![Page 1: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/1.jpg)
Two modularity-based clustering algorithms and aCytoscape plugin for PPI networks
Laurent Tichit, Philippe Gambette et Alain GuénocheInstitut de Mathématiques de Luminy - CNRS
Université d'[email protected]
16 novembre 2011
![Page 2: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/2.jpg)
Sommaire
1. Partitionnement de graphe
2. Modularité et modularité entière
3. Fusion-Transfert (FT)
4. Transfert-Fusion itératif (TFit)
5. Évaluation
6. Plugin pour Cytoscape
![Page 3: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/3.jpg)
Problème : le partitionnement d'un graphe
Partitionnement d'un réseau : couvrir tous les sommets par desclasses disjointes
![Page 4: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/4.jpg)
Problème : le partitionnement d'un graphe
G = (V ,E ) graphe simple, connexe, |V | = n, |E | = m
Déterminer une partition P = {C1, ...,Ck} ∈ PI en classes connexes
I qui maximise la modularité
I à nb. de classes libre
Notations
I δ symbole de Kronecker habituel
I P(x) la classe de x dans P
I δP(x)P(y) = 1 si x et y sont réunis, δP(x)P(y) = 0 sinon.
![Page 5: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/5.jpg)
La modularité de Newman, 2004
I Proportion d'arêtes ayant une extrémité dans Ci et l'autredans Cj
eij =|E ∩ (Ci × Cj)|
m
I Probabilité pour qu'une arête au hasard ait une extrémité dansCi
ai = eii +12
∑j 6=i
eij
I Modularité
M(P) =∑
i=1,..p
(eii − a2i )
![Page 6: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/6.jpg)
La modularité de Newman
Modularité : qualité dupartitionnement(Newman, 2004)
M(P) =∑
classes Ci
M(Ci )
MCi= eii − (eii +
12
∑j 6=i
eij)2
eij = proportion d'arêtes avec un sommet dans Ci et l'autre dans Cj
![Page 7: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/7.jpg)
La modularité de Newman
Modularité : qualité dupartitionnement(Newman, 2004)
MG =∑
classes Ci
M(Ci )
MCi= eii︸︷︷︸− (eii +
1
2
∑j 6=i
eij)2
︸ ︷︷ ︸proportion proportion d'arêtes
d'arêtes attendue dans la
observées classe Ci s'il n'y
dans la avait pas de
classe Ci communauté
eij = proportion d'arêtes avec un sommet dans Ci et l'autre dans Cj
![Page 8: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/8.jpg)
La modularité de Newman
e11 = 3; e12 = 2; e13 = 1; e14 = 1
M(C1) = 3
90− (
3+ 1
2(2+1+1)
90)2
= 0.0302
Modularité : qualité dupartitionnement(Newman, 2004)
MG =∑
classes Ci
M(Ci )
MCi= eii − (eii +
12
∑j 6=i
eij)2
eij = proportion d'arêtes avec un sommet dans Ci et l'autre dans Cj
![Page 9: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/9.jpg)
Modularité entière (Dutch & Arenas, 2005)
I Soit dx le degré de x dans G ,
I Soit A la matrice d'incidence de G (Axy = 1 ssi (x , y) ∈ E )
dx =∑
(x ,y)∈E
Axy
I Soit B la matrice de terme général Bxy = 2mAxy − dxdy
Q(P) =∑x 6=y
BxyδP(x)P(y)
Proposition (Dutch & Arenas, 2005)
maxM(P) ≡ maxQ(P)
![Page 10: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/10.jpg)
L'algorithme de Fusion-Transfert I
Partie Fusion (hiérarchie) :
I Partir des singletons ;le gain de la fusion de toute paire de classes est w(x , y)
I Tant que W augmenteI réunir les deux classes donnant un gain maximumI mettre à jour les gains de fusion de la nouvelle classe avec les
autres classes
Partie Transfert (optimisation) :
I Pour chaque élément de poids non maximum dans sa classeI Le placer dans la classe où sa contribution est maximum, si
contribution ≥ 0,I Sinon, en faire un singletonI Mettre à jour les contributions aux classes modi�ées
![Page 11: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/11.jpg)
Exemple - Fusion
Graphe G ; m = 9 ; Bxy = 2mAxy − dxdy
Matrice AA B C D E F
B 1
C 1 1
D 0 1 1
E 0 0 0 1
