À la croisée des sciences biologiques, de l’informatique algorithmique et des neurosciences comportementales, la bio-informatique constitue aujourd’hui un pilier indispensable pour décrypter les mécanismes moléculaires complexes sous-jacents aux fonctions cognitives et aux troubles mentaux. En convertissant des flux massifs de données génomiques, transcriptomiques et protéomiques en modèles interprétables, cette discipline offre un éclairage inédit sur l’architecture biologique de la pensée, du tempérament et de la vulnérabilité psychopathologique.
Bio-informatique
1. Définition concise
La bio-informatique est une discipline scientifique interdisciplinaire qui conçoit et applique des outils informatiques, mathématiques et statistiques pour acquérir, stocker, analyser et interpréter des ensembles massifs de données biologiques complexes. Dans le champ de la psychologie biologique et des neurosciences, elle permet d’examiner les interactions entre le patrimoine génétique, l’expression cellulaire et le fonctionnement neurocomportemental.
Cette discipline ne se résume pas à un simple ensemble d’outils logiciels d’analyse de données ; elle incarne un cadre conceptuel et analytique sans lequel l’exploration contemporaine des systèmes vivants serait impossible. Face à l’essor des technologies à haut débit, telles que le séquençage d’ADN de nouvelle génération ou la spectrométrie de masse, la bio-informatique formalise les structures du vivant sous forme d’algorithmes et de réseaux interactifs.
Dans le domaine des sciences psychologiques et psychiatriques, la bio-informatique sert de pont entre l’échelle microscopique des polymorphismes nucléotidiques et l’échelle macroscopique des traits de personnalité, des fonctions exécutives et des entités cliniques nosologiques. Elle rend ainsi possible l’identification de signatures moléculaires complexes associées aux troubles neurodéveloppementaux, affectifs et neurodégénératifs.
2. Étymologie et origines linguistiques
Le vocable « bio-informatique » est un mot-valise hybride formé par la préfixation du terme grec ancien bios (βίος), désignant la vie organique ou le mode d’existence, sur le substantif « informatique ». Ce dernier dérive lui-même de la contraction des termes « information » et « automatique », forgée en France en 1962 par l’ingénieur Philippe Dreyfus pour qualifier le traitement automatisé de l’information.
L’émergence formelle de l’expression remonte aux travaux pionniers de la théoricienne des systèmes néerlandaise Paulien Hogeweg et de son collègue Ben Hesper en 1970. Dès son introduction originelle, le terme désignait non pas une simple instrumentation technique, mais l’étude des processus d’information au sein des systèmes biotiques, concevant la cellule et l’organisme comme des dispositifs cybernétiques de traitement sémiotique.
Au cours des années 1980 et 1990, sous l’impulsion du Projet Génome Humain, la communauté internationale anglophone a popularisé l’équivalent bioinformatics. Le terme a progressivement glissé d’une approche philosophique et systémique du vivant vers une science hautement opérationnelle d’analyse des mégadonnées génomiques et structurales, avant d’être réintégré dans le lexique académique francophone sous la forme « bio-informatique » ou « bioinformatique ».
3. Prononciation et forme grammaticale
Sur le plan phonétique, le mot se transcrit dans l’alphabet phonétique international sous la forme /bjɔ.ɛ̃.fɔʁ.ma.tik/. Il s’agit d’un substantif féminin singulier (« la bio-informatique »), dont l’usage au pluriel (« les bio-informatiques ») est rare et réservé à la distinction de sous-spécialités méthodologiques distinctes.
Le terme peut également être employé comme adjectif épithète invariable en genre (« un algorithme bio-informatique », « une analyse bio-informatique »). L’orthographe recommandée par l’Académie française et l’usage prédominant privilégient la forme avec trait d’union (« bio-informatique »), bien que l’agglutination directe (« bioinformatique ») soit couramment observée dans la littérature spécialisée biomédicale francophone contemporaine.
