Projet CMT2A, financé par l'AFM https://www.linkedin.com/company/afmtelethon/Analyse de données métabolomiques :- Création de pipeline afin d'automatiser l'analyse des données métabolomiques.- Analyse statistique des données dans le but d'extraire de potentiels biomarqueurs.Analyse d'images de microscopie :- Utilisation de différents logiciels (ImageJ, Huygens, Imaris, Metamoph, ...) permettant de produire des quantifications sur des images issues de microscopie STORM, Wieldfield, Electron Microscopy.- Utilisation d'intelligence artificiel (deep learning), notamment pour automatiser la segmentation d'objets dans des images.

Dans le cadre du domaine de la génomique des populations (utilisation de l'ADN de plusieurs individus d'une population pour prédire des événements passés), j'ai : - Créé un pipeline permettant de simuler les dommages produits par le temps sur l'ADN de fossiles. - Comparé les performances prédictives de méthode de deep learning (CNN) entre des données endommagées et des données non endommagées. - Exploré pour rendre ces réseaux plus robustes aux données endommagées

Dans le cadre de la création d’un nouveau modèle de machine learning (ROP) (s’inspirant des forêts aléatoires), utilisé dans un contexte biomédical, j’ai : - Réalisé un programme permettant d’automatiser le data management des données, afin d’utiliser ce modèle sur différents types de jeux de données. - Comparé l’efficacité de ce modèle avec d’autres plus classiques.- Exploité différentes pistes pour optimiser et interpréter ce nouveau modèle