F 0 0 0 0 1
G 0 0 0 0 1 1
Matrice BA B C D E F
B 12
C 12 9
D -6 9 9
E -6 -9 -9 9
F -4 -6 -6 -6 12
G -4 -6 -6 -6 12 14
Q(P) =∑x 6=y
BxyδP(x)P(y)
⇒ Fusion des classes {F} et {G} ⇒ Q(P) = 14
![Page 12: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/12.jpg)
Exemple - Fusion
Graphe G ; m = 9 ; Bxy = 2mAxy − dxdy
Matrice AA B C D E F
B 1
C 1 1
D 0 1 1
E 0 0 0 1
F 0 0 0 0 1
G 0 0 0 0 1 1
Matrice BA B C D E
B 12
C 12 9
D -6 9 9
E -6 -9 -9 9
F,G -8 -12 -12 -12 24
Q(P) =∑x 6=y
BxyδP(x)P(y)
P0 = {A,B,C};P1 = {E ,F ,G};P2 = {D}w(P0) = 12+ 12+ 9;w(P1) = 14+ 12+ 12;w(P2) = 0
![Page 13: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/13.jpg)
Exemple - Fusion
Matrice AA B C D E F
B 1
C 1 1
D 0 1 1
E 0 0 0 1
F 0 0 0 0 1
G 0 0 0 0 1 1
Matrice BA B C D E
B 12
C 12 9
D -6 9 9
E -6 -9 -9 9
F,G -8 -12 -12 -12 24
Où placer D ?
I Conserver le singleton ⇒ w({D}) = 0
I Fusionner avec P0 ⇒ w({D} ∪ {A,B,C}) = −6+ 9+ 9
I Fusionner avec P1 ⇒ w({D} ∪ {E ,F ,G}) = 9− 6− 6
⇒ deux classes {A,B,C ,D} et {E ,F ,G}.
![Page 14: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/14.jpg)
L'algorithme de Fusion-Transfert I
Partie Fusion (hiérarchie) :
I Partir des singletons ;le gain de la fusion de toute paire de classes est w(x , y)
I Tant que W augmenteI réunir les deux classes donnant un gain maximumI mettre à jour les gains de fusion de la nouvelle classe avec les
autres classes
Partie Transfert (optimisation) :
I Pour chaque élément de poids non maximum dans sa classeI Le placer dans la classe où sa contribution est maximum, si
contribution ≥ 0,I Sinon, en faire un singletonI Mettre à jour les contributions aux classes modi�ées
![Page 15: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/15.jpg)
L'algorithme de Fusion-Transfert II
Partie Stochastique :
Répéter
I Partir de la meilleure partition courante π
I Construire une partition aléatoire π′ en échangeant au hasarddes éléments entre classes (nb. d'échanges tiré au hasard)
I Appliquer la partie Transfert π′ → π”
I Si W (π”) >W (π) alors π ← π”
Deux paramètres
I Nb. d'essais (infructueux) consécutifs NbEss
I Nb. maximum d'échanges pour engendrer une partitionaléatoire SwapMax
![Page 16: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/16.jpg)
Complexité polynomiale :O(n3) + O(n2)+ ∼ NbEss × O(n2)
1. Partie Fusion :I Tant que : O(n) itérations
I Trouver les 2 classes à fusionner : O(n2)I Mettre à jour les gains : O(n2)
2. Partie Transfert :I Calculer les poids des éléments : O(n2)I Tant qu'il existe . . . : O(n) itérations
I Élément de poids non maximum : O(n)I L'a�ecter au mieux : O(n)I Mettre à jour les poids : O(n)
3. Partie stochastique :I Appliquer au moins NbEss fois la partie Transfert en O(n2)
![Page 17: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/17.jpg)
Consanguinité des Conseils d'Administration du CAC40
Accor
AirFrance
AirLiq
Alcatel
Alstom
Arcelor
Axa
BNP
Bouygues
CapGemini
Carrefour
CreditAgricole
Danone
Dexia
EADS
EDF
Essilor
GDF
LVMH
Lafarge
Lagardere
Michelin
MicroElec
Oreal
PSA
Pinaut
RenaultRicard
Sanofi
Schneider
SocGen
StGobain
Suez
Telecom
Total
Unibail
Vallourec
Veolia
Vinci
Vivendi
![Page 18: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/18.jpg)
Les classes initiales du CAC 40
I Class 1 : Accor AirFrance AirLiq Danone Dexia EDF PSARenault SocGen Vallourec Veolia : 0.593
I Class 2 : Axa CapGemini Lafarge Michelin Ricard Sano�Schneider Telecom Vinci Vivendi : 0.739
I Class 3 : Alstom Arcelor BNP Bouygues Carrefour EADS GDFLVMH Lagardere MicroElec Pinaut StGobain Suez Total :0.527
I Class 4 : Alcatel CreditAgricole Essilor Oreal Unibail : 0.717
![Page 19: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/19.jpg)
Les classes du CAC 40 sont denses