Dans le discours clinique et neuroscientifique, le terme est souvent combiné pour forger des désignations composées de champs spécialisés, telles que la « neuro-bio-informatique », la « bio-informatique psychiatrique » ou la « génomique computationnelle comportementale », illustrant la perméabilité de ses frontières lexicales et conceptuelles.
4. Explication conceptuelle détaillée
La bio-informatique repose sur le postulat central selon lequel les processus biologiques, depuis la transcription de l’ADN jusqu’à la plasticité synaptique, constituent des flux d’information organisés. Sa mission épistémologique consiste à traduire ces phénomènes physico-chimiques en entités mathématiques manipulables (chaînes de caractères, graphes topologiques, matrices multidimensionnelles) afin d’en extraire du sens biologique.
Le périmètre de la discipline s’articule autour de trois paliers interconnectés : le développement d’algorithmes et de modèles mathématiques novateurs, l’ingénierie d’infrastructures computationnelles et de banques de données volumineuses, et l’interprétation biologique approfondie des résultats analytiques. Chacun de ces paliers est soumis à des contraintes computationnelles strictes, notamment en termes de complexité algorithmique, d’efficacité de stockage et de reproductibilité statistique.
Dans le contexte des sciences de l’esprit et du comportement, la bio-informatique fournit un cadre computationnel sans équivalent pour sonder la complexité polygénique. La majorité des phénotypes psychologiques — qu’il s’agisse de l’intelligence fluide, de la réactivité émotionnelle, de la schizophrénie ou du trouble du spectre de l’autisme — ne découlent pas de mutations mendéliennes isolées, mais de constellations dynamiques de milliers de variants génétiques à effet infinitésimal, modulés par des facteurs épigénétiques et environnementaux.
La bio-informatique permet de surmonter ce que les statisticiens nomment le « fléau de la dimensionnalité », situation où le nombre de variables mesurées (par exemple, des millions de polymorphismes mononucléotidiques) excède considérablement le nombre d’individus observés. Grâce à des méthodes d’apprentissage automatique, de régularisation statistique et de biologie des réseaux, elle autorise une modélisation holistique de la machinerie cérébrale sans céder au réductionnisme linéaire naïf.
Enfin, les frontières de la bio-informatique s’étendent aujourd’hui vers l’intégration multi-omique. En articulant simultanément la génomique, l’épigénomique, la transcriptomique à l’échelle de la cellule unique (single-cell RNA-seq) et l’imagerie cérébrale fonctionnelle, elle favorise l’avènement d’une psychiatrie computationnelle prédictive, capable d’associer des profils moléculaires individuels à des trajectoires psychopathologiques concrètes.
5. Développement et évolution historique
L’histoire de la bio-informatique s’enracine dans les années 1960, bien avant la formalisation des grands projets de séquençage automatisé. La physico-chimiste américaine Margaret Dayhoff est unanimement reconnue comme la fondatrice de la discipline ; elle a conçu le premier atlas informatisé des séquences protéiques (Atlas of Protein Sequence and Structure) et inauguré l’utilisation d’ordinateurs centraux pour aligner des séquences d’acides aminés et retracer des relations phylogénétiques dès 1965.
Durant les décennies 1970 et 1980, l’élaboration d’algorithmes fondamentaux de programmation dynamique, tels que les algorithmes de Needleman-Wunsch (1970) et de Smith-Waterman (1981), a doté la communauté de cadres mathématiques rigoureux pour comparer les séquences d’ADN et de protéines. La création de bases de données publiques centralisées, notamment GenBank et la Protein Data Bank (PDB), a posé le socle de la science ouverte en biologie moléculaire.
Les années 1990 ont marqué une accélération spectaculaire avec le lancement du Projet Génome Humain et la mise au point de l’algorithme BLAST (Basic Local Alignment Search Tool) par Altschul et ses collaborateurs en 1990. Cet outil d’alignement heuristique a démocratisé la fouille ultra-rapide des banques de séquences, transformant la biologie expérimentale en une discipline guidée par les données computationnelles.
