Mots-Clés
AI
Evolutionary Genomics
machine learning
Description
Inférence probabiliste fondée sur l’apprentissage et les IA génératives, appliquée à la génomique évolutive (Biod-AI-versity)
Le scientific machine learning connaît une révolution portée par l’IA générative, capable d’apprendre, à partir de données souvent non supervisées, des modèles probabilistes universels de la structure statistique des domaines étudiés. Cela transforme des tâches comme la prédiction ou la classification en cas particuliers d’inférence, amplifiés par la puissance de ces modèles. Le défi consiste à en extraire des variables latentes interprétables, reflétant les mécanismes biologiques sous-jacents.
La génomique évolutive, avec ses modèles probabilistes de processus biologiques (mutations, structure des génomes, contraintes biophysiques, sélection) et ses données massives mais bruitées, offre un terrain idéal pour ces avancées. Les progrès récents de l’IA en biologie (AlphaFold, ESM, DNABert) permettent désormais d’intégrer séquence, structure, fonction et dynamique évolutive. Ainsi, ce domaine mobilise naturellement les approches émergentes du ML (inférence par simulation, modèles de diffusion, neural ODEs/SDEs, auto-encodeurs variationnels) pour développer des méthodes d’inférence scalables, interprétables et accessibles à la communauté scientifique.
Laboratoires d’accueil :
Laboratoire de biométrie et biologie évolutive (LBBE - CNRS/Lyon 1 Université/Vetagro Sup)
Laboratoire interdisciplinaire des sciences du numérique (LISN - CNRS/Université Paris-Saclay)
Établissements :
Université Claude Bernard Lyon 1
Université Paris-Saclay