Accor AirFrance
AirLiq
Alcatel
Alstom
Arcelor
Axa
BNP
Bouygues
CapGemini
CarrefourCreditAgricole
Danone
Dexia
EADS
EDF
Essilor
GDF
LVMH
Lafarge
Lagardere
Michelin
MicroElec
Oreal
PSA
Pinaut
Renault
Ricard
Sanofi
Schneider
SocGen
StGobainSuez
Telecom
TotalUnibail
VallourecVeolia
Vinci
Vivendi
![Page 20: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/20.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Transfert de chaque élémentvers la classe qui améliore le plusla modularité globale
I Fusions de classes qui améliorentla modularité globale
![Page 21: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/21.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 22: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/22.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 23: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/23.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 24: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/24.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 25: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/25.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 26: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/26.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 27: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/27.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 28: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/28.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 29: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/29.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 30: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/30.jpg)
TFit - Transferts - Fusions itérés
Classes :Sommets :
Tant qu'on améliore la modularité :
I Pour chaque sommet, transfertvers la classe qui améliore le plusla modularité (T)
I Pour chaque classe, transfertvers celle qui améliore le plus lamodularité (F)
![Page 31: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/31.jpg)
Benchmarks
graphe n m Opt Louvain N-R FT TFitDolphins 62 159 .5285 .5185 .5276 .5285 .5268polBooks 105 441 .5272 .5266 .5272 .5221 .5269afootball 115 613 .6046 .6046 .6045 .6032 .6046
A01 249 635 .6329 .6145 .6293 .6310 .6294USAir97 332 2126 .3682 .3541 .3678 .3682 .3612netscience 379 914 .8486 .8475 .8474 .8474 .8477
s388 512 819 .8194 .7962 .8143 .8122 .8154
emails 1133 5452 .5438 .5816 .5556 .5747Comparaison de FT et TFit avec d'autres méthodes (Louvain2008, Noack & Rotta 2009) sur une suite de graphes. Partitionsoptimales (Aloise et al. 2010).
![Page 32: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/32.jpg)
Application : ModClust plugin
I Implémentation des deux algorithmes dans un plugin Java pourCytoscape.
I Application à l'analyse de réseaux d'interactionsprotéines-protéines.
![Page 33: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/33.jpg)
Application : ModClust plugin
Fonctionalités :
I Coloration de chaque classe
I Mise en évidence des noeuds connectés à d'autres classes
I Mise en évidence des arêtes inter-classes
I Sélection d'un ensemble de classes pour construire un nouveaugraphe
I Partitionnement itératif
![Page 34: Two modularity-based clustering algorithms and a Cytoscape ...marami-2011.imag.fr/documents/slides_Tichit.pdf · wTo modularity-based clustering algorithms and a Cytoscape plugin](https://reader030.vdocuments.site/reader030/viewer/2022040814/5e5a97c20fbb5f12a377031f/html5/thumbnails/34.jpg)
Application
I Code C et plugin Java téléchargeables surhttp://bioinformatics.lif.univ-mrs.fr
I Remerciements à Anaïs Baudot (IML) et Christine Brun(TAGC, INSERM).
I Travaux �nancés par l'ANR Moonlight (prédiction de protéinesmultifonctionnelles).
Merci