Au tournant du XXIe siècle, l’apparition du séquençage à haut débit (NGS) a provoqué une rupture paradigmatique. Le coût du séquençage d’un génome complet s’est effondré, passant de plusieurs centaines de millions de dollars à moins de mille dollars en quelques années. Cette transition a généré une explosion exponentielle de données, forçant la bio-informatique à intégrer le calcul distribué, le stockage en nuage (cloud computing) et des protocoles de standardisation rigoureux.
Depuis le milieu des années 2010, l’incorporation de l’apprentissage profond (deep learning) a ouvert une nouvelle ère, incarnée par des avancées révolutionnaires comme les modèles de prédiction du repliement des protéines (AlphaFold). En psychologie biologique et en neurosciences, cette vague technologique a permis le déploiement de vastes consortiums internationaux, à l’image du Psychiatric Genomics Consortium (PGC), qui mobilisent des centaines de milliers de profils génétiques pour cartographier les bases moléculaires des vulnérabilités psychiques.
6. Fondements théoriques et épistémologiques
Sur le plan théorique, la bio-informatique s’appuie sur la théorie mathématique de la communication élaborée par Claude Shannon et Warren Weaver. L’acide désoxyribonucléique y est formellement appréhendé comme un canal d’information discret, caractérisé par un alphabet quaternaire de nucléotides (A, C, T, G), soumis à un bruit thermodynamique et à des altérations mutagènes, mais régulé par des mécanismes d’autoréparation et de rétroaction cybernétique.
Un second socle conceptuel réside dans la théorie des graphes et la science des réseaux complexes, issues des travaux de Duncan Watts, Steven Strogatz et Albert-László Barabási. Plutôt que d’envisager les gènes et les protéines comme des entités atomisées exerçant une causalité univoque sur les phénotypes psychiques, la bio-informatique moderne modélise des réseaux sans échelle (scale-free networks), caractérisés par des nœuds hautement connectés (hubs), une robustesse intrinsèque aux perturbations aléatoires et une vulnérabilité ciblée lors de la défaillance d’éléments centraux.
Sur le versant statistique, la discipline s’ancre profondément dans l’inférence bayésienne et la théorie de la décision sous incertitude. Face au bruit expérimental et aux variations alléliques rarissimes, les méthodes bayésiennes permettent d’intégrer des distributions a priori (issues d’études antérieures d’imagerie cérébrale, d’analyses transcriptomiques ou de données comportementales) pour affiner les estimations de risque génétique individuel.
D’un point de vue épistémologique, la bio-informatique reconfigure le modèle inductif-déductif traditionnel de la recherche scientifique. Elle promeut une épistémologie guidée par les données (data-driven science), où l’exploration computationnelle d’espaces de données massives génère de nouvelles hypothèses biomécaniques et neuropsychologiques, venant compléter la démarche hypothético-déductive classique dominée par l’expérimentation de laboratoire.
7. Composantes clés, types et dimensions
La bio-informatique se déploie en plusieurs sous-domaines complémentaires qui concourent conjointement à l’exploration des substrats neurobiologiques de l’esprit :
- Bio-informatique génomique (analyse de séquences) : Comprend l’assemblage de novo, la cartographie des lectures de séquençage sur un génome de référence, et l’identification fine de variants (polymorphismes mononucléotidiques, indels, variations du nombre de copies – CNV) corrélés aux phénotypes comportementaux.
- Transcriptomique computationnelle et épigénomique : Traite de l’expression différentielle des ARN messagers et des ARN non codants (RNA-seq, single-cell transcriptomics), ainsi que des marques de méthylation de l’ADN et des modifications post-traductionnelles des histones, révélant comment l’environnement et le stress modulent l’activité génique neuronale sans altérer la séquence primaire.
