Objectif
Le principe de ce pôle d'animation est de partager autour des méthodes et outils issus de l'Intelligence Artificielle et de leurs applications aux données de la génomique ayant pour objectif d'explorer, d'intégrer, de classifier des jeux de donneés et de prédire des caractéristiques dans les thématiques de l'annotation de (pan-)génomes, de la transcriptomique, de la métagénomique, de la métabolomique et de l'épigénomique associées à des informations de caractérisations agricoles, environnementales ou phénotypiques.
Présentation du pôle
Le pôle est ouvert depuis le 28 novembre 2022. Il est piloté par Amandine Velt et Fabrice Legeai Pour les membres du groupe, nous proposons des sessions en visio de 2h tous les 2 ou 3 mois, incluant un exposé (présentations de résultats, problématiques, besoins et conseils, retours d’expérience, tests en cours (outils, méthodes), synthèse de publications d’intérêts, retour sur des formations, utilisation d'infrastructure,...) et des discussions, et une journée thématique (comportant des présentations, des ateliers ou des formations).
Contact
Si vous souhaitez vous inscrire ou obtenir des informations complémentaires, envoyez un message à pepi-bioinfostats-ia@inrae.fr.
Webinaires
----------------------------- 2025 -------------------------------------
14 mars 2025 : MOnSTER & LEAPH par Silvia Bottini & Giulia Calia, Institut Sophia Agrobiotech (Sophia-Antipolis, France), équipe SMILE Vidéo
Plant pests cause considerable yearly crop losses and are a major threat to global food security. Identifying and characterising the effectors of these parasites and pathogens is crucial to improving their control. Thanks to MOnSTER and LEAPH, we have gained a better understanding of the mechanisms used by pathogens to infect plants. These studies have uncovered important signatures that could lead to the blocking of plant-pathogen interactions and the design of durable resistance to disease
06 juin 2025 : "Harnessing Transcriptomic Data and Machine Learning to Predict Fruit Growth Traits"
Which cellular functions drive fruit growth, and can they be predicted across species? This talk presents an interspecies machine learning approach based on quantitative transcriptomic data from nine fleshy fruits at various stages of development. Using orthogroup-based integration and penalized generalized linear models (GLMs), we identify conserved transcriptional signatures predictive of key phenotypic traits: relative growth rate, fruit weight, developmental progress, and protein content. The presentation will cover the methodological underpinnings, including absolute quantification, variable transformation, functional annotation, and model training using GLM models. We will also discuss challenges such as interspecies variability, annotation gaps, and model robustness.