De plus en plus présentes dans notre monde moderne, l'intelligence artificielle, l'apprentissage automatique et l'apprentissage profond révolutionnent également les innovations dans le domaine des sciences de la vie. Nos équipes et nos membres utilisent ces technologies dans divers domaines, tels que l'exploration de textes, la modélisation structurelle ou la biocuration, afin de fournir aux chercheurs et aux cliniciens des solutions efficaces et percutantes. Découvrez quelques-unes des applications que nous avons rendues possibles, notamment le diagnostic du cancer, l' l'identification de nouvelles indications thérapeutiques pour une molécule, protection de la biodiversité, ou l'amélioration de nos bases de données ouvertes et de nos outils logiciels.
Explication de certains termes clés
- L'intelligence artificielle imite l'intelligence ou les comportements des êtres humains ou de tout autre être vivant.
- L'apprentissage automatique est une technique qui permet à un ordinateur d'« apprendre » à partir de données, sans utiliser un ensemble complexe de règles différentes. Cette approche repose principalement sur l'entraînement d'un modèle à partir d'ensembles de données.
- L'apprentissage profond s'appuie sur plusieurs couches de réseaux neuronaux artificiels, inspirés du réseau de neurones de notre cerveau.
Définitions tirées de Wikipédia, modifiées par Carlos Peña-Reyes du SIB.
Accent mis sur les applications biomédicales
Les cliniciens et les scientifiques biomédicaux reconnaissent de plus en plus la valeur des applications de l'apprentissage automatique (AA) dans leur travail quotidien. En médecine de précision notamment, l'AA devient indispensable dans la prévention, le diagnostic et le traitement. Il permet, par exemple, d'intégrer une grande variété de types de données (images issues de scanners, textes issus de rapports cliniques, etc.) utilisées pour caractériser chaque patient, ainsi que d'identifier des modèles cachés dans l'ensemble de données hautement dimensionnel qui en résulte. Ces données peuvent être utilisées comme biomarqueurs permettant de prédire la susceptibilité à une maladie ou comme aide au diagnostic. Mais l'AM est également utilisée pour explorer le côté fonctionnel des voies métaboliques dans le contexte de la réorientation des médicaments.
Mettre l'accent sur les applications liées à la conservation de la biodiversité
Les techniques d'IA et d'apprentissage automatique permettent de démêler la complexité de la biodiversité, améliorant ainsi notre compréhension des écosystèmes et des efforts de préservation à l'échelle mondiale. Leur capacité à synthétiser diverses données écologiques telles que l'imagerie satellite, les bases de données ou les archives climatiques permet de détecter des schémas au sein des écosystèmes. Cela est essentiel pour optimiser les stratégies de conservation, par exemple. Découvrez comment l'apprentissage par renforcement, un type de solution d'IA, est utilisé dans ce contexte pour déterminer les espèces et les zones à protéger en priorité.