- Bio-informatique structurale : Modélise tridimensionnellement les récepteurs neuronaux, les transporteurs de neurotransmetteurs (comme le transporteur de la sérotonine) et les canaux ioniques, facilitant la compréhension biophysique de l’arrimage des molécules psychoactives et des médicaments psychotropes.
- Biologie des systèmes et analyse de réseaux : Reconstitue les voies de signalisation moléculaires (pathway enrichment), les réseaux d’interaction protéine-protéine (IPP) et les réseaux de co-expression génique spatio-temporels dans les différentes aires du cerveau humain.
- Neuro-bio-informatique et imagerie génomique (imaging genetics) : Intègre les données génétiques avec les biomarqueurs issus de l’imagerie par résonance magnétique (IRM structurelle, fonctionnelle et de diffusion), reliant les génotypes individuels aux altérations de la morphométrie corticale et des circuits neuronaux.
8. Exemples concrets et illustrations de cas
Une illustration majeure de l’apport bio-informatique réside dans l’analyse de la schizophrénie par le consortium PGC. En analysant les génotypes de dizaines de milliers de patients comparativement à des cohortes contrôles à l’aide de pipelines bio-informatiques rigoureux, les chercheurs ont identifié plus de deux cents loci génomiques associés au risque pathologique. L’un des signaux les plus robustes se situe dans la région du complexe majeur d’histocompatibilité (CMH). L’analyse computationnelle a permis de révéler que des variations du nombre de copies du gène du composant du complément 4 (C4) entraînent une augmentation de son expression dans le système nerveux, conduisant à un élagage synaptique excessif durant l’adolescence, un mécanisme central dans l’étiopathogénie de cette pathologie.
Un autre exemple concret concerne le trouble dépressif majeur. L’application d’algorithmes de déconvolution transcriptomique à partir d’échantillons de tissu cérébral post-mortem a permis de différencier les profils d’expression génique des neurones pyramidaux et des cellules microgliales. Les outils bio-informatiques ont mis en lumière une signature inflammatoire spécifique chez les individus ayant souffert de dépression résistante, révélant un dialogue moléculaire dysfonctionnel entre le système immunitaire cérébral et la transmission monoaminergique.
Dans le domaine du trouble du spectre de l’autisme (TSA), des pipelines bio-informatiques d’apprentissage automatique appliqués au séquençage d’exomes complets ont identifié des mutations de novo délétères au sein de réseaux hautement coordonnés régissant la synaptogenèse et le remodelage de la chromatine. Ces découvertes ont permis de substituer à l’ancienne conception clinique unitaire du spectre autistique une cartographie de sous-groupes étiologiques distincts, ouvrant la voie à des approches psycho-éducatives et pharmacologiques personnalisées.
9. Mesure, instrumentation et évaluation
La quantification des données en bio-informatique repose sur une chaîne outillée sophistiquée articulant langages de programmation scientifique, plateformes matérielles de haute performance et normes de validation statistique :
- Langages et écosystèmes analytiques : Python (notamment avec les bibliothèques Biopython, Scikit-learn, PyTorch) et R (via le projet Bioconductor) représentent les standards incontournables pour l’implémentation d’algorithmes de fouille de données génomiques et l’ajustement de modèles statistiques avancés.
- Scores de risque polygénique (PRS – Polygenic Risk Scores) : Instrument quantitatif central en psychiatrie biologique, le PRS agrège les effets alléliques estimés lors de vastes études d’association pangénomique (GWAS) pour assigner à un individu une valeur numérique représentant sa prédisposition génétique cumulative à un trouble psychique ou à un trait cognitif.
- Métriques de contrôle de qualité et de seuillage : L’utilisation rigoureuse de critères de contrôle de qualité (fréquence de l’allèle mineur, équilibre de Hardy-Weinberg, taux de génotypage manquant) et de méthodes de correction pour tests multiples, telles que le contrôle du taux de fausse découverte (FDR – False Discovery Rate) de Benjamini-Hochberg ou le seuil de significativité pangénomique strict ($p < 5 times 10^{-8}$), constitue une condition sine qua non de validité.
