Ce projet propose une analyse des réseaux structuraux de composés chimiques induits par la co-culture de micro-organismes. Il permet d'étudier les interactions entre espèces microbiennes et d'identifier de nouvelles molécules bioactives. Les données générées aident à la recherche en biotechnologie et à la découverte de composés d'intérêt thérapeutique ou industriel.

Outil open source conçu pour automatiser la génération de données structurées et de code source dans des projets logiciels. Il permet de créer des configurations complexes, des structures de données et des fonctions associées sans effort manuel. Principalement utilisé dans des environnements nécessitant une gestion fine des données et une optimisation des flux, il s'intègre facilement dans des pipelines de développement pour accélérer la production de code et réduire les erreurs.

Le modèle structural agnostique (SAM) est une méthode de découverte de causalité. Il utilise des indépendances conditionnelles et des asymétries de distribution pour trouver la structure causale sous-jacente à partir de données observationnelles. L'approche repose sur un jeu entre différents joueurs estimant chaque distribution de variable conditionnellement aux autres sous forme de réseau de neurones et un adversaire visant à discriminer les données générées contre les originales. L' critère d'apprentissage de SAM combine l'estimation de distribution, des contraintes de parcimonie et d'acyclicité pour optimiser la structure et les paramètres du graphe grâce à la descente de gradient stochastique.

Outil intégré à un environnement de développement pour analyser, déboguer et générer du code source. Il permet aux développeurs de visualiser et manipuler des données techniques, d'automatiser des tâches répétitives et de produire des rapports ou documentations à partir de leur code. Le projet facilite également la compréhension des structures de données et des flux d'exécution.

Ce projet est un outil pédagogique dédié à la manipulation de données structurées au format JSON, à la sérialisation et désérialisation d'objets, ainsi qu'à l'exécution de requêtes HTTP pour récupérer ou envoyer des données. Il permet également de gérer des carnets d'adresses en exploitant des APIs externes pour générer des données utilisateur.

Minbp-algo est un outil académique dédié à la résolution du problème de bin-packing, un défi d'optimisation où l'objectif est de répartir des objets de tailles variables dans le nombre minimal de conteneurs. Développé dans un cadre universitaire, il permet de tester et comparer des algorithmes de répartition comme Next Fit ou First Fit Decreasing. Le programme prend en entrée des instances de données structurées et génère des solutions optimisées pour des applications logistiques ou industrielles.

Le projet doc-generator est un outil en ligne de commande permettant de générer des fichiers Markdown à partir de schémas de données. Il prend en charge les schémas JSON et est particulièrement adapté aux schémas Validata. Il facilite ainsi la documentation des données et améliore la compréhension des structures de données par les utilisateurs.

Ce projet fournit des données et des outils pour l'analyse des prédictions de structures protéiques dans le cadre du défi CAPRI Round 55. Il inclut des jeux de données détaillés sur les prédictions générées par MassiveFold, des évaluations CAPRI-Q, et des analyses comparatives avant/après relaxation des modèles. Les résultats sont destinés à la recherche en biologie structurale et en immunologie.

Bibliothèque open source dédiée à l'analyse de données médicales issues de bases de santé comme le SNDS. Elle permet de manipuler, croiser et analyser des cohortes de patients à partir de données structurées (parquet). Utilisée pour des études épidémiologiques, le suivi de populations exposées à des traitements ou des maladies, et la génération de statistiques descriptives. Développée en partenariat avec l'École Polytechnique et la CNAM.

Ce projet vise à faciliter la création et la gestion de modèles de données pour des applications logicielles. Il permet aux développeurs de définir des structures de données complexes de manière déclarative et de générer automatiquement du code ou des configurations à partir de ces modèles. L'objectif est d'accélérer le développement tout en réduisant les erreurs liées à la manipulation manuelle des données.