Sophie Lèbre

Aller à : navigation, rechercher

Maître de conférences au sein du département Mathématiques et Informatique Appliquées (MIAp) de l'Université Paul Valéry Montpellier 3.
Membre de l'équipe Probabilité et Statistiques de l'Institut Montpelliérain Alexander Grothendieck (IMAG).
Co-responsable du Master MIASHS (Mathématiques et Informatique pour les Sciences Humaines et Sociales), master en alternance sur les 2 années M1-M2.

Thèmes de recherche

Sélection de variables, extraction de caractéristiques
Modèles graphiques, Réseaux bayésiens dynamiques.
Inférence bayésienne, algorithmes MCMC, partage d'information.
Applications dans 2 domaines biologiques : Régulation de l'expression des gènes et modèles d'évolution de séquence ADN.

Logiciels

BinomialMix : The binomialMix package provides a clustering method for longitudinal and non gaussian data. It uses an EM algorithm for GLM. [Bousquet et al., 2020] [Vignette]
DCODE : Traversal graph algorithm for listing linear n-peptide constraints for overlapping protein regions [Lèbre and Gascuel, 2017]
EDISON : Estimation of Directed Interactions from Sequences Of Nonhomogeneous gene expression, extension du package R ARTIVA , un algorithme MCMC developpé sous R pour l'estimation de réseaux bayésiens dynamiques à structure variable au cours du temps avec partage d'information entre les structures de réseau successives [Dondelinger et al., 2012].
ARTIVA : Auto Regressive TIme VArying model, un algorithme MCMC developpé sous R pour l'estimation de réseaux bayésiens dynamiques à structure variable au cours du temps [Lèbre et al., 2010].
G1DBN, un package R pour la reconstruction de réseaux génétiques : inférence d'un réseau bayésien dynamique à partir d'indépendence d'ordre 1. Disponible depuis le site du CRAN. [Lèbre, 2009]
MTDMarkov, un algorithme EM pour l'estimation des paramètres du modèle MTD (ou Mixture Transition Distribution model), un modèle de Markov parsimonieux. Développé en collaboration avec V. Miele (CNRS, Evry) et disponible depuis la library seq ++ [Lèbre and Bourguignon, 2008].

Publications

MELANGE DE GLM POUR LA PREDICTION

From mixture of longitudinal and non-gaussian advertising data to Click-Through-Rate prediction
F. Bousquet, S. Lèbre and C.Lavergne, C., 24th European Conference on Artificial Intelligence (ECAI 2020).

MODELES D'EXPRESSION DE GENES : EXTRACTION D'INFORMATION DE SEQUENCE

Identification of long regulatory elements in the genome of Plasmodium falciparum and other eukaryotes
C. Menichelli, V. Guitard, R. M. Martins, S. Lèbre, J.-J. Lopez-Rubio, C.-H. Lecellier, L. Bréhélin, Plos Computational Biology, 2021, [Article]
Probing transcription factor combinatorics in different promoter classes and in enhancers
J. Vandel, O. Cassan, S. Lèbre, C.-H. Lecellier and L. Bréhélin, BMC Genomics, 2019, 20:103. [Article] [Preprint]
Probing instructions for expression regulation in gene nucleotide compositions
C. Bessière, M. Taha M., F. Petitprez, J. Vandel, J.-M. Marin, L. Bréhélin, S. Lèbre and C.-H. Lecellier, PLoS Computational Biology, Public Library of Science, 2018, 14 (1). [Article] [Preprint] [Supp. Mat.]

ANALYSE DE SEQUENCE : GENOME ET MODELES D'EVOLUTION

The combinatorics of overlapping genes
S. Lèbre, O. Gascuel, Journal of Theoretical Biology, 2017, 415:90–101. [Article] [Preprint]
Genome Evolution by Transformation, Expansion and Contraction (GETEC)
E. Benard, S. Lèbre, C. J. Michel, Biosystems, 2015, 135:15–34. [Article]
A new molecular evolution model for Limited Insertion Independent of Substitution
S. Lèbre, C. J. Michel, Mathematical Biosciences, 2013, 245:137-147, [Article]
An Evolution Model for Sequence Length Based on Residue Insertion–Deletion Independent of Substitution: An Application to the GC Content in Bacterial Genomes
S. Lèbre, C. J. Michel, Bulletion of Mathematical Biology, 2012, 74:8. [Article][Preprint]
An evolution model for residue Insertion-Deletion Independent from Substitution (IDIS)
S. Lèbre, C. J. Michel, Computational Biology and Chemistry, 2010, 34:5-6. [Article] [Preprint]