- Plateformes de flux de travail et de conteneurisation : Afin de garantir la reproductibilité absolue des calculs, les bio-informaticiens déploient des gestionnaires de flux (Nextflow, Snakemake) et des environnements conteneurisés (Docker, Singularity), documentant précisément chaque paramètre d’exécution algorithmique.
10. Applications et pertinence pratique en psychologie et neurosciences
Sur le plan translationnel, la bio-informatique renouvelle en profondeur la nosologie psychiatrique et la compréhension clinique des comportements humains. En premier lieu, elle soutient la pharmacogénomique psychiatrique. En modélisant les polymorphismes affectant les cytochromes hépatiques P450 (tels que CYP2D6 et CYP2C19), les praticiens peuvent adapter la prescription d’antidépresseurs ou d’antipsychotiques au profil métabolique du patient, minimisant les effets indésirables sévères et limitant les errances thérapeutiques.
Dans le secteur de la psychologie du développement et de la résilience, la bio-informatique épigénétique permet de quantifier l’impact biologique des traumatismes précoces. Des études bio-informatiques menées sur des cohortes d’enfants exposés à des violences démontrent des profils d’hyperméthylation sur des gènes clés de l’axe hypothalamo-hypophyso-surrénalien, tels que le récepteur des glucocorticoïdes (NR3C1), fournissant une assise moléculaire tangible à la réactivité neurobiologique au stress chronique observée chez l’adulte.
En psychologie cognitive, les pipelines bio-informatiques contribuent à déconstruire les architectures de l’intelligence générale (facteur $g$), de la mémoire de travail et de la vitesse de traitement. L’analyse combinée de jeux de données génétiques et de phénotypes neuro-imagerie fonctionnelle montre comment des modules de gènes impliqués dans la myélinisation et l’organisation axonale modulent l’efficience des réseaux cérébraux à longue distance.
Enfin, dans le cadre de la médecine personnalisée et des critères RDoC (Research Domain Criteria) promus par le National Institute of Mental Health (NIMH), la bio-informatique permet de dépasser les classifications symptomatiques traditionnelles (DSM, CIM) pour regrouper les patients selon des dysfonctionnements dimensionnels sous-jacents, reliant anomalies moléculaires, déficits neurocognitifs et manifestations cliniques observables.
11. Recherches et preuves empiriques
Les investigations empiriques menées au sein de consortiums de recherche d’envergure ont profondément transformé les postulats de la génétique comportementale. Les méta-analyses pangénomiques pilotées par le consortium PGC, sous la direction de chercheurs tels que Patrick Sullivan, ont démontré de manière décisive le caractère universellement polygénique de l’ensemble des pathologies psychiatriques majeures, invalidant définitivement le mythe d’un « gène unique » pour le trouble bipolaire ou la dépression.
Des recherches fondamentales récentes ont également mis en lumière une importante pléiotropie biologique : de nombreux polymorphismes génomiques identifiés par les bio-informaticiens ne sont pas exclusifs à une entité pathologique unique, mais partagés entre plusieurs troubles. Une méta-analyse majeure dirigée par le groupe de recherche génomique inter-troubles du PGC a démontré des corrélations génétiques substantielles entre l’autisme, le TDAH, le trouble bipolaire, la schizophrénie et la dépression majeure, indiquant l’existence de mécanismes biologiques de vulnérabilité partagés régissant la plasticité synaptique et la transmission calcique.
Parallèlement, la mise à disposition de biobanques massives, telle que la UK Biobank regroupant les profils génétiques, les données d’imagerie cérébrale et les questionnaires psychologiques détaillés de plus d’un demi-million de volontaires, a permis à des équipes internationales d’exécuter des analyses de randomisation mendélienne. Ces approches computationnelles ont permis d’établir des liens de causalité directionnelle potentiels, par exemple entre les altérations du sommeil à ondes lentes et la prédisposition au déclin cognitif ou aux épisodes dépressifs majeurs.
