Les concours scientifiques, ou "défis de données", se sont avérés efficaces pour le développement de l'apprentissage automatique en fournissant des objectifs clairs, des ensembles de données de référence et des méthodes d'évaluation normalisées. Bien qu'ils aient été couronnés de succès en informatique, leur application aux sciences de la vie se heurte à des difficultés particulières : ensembles de données biologiques complexes, mesures d'évaluation appropriées et traduction des questions biologiques en tâches informatiques.
Le projet SCALER étudie comment les concours scientifiques peuvent faire progresser l'innovation en matière d'IA dans les sciences de la vie. S'appuyant sur l'initiative "Data Challenge @ UGA" et notre collaboration avec la plateforme Codabench, SCALER combine la recherche méthodologique avec des approches éducatives.
Notre travail se concentre sur quatre projets de doctorat. Trois d'entre eux portent sur des questions biologiques importantes : prédire les réactions des espèces au changement climatique, analyser l'hétérogénéité des tumeurs en oncologie et prédire les effets des mutations en biologie évolutive. Ces projets nous aideront à comprendre comment concevoir des concours efficaces pour les problèmes biologiques. Un quatrième projet examine comment la conception des concours influe sur l'engagement des participants et les résultats de l'apprentissage.
SCALER vise à contribuer au domaine en développant un cadre de compétition à source ouverte, en créant des lignes directrices pour la conception de compétitions biologiques, en construisant un réseau de collaborateurs universitaires et industriels, et en formant les chercheurs à l'organisation de compétitions à des fins de recherche et d'enseignement.
Grâce à cette approche, SCALER cherche à améliorer la façon dont nous développons et évaluons les méthodes d'IA pour les sciences de la vie, tout en formant les biologistes informatiques à relever d'importants défis biologiques.
Licence :
Sauf indication contraire, tous les documents sont partagés sous la licence Creative Commons BY-NC-ND 4.0.
Vous pouvez les consulter et les partager à des fins non commerciales, sans les modifier et en mentionnant les auteurs.
Publié le 21 août 2025 Mis à jour le 21 août 2025
Membres principaux
Thibaut Capblancq
Florent Chuffart
Salomé Cojean
Antoine Frénoy
Nicolas Homberg
Magali Richard
Membres associés
Nelle Varoquaux
Emilie Devijver
Thèmes de recherche
Prédictions de modèles, apprentissage automatique, statistiques à haute dimension, évaluation des performances, défis liés aux données et analyse comparative, éducation et apprentissage adaptatif, bioinformatique, évolution des génomes bactériens, maladaptation en écologie, hétérogénéité des tumeurs.
Partager le lienCopierCopiéFermer la fenêtre modalePartager l'URL de cette pageJe recommande :Consultable à cette adresse :La page sera alors accessible depuis votre menu "Mes favoris".Arrêter la vidéoLire la vidéoCouper le sonLire l'audioChat : Une question ?Chatbot Robo FabricaStatistiques de trafic MatomoX (anciennement Twitter)