INFERENCE DE RESEAUX

Articles
- Non-homogeneous dynamic Bayesian networks with Bayesian regularization for inferring gene regulatory networks with gradually time-varying structure
  F. Dondelinger, S. Lèbre, D. Husmeier, Machine Learning, 2013, Vol 90, Iss. 2, 191-230.[Article][Preprint]
- Wisdom of crowds for robust gene network inference
  D. Marbach et al., Nature Methods, 2012. [Article][Preprint]
- Dynamic Bayesian networks in molecular plant science: inferring gene regulatory networks from multiple gene expression time series
  F. Dondelinger, D. Husmeier and S. Lebre, Euphytica, 2012, 183 (3), 361-377. [Article] [Preprint]
- Inter-time segment information sharing for non-homogeneous dynamic Bayesian networks
  D. Husmeier, F. Dondelinger, S. Lèbre. Proceedings of the The Neural Information Processing Systems NIPS 2010.
- Heterogeneous Continuous Dynamic Bayesian Networks with Flexible Structure and Inter-Time Segment Information Sharing
  F. Dondelinger, S. Lèbre, D. Husmeier. Proceedings of the International Conference on Machine Learning (ICML) 2010.
- Statistical inference of the time-varying structure of gene-regulation networks
  S. Lèbre, J. Becq, F. Devaux, M. P. H. Stumpf, G. Lelandais, BMC Systems Biology, 2010, 4:130. [Article][Preprint]
- Inferring dynamic bayesian network with low order independencies
  S. Lèbre, Statistical Applications in Genetics and Molecular Biology, 2009: Vol. 8: Iss. 1, Article 9. [Article] [Supplementary Material] [Preprint 1][Preprint 2]
- An EM algorithm for estimation in the Mixture Transition Distribution Model
  S. Lèbre and P-Y. Bourguignon, Journal of Statistics Computation and Simulation, 2008: Vol. 78 Iss. 8, 713. [Article] [Preprint]
Livre
- Bayesian Networks in R with Applications in Systems Biology
  R. Nagarajan, M. Scutari, S. Lèbre, Springer-Verlag Use R series, Use R!: Vol. 48. Springer. [Livre]
Chapitres de livre
- Nonhomogeneous Dynamic Bayesian Networks in Systems Biology
  S. Lèbre, F. Dondelinger, D. Husmeier, In Next Generation Microarray Bioinformatics : Methods and Protocols
  (J. Wang, A. C. C. Tan, T. Tian) Series: Methods in Molecular Biology, 2012, Vol. 802, Chapitre 13, pp. 199-213. [Livre] [Chapitre]
- Recovering Genetic Network from Continuous Data with Dynamic Bayesian Networks
  G. Lelandais and S. Lèbre, In Handbook of Statistical Systems Biology (eds M. P. H. Stumpf, D. J. Balding and M. Girolami), John Wiley & Sons, Ltd, Chichester, UK, 2011, Chapitre 12 [Livre][Chapitre].
- Modeling a Regulatory Network Using Temporal Gene Expression Data: Why and How?
  S. Lèbre and G. Lelandais, In Automation in Genomics and Proteomics: An Engineering Case-Based Approach: MIT and Harvard interdisciplinary special studies courses
  (R. Benson, G. Alterovitz and M. Ramoni, ed.), Mars 2009, Chapitre 4. [Livre]
Mémoire de thèse : Analyse de processus stochastiques pour la génomique : étude du modèle MTD et inférence de réseaux bayésiens dynamiques. [PDF]

Co-encadrements de thèses

Océane Cassan (2019-XXX)
Sujet: Inférence statistique des voies de régulation épigénétiques et transcriptomiques chez Arabidopsis thaliana en réponse au changement climatique.
Co-encadrement avec Antoine Martin (BPMP, Montpellier).
Florent Bascou (2019-XXX)
Sujet: Modèles linéaires généralisés parcimonieux avec variables d'interactions
Co-encadrement avec Joseph Salmon (IMAG, Montpellier).
Raphaël Roméro (2018-XXX)
Sujet: Prédiction des sites de fixation des facteurs de transcription
Co-encadrement avec Laurent Bréhélin (LIRMM, Montpellier), Charles Lecellier (IGMM, Montpellier), et Jean-Michel Marin (IMAG, Montpellier).
Faustine Bousquet (2017-XXX), thèse CIFRE, TabMo Montpellier.
Sujet : Prédiction des réponses utilisateurs à une campagne de publicité mobile
Co-encadrement avec Christien Lavergne (IMAG, Montpellier).
May TAHA (2015-2018).
Sujet : Probing sequence-level instructions for gene expression. [Manuscrit de thèse]
Co-encadrement avec Laurent Bréhélin (LIRMM, Montpellier), Charles Lecellier (IGMM, Montpellier), et Jean-Michel Marin (IMAG, Montpellier).
Actuellement chargée de recherches en Biostatistique chez BIOASTER, Lyon.

Principaux Enseignements

Probabilités et statistique (Estimation et tests).
Logique et ensembles (Connecteurs logiques, Théorie des ensembles, Applications, Relations, Démonstrations).
Fouille de données (Classification supervisée et non supervisée, Analyse de données en grande dimension, Recherche opérationnelle).
Bases de données : modélisation, conception et langage SQL (mysql, postgresql, sqlplus, open office base).
Programmation Orientée Objet (Java).
Bioinformatique (Inférence de réseaux de régulation de gènes).

CV

Depuis Sept. 2015 : Maître de conférences au sein du département MIAp de l'Université Paul Valéry Montpellier 3.
2008-2015 : Délégation CNRS au Centre d’études d’agents Pathogènes et Biotechnologies pour la Santé (CPBS) dans le cadre de l'Institut de Biologie Computationnelle (IBC), Montpellier.
2008-2015 : Maître de conférences à l' Université de Strasbourg, membre de l'équipe Bioinformatique théorique, Fouille de données et Optimisation stochastique du laboratoire ICube.
2007-2008 : Post-doctorat au Centre for Bioinformatics, Imperial College London.
2004-2007 : Thèse de mathématiques appliquées sous la direction de Bernard Prum, au sein du Laboratoire Statistique et Génome, Evry.
Titre : "Analyse de processus stochastiques pour la génomique : étude du modèle MTD et inférence de réseaux bayésiens dynamiques", manuscrit disponible ici.

Contact

Sophie Lèbre
Maître de conférences
 
Université Paul Valéry Montpellier 3
UFR6 - département MIAp
Bureau B.109
courriel : sophie.lebre @ univ-montp3.fr

IMAG - UMR 5149
Equipe probabilité et statistique
Bureau 9.313
courriel : sophie.lebre @ umontpellier.fr