En savoir plus

L’un des défis de la biologie numérique tient à l’élaboration, la comparaison et l’amélioration de méthodes d’apprentissage, en les adaptant de façon à intégrer les données multi-sources (omiques, capteurs, environnement, données issues de démarches participatives). La modélisation de processus biologiques et physiologiques permettant le développement d’approches prédictives et la simulation de systèmes biologiques complexes constituent également des enjeux majeurs. Il s’agit notamment de tester la robustesse de modèles construits dans l’axe 1, en les soumettant à des conditions fluctuantes (internes ou externes).

Ces recherches incluent des approches prédictives reposant sur la modélisation, l’assimilation de données et le couplage entre les approches dites « datadriven » et « concept-driven », en tenant compte  des dimensions essentielles de la prédiction que sont la planification, la quantification des incertitudes et l’évaluation de la qualité prédictive.

Thématiques de recherche

• La prédiction génomique ;
• La prise en compte de l’ensemble des facteurs transmissibles - qu’ils soient génétiques ou non - dans la prédiction du potentiel d’un individu à transmettre ses caractéristiques à sa descendance ;
• L’application de ces méthodes pour identifier des bio-marqueurs d’état ou de potentiel des organismes (niveau de résistance, niveau de stress, …), ou des cibles génétiques pour l’optimisation de réseaux métaboliques ;
• La prédiction des impacts de scénarios complexes d’exposition chimique et biologique sur la physiologie (de l’échelle de la cellule à celle de l'individu) ;
• La mobilisation des informations d’état (phénotype, génome, environnement) et des connaissances sur les processus aux échelles des organismes (et infra) pour prédire le fonctionnement et les trajectoires de populations à différentes échelles spatiales et/ou temporelles.

Défis méthodologiques

• Sélectionner les méthodes d’apprentissage les mieux adaptées à un problème donné, déterminer leurs apports et de leurs limites pour détecter des structures complexes ou des signaux faibles dans les données ;
• Construire et simuler des modèles intégratifs avec de bonnes capacités prédictives, permettant de distinguer les effets de facteurs confondus dans les données ;
• Accéder à des quantités non observables par l’inversion de modèles (e.g. estimation de la valeur de traits) ;
• Accroître la qualité et la robustesse de la prédiction (avec les questions sous-jacentes de planification et d’échantillonnage, d’évaluation de l’incertitude, de prise en compte de changements d’environnements).