12. Considérations culturelles et transdisciplinaires
Une question cruciale traverse aujourd’hui la bio-informatique : le biais d’échantillonnage démographique et ethnique. Historiquement, plus de 75 à 80 % des données compilées dans les grandes banques de données génomiques proviennent d’individus d’ascendance européenne. Ce déséquilibre compromet gravement la transférabilité des scores de risque polygénique à des populations issues d’Afrique, d’Asie ou des Amériques autochtones, introduisant un risque élevé de prédictions erronées lorsqu’ils sont appliqués hors de leur contexte de calibrage initial.
Sur le plan transdisciplinaire, la bio-informatique exige un dialogue continu et exigeant entre biologistes moléculaires, mathématiciens, informaticiens, psychiatres et psychologues cliniciens. Chacune de ces cultures scientifiques emploie des vocabulaires, des temporalités et des critères de preuve dissemblables. Alors que l’informaticien privilégie souvent la puissance brute d’un modèle prédictif en boîte noire, le clinicien et le psychologue requièrent impérativement de l’explicabilité biologique et une pertinence compréhensive directement utile à la relation d’aide et à la thérapeutique.
De surcroît, les variations culturelles dans l’expression de la souffrance psychique et les conceptualisations locales de la détresse mentale (telles que les syndromes liés à la culture documentés en anthropologie médicale) posent un défi redoutable à l’harmonisation phénotypique internationale, indispensable pour alimenter les bases de données computationnelles mondiales sans dénaturer la subjectivité des sujets évalués.
13. Critiques, controverses et limites épistémiques
En dépit de sa puissance d’analyse indéniable, la bio-informatique fait l’objet de critiques épistémologiques et éthiques substantielles. L’un des débats majeurs concerne le phénomène de l’« héritabilité manquante » (missing heritability). Bien que les études de jumeaux classiques aient estimé l’héritabilité globale de la schizophrénie ou du trouble bipolaire à environ 60-80 %, les premiers scores bio-informatiques dérivés des GWAS n’expliquaient qu’une fraction réduite de cette variance, pointant les limites des modèles additifs simples et soulignant l’importance d’interactions épistatiques, environnementales et de variants rares structurels encore imparfaitement capturés.
Le risque d’un renouveau du néo-déterminisme génétique représente une autre préoccupation prégnante. L’agrégation computationnelle de milliers de signaux statistiques minuscules en un indice synthétique chiffré (comme un PRS de quotient intellectuel ou de risque psychopathologique) peut induire une illusion de fatalisme biologique auprès du grand public ou des décideurs éducatifs et politiques, occultant l’impact déterminant de l’environnement familial, des facteurs socio-économiques et de la plasticité cérébrale tout au long de la vie.
Enfin, les modèles sophistiqués d’apprentissage profond soulèvent le problème critique de l’opacité décisionnelle. En santé mentale, l’incapacité d’interpréter rationnellement pourquoi un algorithme attribue à un individu un risque imminent de passage à l’acte suicidaire ou de premier épisode psychotique pose des interrogations déontologiques et bioéthiques majeures relatives au consentement éclairé, à la protection de la vie privée génomique et à la responsabilité médicale.
14. Termes associés et distinctions conceptuelles
Pour appréhender adéquatement le positionnement de la discipline, il convient de la situer par rapport à des concepts connexes :
- Biologie computationnelle (Computational Biology) : Alors que la bio-informatique est historiquement plus axée sur le développement d’outils, de bases de données et d’algorithmes d’analyse séquentielle, la biologie computationnelle met l’accent sur la modélisation théorique mathématique et la simulation dynamique des processus biophysiques et neuronaux globaux.
