Cette page répertorie les équipes menant une recherche en machine learning pour la génomique.
Bordeaux
CB&B: deep learning, multi-omics data integration, single cell, network analysis, applications to disease and particularly to cancer.
Grenoble
compBio@TrEE (TIMC): apprentissage statistique, biophysique, phylogénomique.
MAGe (TIMC): Modèles et Algorithmes pour la Génomique; Epigénétique des cancers, Génomique et épigénétique environnementale, Évolution des micro-organismes et métagénomique, Bioinformatique des données NGS
Lille
Metrics: statistical learning, clinical score building, omics data analysis.
Modal: statistical learning, time-space dependent data, frugal clustering for massive and heterogeneous data.
Spéciation (Evo-Eco-Paléo): spéciation, génomique des populations, évolution moléculaire, inférences démographiques
Lyon
BioComputing Hub (LBMC): multi-omics, spatial omics, single-cell, data analysis and integration.
Le Cocon (LBBE): phylogénomique, évolution moléculaire, inférence statistique.
SBDM (LBMC): systems biology, single cell, spatial transcriptomics, dimension reduction, kernel methods, gene regulatory networks.
Marseille
Bioinformatics and genomics of molecular networks (TAGC): Machine for regulatory genomics.
QARMA : éQuipe d’AppRentissage de Marseille (LIS): Machine learning for genomics.
Montpellier
Biogéographie et Ecologie des Vertébrés (CEFE): Machine learning for metabarcoding of environmental DNA; biodiversity monitoring; macrogenetics
CBGP – groupe génomique statistique des populations
Equipe IGMM/LIRMM/IMAG Regulations Génomiques Computationnelles: Deep learning, regulatory genomics.
MAB (LIRMM): Machine leaning for regulatory genomics.
Probabilité et Statistiques (IMAG): Machine leaning for regulatory genomics.
SeqOne: Machine learning for genomics and disease.
Région parisienne
AROBAS (IBISC): Apprentissage profond pour l’analyse de données omique (Prédiction, Interprétation, Intégration de connaissance, Modèles génératifs); Prédiction des ARN non-codants et de leur structure.
Biodiv (IBENS): phylogenetics, ecology, evolution, biodiversity, statistical inference.
Bioinfo/TAU (LISN): deep learning, generative models, population genetics, evolutionary inference.
BIPEM (ISYEB): Modeling, deep learning, statistical learning, phylogenetics, phylodynamics, molecular evolution, macroevolution, pathogens.
CBIO: chemogenomics, GWAS, computational pathology.
GEML: complex traits and diseases, pleiotropy, Mendelian randomization, pharmacogenomics.
GNET (IPS2): deep learning, interactions protéines-protéines.
LaMME: tests d’hypothèses multiples, inférence dans les modèles graphiques, modèles à variables latentes.
LCQB: apprentissage profond, inférence dans les réseaux de neurones, prédiction de structures/fonctions de protéines, évolution moléculaire.
MMCS (ICSN): deep learning applied to bacterial genomic data, data encoding, artificial enrichment of imbalanced datasets.
SOLsTIS (MIA): modèles à variable latente, modèles génératifs, grande dimension, réseaux, metagénomique et écologie microbienne, génétique des populations.
Strasbourg
CSTB (ICube): apprentissage profond, apprentissage explicable, alignements de séquences.
Toulouse
SaAB (MIAT): Deep learning, Graph neural networks, hybrid AI (learning + symbolic), kernel methods, genomics.
NetB(IO)²: Deep learning, Genomics, Cancer.
DYNAGEN: Machine learning, Population genetics.
Groupes de travail connexes
AIEM (GDR): Approche Interdisciplinaire de l’Evolution Moléculaire
ALPHY (GDR BIM): Génomique évolutive et phylogénie
MASIM (GDR BIM): Méthodes Algorithmiques pour les Structures et Interactions Macromoléculaires.
StatOmique (GDR BIM): modélisation et analyse statistique de données -omiques.