Logiciel de pipeline dédié au traitement et à l'analyse automatique des données spectrales et d'images issues de l'instrument ChemCam du CNES. Il permet la récupération, le dispatching et la génération de mosaïques à partir de ces données, facilitant ainsi la recherche en astrophysique et planétologie. Développé par l'IRAP, il est utilisé pour optimiser le flux de travail des scientifiques.

Ce projet propose une image Docker légère basée sur Miniconda et CentOS 7, intégrant PyTorch avec support CUDA 10.2. Destinée aux environnements d'intégration continue (CI), elle facilite le déploiement et le test de modèles d'apprentissage profond dans des pipelines automatisés. L'image est optimisée pour une utilisation en recherche ou en production, garantissant une compatibilité et une reproductibilité accrues.

Ce projet vise à analyser et optimiser des graphes de dépendances logiciels issus de dépôts de code source. Il permet de benchmarker des pipelines de traitement, d'évaluer des jeux de données et de mesurer les performances de différents outils d'analyse. Utilisé dans un cadre académique et de recherche, il facilite la compréhension des structures de code et l'identification de points d'amélioration.

Ce projet vise à développer une preuve de concept pour l'analyse et la détection d'unités de transcription (unitigs) dans des séquences génomiques. Il permet d'identifier des motifs récurrents et d'optimiser les pipelines de traitement des données génomiques pour des applications en recherche biomédicale ou en génomique fonctionnelle.

Nf_column_reordering est un pipeline Nextflow conçu pour réorganiser et analyser des colonnes de données biologiques, notamment dans le cadre de séquences génétiques. Il permet d'automatiser des workflows complexes pour le traitement de données issues de recherches en biologie moléculaire, facilitant ainsi l'analyse et la visualisation des résultats. Développé à l'Institut Pasteur, il s'intègre dans des environnements de calcul intensif pour optimiser les processus de recherche.

Snakemake est un outil open source conçu pour automatiser et standardiser les pipelines d'analyse de données, notamment en bioinformatique. Il permet de définir des workflows reproductibles et modulaires pour traiter des données génomiques ou autres, en optimisant l'utilisation des ressources de calcul disponibles. Utilisé dans des environnements de recherche et de calcul intensif, il facilite la collaboration et la traçabilité des analyses scientifiques.

Ce projet permet de générer une version réduite du jeu de données Davis 2017, utilisé pour évaluer les algorithmes de segmentation vidéo. Il automatise le téléchargement, le décompactage et le redimensionnement des séquences d'images, facilitant ainsi leur utilisation dans des environnements de test ou de recherche. Les outils fournis sont optimisés pour une intégration dans des pipelines de traitement d'images.

Ce projet automatise et optimise le traitement de données génomiques et biologiques à grande échelle. Il permet aux chercheurs de configurer et d'exécuter des pipelines bioinformatiques complexes de manière reproductible et efficace. Les workflows gèrent des volumes importants de données, facilitant l'analyse génomique, la détection de variants et la production de résultats exploitables pour la recherche médicale ou biologique.

GFAffix est un outil bioinformatique conçu pour identifier et réduire les affixes partagés préservant les parcours dans les graphes de variation. Il optimise les données génomiques en supprimant les redondances tout en conservant l'intégrité des informations. Utilisé dans le domaine de la génomique comparative, il facilite l'analyse des séquences et améliore l'efficacité des pipelines bioinformatiques. Développé dans un cadre académique, il s'intègre aux workflows de recherche en génomique.

Outil dédié à la modélisation et à l'analyse de pipelines d'imagerie par résonance magnétique fonctionnelle (fMRI). Il permet de générer et d'évaluer des configurations de traitement de données cérébrales, facilitant ainsi la recherche en neurosciences. Le projet aide les chercheurs à optimiser leurs protocoles d'acquisition et d'analyse pour des études en neuroimagerie.