Étudiant.e
Directeur.e(s) de recherche
Pascal Germain
Jacques Corbeil
Alexandre Drouin
Début du projet
Titre du projet de recherche
Recherche de biomarqueurs en données métabolomique de grande dimensionnalité par des méthodes d'apprentissage machine interprétables
Description

La métabolomique est une des façons d'étudier le métabolisme. La présence de certains métabolites, ou la dégradation de sentiers métaboliques peuvent servir d'indicateurs sur la santé d'un patient. Ils peuvent servir de marqueurs de certaines maladies comme des cancers, ou renseigner sur la qualité de la diète d'un individu. Les méthodes d'acquisition en métabolomique non ciblée produisent des matrices de données de grandes dimensions. Il s'agit de développer des méthodes d'apprentissage machine spécifiquement adaptées aux jeux de données de grande dimensions. Par exemple des modèles basés sur des règles de décisions. 
La finalité de ces modèles étant la recherche de biomarqueurs, ils doivent être parcimonieux pour pouvoir être interprétés par un expert humain. Il s'agit également de développer de nouvelles approches pour interpréter au mieux des modèles déjà existants et performants. L'interprétabilité est un aspect essentiel dans l'application de l'apprentissage machine à la santé. Les modèles ne peuvent pas être des boîtes noires de diagnostic mais plutôt des outils d'analyse à la disposition d'experts pour mieux comprendre le métabolisme humain.
 

Découvrir

Projet en vedette

Le projet vise à étudier les effets sur le débat public de l'intelligence artificielle (IA) et de la science des données, et de leurs usages par les nouveaux diffuseurs de contenu sur le web. 

Lire plus