- Biostatistique : Domaine mathématique dédié à la conception expérimentale, à l’inférence causale et à l’estimation statistique de phénomènes de santé publique et biomédicaux, qui fournit le cadre formel sur lequel repose la bio-informatique, sans toutefois se charger de l’architecture logicielle ni de l’ingénierie des banques de données.
- Neuro-informatique : Spécifiquement dévolue à l’organisation, à l’intégration et au traitement computationnel des données issues de l’observation du cerveau (électroencéphalographie, imagerie par résonance magnétique, connectomique, modèles de réseaux de neurones artificiels), elle collabore étroitement avec la bio-informatique à l’intersection de la génomique et du fonctionnement cérébral.
- Génétique quantitative : Branche de la génétique s’intéressant à l’héritabilité phénotypique globale au sein des populations (par exemple, par le biais des études de jumeaux et d’adoptions), tandis que la bio-informatique identifie, mesure et analyse explicitement le substrat physique des nucléotides et des transcrits d’acide ribonucléique.
15. Synthèse et points clés
La bio-informatique s’impose désormais comme le levier computationnel fondamental sans lequel la psychologie biologique et la psychiatrie moléculaire contemporaines ne sauraient progresser. En permettant le stockage, le traitement et la modélisation systémique de téraoctets de données issues des technologies omiques, elle transforme radicalement la lecture du continuum reliant le génome au comportement.
Ses apports méthodologiques majeurs — incluant le calcul de scores de risque polygénique, la déconvolution transcriptomique à l’échelle de la cellule unique, et l’intégration de la connectivité cérébrale par l’imagerie génomique — éclairent la nature hautement complexe et polygénique de l’ensemble des phénotypes psychiques et des troubles mentaux.
Pour autant, son plein déploiement au service de la santé mentale exige une grande prudence épistémologique et éthique. La discipline doit s’efforcer de résorber les disparités démographiques mondiales de ses cohortes, préserver l’interprétabilité humaine de ses modèles computationnels et s’associer étroitement aux approches cliniques, phénoménologiques et environnementales afin d’éviter tout écueil réductionniste dans la compréhension de la psyché humaine.
Références
- Dayhoff, M. O., Schwartz, R. M., & Orcutt, B. C. (1978). A model of evolutionary change in proteins. Atlas of Protein Sequence and Structure, 5(Suppl. 3), 345–352. https://www.ncbi.nlm.nih.gov/books/NBK21054/
- Hogeweg, P. (2011). The roots of bioinformatics in theoretical biology. PLOS Computational Biology, 7(3), e1002021. https://doi.org/10.1371/journal.pcbi.1002021
- Psychiatric Genomics Consortium. (2020). Genomic relationships, novel loci, and pleiotropic mechanisms across eight psychiatric disorders. Cell, 180(2), 260–272. https://doi.org/10.1016/j.cell.2019.11.020
- Sekar, A., Bialas, A. R., de Rivera, H., Davis, A., Hammond, T. R., Kamitaki, N., Tooley, K., Presumey, J., Baum, M., Van Doren, V., Genovese, G., Rose, S. A., Handsaker, R. E., Schizophrenia Working Group of the Psychiatric Genomics Consortium, Carroll, M. C., Stevens, B., & McCarroll, S. A. (2016). Schizophrenia risk from complex variation of complement component 4. Nature, 530(7589), 177–183. https://doi.org/10.1038/nature16549
- Sullivan, P. F., Agrawal, A., Bulik, C. M., Andreassen, O. A., Borglum, A. D., Breen, G., Cichon, S., Edenberg, H. J., Faraone, S. V., Gelernter, J., Mathews, C. A., Mattheisen, M., McGuffin, P., Smoller, J. W., & Psychiatric Genomics Consortium. (2018). Psychiatric genomics: An update and an agenda. The American Journal of Psychiatry, 175(1), 15–27. https://doi.org/10.1176/appi.ajp.2017.17030283