SequencesViewer : comment rendre accessible des motifs séquentiels de gènes trop nombreux ?

Arnaud Sallaberry (1, 2, 3) , Nicolas Pecheur (4) , Sandra Bringay (5, 6) , Mathieu Roche (7) , Maguelonne Teisseire (8, 5)

1 LaBRI - Laboratoire Bordelais de Recherche en Informatique
2 GRAVITE - Graph Visualization and Interactive Exploration
3 PIKKO
4 LIRMM - Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier
5 TATOO - Fouille de données environnementales
6 UPVM - Université Paul-Valéry - Montpellier 3
7 TEXTE - Exploration et exploitation de données textuelles
8 UMR TETIS - Territoires, Environnement, Télédétection et Information Spatiale

Les techniques d'extraction de connaissances ppliquées aux gros volumes de données, issus de l'analyse de puces ADN, permettent de découvrir des connaissances jusqu'alors inconnues. Or, ces techniques produisent de très nombreux résultats, difficilement exploitables par les experts. Nous proposons un outil dédié à l'accompagnement de ces experts dans l'appropriation et l'exploitation de ces résultats. Cet outil est basé sur trois techniques de visualisation (nuages, systèmes solaire et treemap) qui permettent aux biologistes d'appréhender de grandes quantités de motifs séquentiels (séquences ordonnées de gènes).

Domaines: Recherche d'information [cs.IR]; Interface homme-machine [cs.HC]; Sciences du Vivant [q-bio]

Arnaud Sallaberry, Nicolas Pecheur, Sandra Bringay, Mathieu Roche, Maguelonne Teisseire. SequencesViewer : comment rendre accessible des motifs séquentiels de gènes trop nombreux ?. EGC: Extraction et Gestion des Connaissances, Jan 2010, Hammamet, Tunisie. pp.387-392. ⟨hal-00538972⟩