Les systèmes d'IA capables de décrire et de prévoir le comportement des réseaux biologiques formés de cellules, de tissus ou d'organismes permettront d'innover de manière plus précise, rapide et abordable dans le secteur des sciences de la vie tout en assurant des résultats prévisibles. Dans le cadre de ce projet, plusieurs collaborateurs combineront l'apprentissage machine et la modélisation mécaniste pour développer des modèles de systèmes biologiques, puis lier les simulations à des algorithmes d'apprentissage dans le but de tester et d'optimiser différentes approches. L'Université d'Ottawa se concentrera sur la modélisation des processus métaboliques sur des données lipidomiques quantitatives afin d'en déduire les perturbations enzymatiques qui surviennent dans le lipidome. L'Université Queen's explorera l'utilisation de l'apprentissage automatique pour la prévision et l'étude du comportement des cellules. L'Université Carleton appliquera un modèle génératif et la technique d'inférence bayésienne pour la quantification automatique des données métaboliques. Des experts du CNRC exploreront les possibilités d'utilisation de l'IA pour la conception et la simulation de biomolécules et d'exosomes.
Équipe
Dr. Ting Hu
Mme Ting Hu est professeure adjointe à l'École d'informatique de l'Université Queen's et une experte de l'application des techniques d'apprentissage automatique en analyse métabolomique. Ses travaux de recherche sont axés sur le développement d'algorithmes d'apprentissage machine explicables et interprétables pour la biomédecine.
Pour en savoir plus, consultez la page sur Mme Hu. (en anglais seulement)
James Green, Ph. D.
M. James Green est professeur à l'Université Carleton et spécialiste de la génomique computationnelle et de la protéomique. Ses travaux de recherche sont axés sur la bio-informatique ainsi que la prédiction de la structure, des fonctions, des interactions et des modifications post-traductionnelles des protéines.
Pour en savoir plus, consultez la page sur M. Green (en anglais seulement).
Dave Campbell, Ph. D.
M. Dave Campbell est professeur titulaire à l'Université Carleton. Ses travaux de recherche portent sur la relaxation des modèles, les algorithmes d'échantillonnage bayésien et l'estimation des paramètres pour les modèles qui traitent de probabilités complexes.
Pour en savoir plus, consultez la page de M. Campbell (en anglais seulement).
Steffany Bennet, Ph. D.
Mme Steffany Bennet est titulaire de la Chaire de recherche du Canada sur l'étude de la neurolipidomique à la Faculté de médecine de l'Université d'Ottawa. Elle cherche de nouvelles thérapies contre la maladie d'Alzheimer en vue d'améliorer les résultats cliniques. Mme Bennet dirige le laboratoire de régénération neurale au sein duquel les chercheurs travaillent pour élucider et traiter les maladies qui mettent en jeu un métabolisme défaillant des lipides, comme la maladie d'Alzheimer, la maladie de Parkinson, l'épilepsie et quelques maladies pédiatriques rares.
Pour en savoir plus, consultez les pages sur Mme Bennet et son laboratoire de recherche (en anglais seulement).
Miroslava Cuperlovic-Culf, Ph. D.
Mme Miroslava Cuperlovic-Culf est agente de recherches principale et chef d'équipe au Conseil national de recherches du Canada. Ses travaux de recherche sont axés sur l'application de l'apprentissage machine et de l'exploration des données aux sciences de la vie, en particulier sur le développement de nouvelles méthodes de diagnostic, de traitement et de simulation pour la médecine in silico. Sa formation unique, qui couvre à la fois les sciences expérimentales et l'analyse des données axées sur les techniques à haut débit, lui permet de travailler de manière très productive avec les expérimentateurs, les cliniciens, les informaticiens et les mathématiciens.
Pour en savoir plus, consultez la page de Mme Miroslava Cuperlovic-Culf.
Personnel hautement qualifié
Chengyuan Sha
Qui finit son premier cycle à l'École d'informatique de l'Université Queen's, est en passe d'entamer une maîtrise en sciences dans le cadre du projet sur l'IA au service de la conception. Il suivra un programme d'études interdisciplinaires en informatique biomédicale à l'Université Queen's. Il a une expérience de formation en conception de méthodes axées sur l'apprentissage machine, en développement de logiciels et en applications dans le domaine de la métabolomique.
Roy Wang
(Ph. D.) est boursier postdoctoral à l'Université Carleton. Il a obtenu un baccalauréat en génie biomédical et électrique et un master en génie physique à l'Université McMaster ainsi qu'un doctorat en génie électrique à l'Université d'Ottawa. Il possède une expérience pratique de la conception de systèmes d'imagerie optique ainsi que de plusieurs sujets de mathématiques appliquées tels que l'optimisation numérique et l'inférence bayésienne. M. Wang a effectué plusieurs stages au sein d'entreprises du domaine de l'ingénierie électrique et optique au cours de ses études et a travaillé sur l'apprentissage machine dans une entreprise en démarrage après avoir terminé ses études en 2018. Il a quitté le secteur privé en 2019 pour entamer une carrière en recherche axée sur l'application des mathématiques et de la physique à des applications biologiques ou environnementales.