Le projet atelier_inference_reseaux permet l'analyse et l'inférence de réseaux biologiques à partir de données génomiques. Il offre des fonctionnalités de visualisation et de comparaison de réseaux, ainsi que des outils pour faciliter l'interprétation des résultats.

Ce projet, basé sur l'article intitulé "Deep learning for population size history inference: design, comparison and combination with approximate Bayesian computation" (Sanchez et al.), fournit des outils pour l'inférence de la taille de population historique en utilisant des réseaux de neurones entraînés sur des données génétiques. Il inclut un notebook illustratif, une implémentation PyTorch de l'architecture SPIDNA avec la plus faible erreur de prédiction, ainsi qu'un réseau pré-entraîné SPIDNA disponible en téléchargement.

Implémentation en python de DEXOM, un outil d'inférence de réseaux métaboliques contextuels spécifiques à partir de données d'expression génique. Utilise des règles GPR pour connecter les gènes et les réactions, et offre plusieurs méthodes d'énumération pour générer des sous-réseaux optimaux.

Ce projet contient le code utilisé dans l'article intitulé "Large-Scale Correlation Screening under Dependence for Brain Functional Connectivity Network Inference". Il permet d'analyser les réseaux de connectivité cérébrale, de détecter des corrélations à grande échelle et d'inférer des réseaux fonctionnels cérébraux.

Myria3D est une bibliothèque de deep learning conçue pour la segmentation multiclasse de grands nuages de points Lidar à haute densité. Elle implémente l'entraînement de réseaux de neurones de segmentation 3D avec des logiques de traitement et d'évaluation optimisées pour les données à l'échelle du lot. L'inférence sur des nuages de points inconnus à grande échelle est également prise en charge, ce qui permet d'évaluer la IoU sur l'ensemble du nuage de points, ce qui se traduit par une évaluation fiable du modèle.

Ce projet vise à rassembler des ressources et des outils utiles pour l'analyse de données de cellules simples. Il fournit des liens vers des bases de données telles que l'Atlas d'expression de cellules simples de l'EBI et PanglaoDB, ainsi que des outils d'analyse tels que Seurat, Monocle et SCENIC Suite. Ces outils permettent l'analyse, la visualisation et l'interprétation des données d'expression génique à l'échelle cellulaire unique, ainsi que l'inférence des réseaux de régulation des gènes et l'identification des sous-types cellulaires.

PathModel est un outil d'inférence de voies métaboliques qui permet de déduire des voies métaboliques à partir de données brutes, en utilisant des algorithmes d'inférence ab initio. Il offre également des fonctionnalités de visualisation des réseaux métaboliques et d'identification des réactions clés dans ces voies.

Ce projet consiste en une collection de notebooks Jupyter, de fichiers R et Python dédiés à l'analyse et à la visualisation des données d'un étude sur les neurones projetant dans le bulbe olfactif de la souris. Le référentiel contient des analyses transcriptomiques standard de neurones projetants, une inférence de réseaux de gènes régulateurs, une analyse de réseaux de gènes régulateurs et une simulation de données unicellulaires à partir de données de séquençage d'ARN en vrac.

Ce projet implémente une méthode d'inférence de profondeur à partir d'images en utilisant un réseau de neurones convolutifs. Il s'agit d'un réseau de neurones calibré qui permet de projeter des points sur une image et d'inférer une représentation dense de la profondeur à partir de cette image. Cette méthode a été testée sur des données de nuages de points 3D provenant de capteurs tels que le Lidar ou la stéréovision et a permis d'améliorer la précision des nuages de points 3D.

Ce projet concerne l'analyse et l'inférence de réseaux, ainsi que l'extraction de connaissances à partir de ces réseaux. Il inclut des supports de cours pour la formation Introduction à l'analyse et l'inférence de réseaux.