described in the paper arXiv 1403.1958

Auteur(s)
S. Chakar
E. Lebarbier
C. Levy-Leduc
S. Robi
Contact
souhil.chakar@agroparistech.fr
Porteur(s)
Unité
MIA-Paris
Publication de référence
Informations générales
Informations spécifiques
Langage(s) de développement
R
Langage(s) d'interface
R
N° de version courante
V1.0
Date de la version courante
OS supporté
Type de licence
Informations spécifiques
N° de version courante
Non renseigné
Informations spécifiques
Nombre de cœurs
cœurs
Informations spécifiques
Nombre de cœurs
cœurs
Nombre ETP permanent
ETP
Nombre non ETP permanent
ETP

HiCseg

Two-dimensional segmentation for analyzing Hi-C data

Motivation: The spatial conformation of the chromosome has a deep influence on gene regulation and expression. Hi-C technology allows the evaluation of the spatial proximity between any pair of loci along the genome. It results in a data matrix where blocks corresponding to (self-)interacting regions appear. The delimitation of such blocks is critical to better understand the spatial organization of the chromatin. From a computational point of view, it results in a 2D segmentation problem.

 

Results: We focus on the detection of cis-interacting regions, which appear to be prominent in observed data. We define a block-wise segmentation model for the detection of such regions. We prove that the maximization of the likelihood with respect to the block boundaries can be rephrased in terms of a 1D segmentation problem, for which the standard dynamic programming applies. The performance of the proposed methods is assessed by a simulation study on both synthetic and resampled data. A comparative study on public data shows good concordance with biologically confirmed regions.

 

Availability and implementation: The HiCseg R package is available from the Comprehensive R Archive Network and from the Web page of the corresponding author.

Auteur(s)
Contact
celine.levy-leduc@agroparistech.fr
Porteur(s)
Unité
MIA-Paris
Informations générales
Suivi
Maintenu
Informations spécifiques
Langage(s) de développement
R
Langage(s) d'interface
R
N° de version courante
V1.1
Date de la version courante
OS supporté
Type de licence
Informations spécifiques
N° de version courante
Non renseigné
Informations spécifiques
Nombre de cœurs
cœurs
Informations spécifiques
Nombre de cœurs
cœurs
Nombre ETP permanent
ETP
Nombre non ETP permanent
ETP

Blockseg

Segments a matrix in blocks with constant values.

Détection de régions corrélées dans des données d’expression, prenant en compte des variations du nombre de copies .

Mots clés
Auteur(s)
Julien Chiquet
Vincent Brault
Contact
julien.chiquet@gmail.com
Porteur(s)
Unité
MIA-Paris
Informations générales
Informations spécifiques
Langage(s) de développement
R
Langage(s) d'interface
R
N° de version courante
V0.2
Date de la version courante
OS supporté
Type de licence
Informations spécifiques
N° de version courante
Non renseigné
Informations spécifiques
Nombre de cœurs
cœurs
Informations spécifiques
Nombre de cœurs
cœurs
Nombre ETP permanent
ETP
Nombre non ETP permanent
ETP

SegCorr

Détection de régions corrélées dans des données d’expression, prenant en compte des variations du nombre de copies.

Performs correlation matrix segmentation and applies a test procedure to detect highly correlated regions in gene expression.

Auteur(s)
Eleni Ioanna Delatola
Emilie Lebarbier
Tristan Mary-Huard
Francois Radvanyi
Stephane Robin
Jennifer Wong
Contact
eldelatola@yahoo.gr
Porteur(s)
Unité
MIA-Paris
Informations complémentaires

Informations générales
Informations spécifiques
Langage(s) de développement
R
Langage(s) d'interface
R
N° de version courante
V1.1
Date de la version courante
OS supporté
Type de licence
Informations spécifiques
N° de version courante
Non renseigné
Informations spécifiques
Nombre de cœurs
cœurs
Informations spécifiques
Nombre de cœurs
cœurs
Nombre ETP permanent
ETP
Nombre non ETP permanent
ETP

MixThres

MixThres est un package permettant la définition d’un seuil d’hybridation à partir de modèles de mélange sur la distribution d’un signal

Even if one of the major applications of two-color DNA microarray hybridizations is to detect differentially expressed genes using intensity log-ratios, single channel signals provide also useful information as absolute value measurements which allow the description of gene expression patterns. In this context, it becomes crucial to determine the set of probes that hybridize, that is for which the intensity signal is greater than a hybridization threshold to be fixed. Existing procedures are either an arbitrary thresholding or require the knowledge of a population of non-hybridized probes. In this work we present the MixThres method to determine an adaptive hybridization threshold from intensity levels of the complete set of probes hybridized on a chip. We define a hybridization threshold based on the histogram of the probe intensity values. Our procedure is divided into two steps. First the intensity distribution is estimated using mixture models. Second a hybridization threshold is defined from the components of the mixture. We validate our method on DNA tiling array and expression array data. We show that our method has a good reproducibility, its specificity is greater than 97 % and its precision of 88 %. The R package MixThres is available at http://www.agroparistech.fr/mia/outil.htm

Auteur(s)
Julie Aubert
Marie-Laure Martin-Magniette
Contact
julie.aubert@agroparistech.fr
Porteur(s)
Unité
MIA-Paris
Département co-porteur
BAP
Publication de référence
Informations générales
Informations spécifiques
Langage(s) de développement
R
N° de version courante
V1.0
Date de la version courante
OS supporté
Type de licence
Informations spécifiques
N° de version courante
Non renseigné
Informations spécifiques
Nombre de cœurs
cœurs
Informations spécifiques
Nombre de cœurs
cœurs
Nombre ETP permanent
ETP
Nombre non ETP permanent
ETP

 

 

Système d'information scientifique MIA classé par unité (UR, UMR)

Logo BIOSP     Logo MISTEA     Logo MIA Toulouse     Logo MaIAGE     Logo MIA Paris