Mathématiques et Informatique Appliquées
du Génome à l'Environnement

 

UR 1404 Mathématiques et Informatique Appliquées du Génome à l'Environnement (MaIAGE)

Bandeau-MaIAGE-page-accueil 
L'unité de recherche MaIAGE regroupe des mathématiciens, des informaticiens, des bioinformaticiens et des biologistes autour de questions de biologie et agro-écologie, allant de l'échelle moléculaire à l'échelle du paysage en passant par l'étude de l'individu, de populations ou d'écosystèmes. Elle est structurée en cinq équipes :

  • Dynenvie : modélisation dynamique et statistique pour les écosystèmes, l'épidémiologie et l'agronomie

  • Bibliome : acquisition et formalisation de connaissances à partir de textes

  • BioSys : biologie des systèmes

  • StatInfOmics : bioinformatique et statistique des données "omiques"

  • Migale : plateforme bioinformatique

L'unité développe des méthodes mathématiques et informatiques originales de portée générique ou motivées par des problèmes biologiques précis. Elle s'implique aussi dans la mise à disposition de bases de données et de logiciels permettant aux biologistes d'utiliser les outils dans de bonnes conditions ou d'exploiter automatiquement la littérature scientifique. 
L'inférence statistique et la modélisation dynamique sont des compétences fortes de l'unité, auxquelles s'ajoutent la bioinformatique, l'automatique et l'algorithmique. Les activités de recherche et d'ingénierie s'appuient également sur une forte implication dans les disciplines destinatrices : écologie, environnement, biologie moléculaire et biologie des systèmes. 
MaIAGE est rattachée à deux départements de INRAE :

Faits Marquants

Logo de Genoscapist. « Un peintre de paysages génomiques     Genoscapist, un outil d’exploration de profils quantitatifs le long des génomes
Evolution des estimations des sept paramètres d’un modèle de croissance au cours des itérations de l’algorithme en étude de simulation      Un nouvel algorithme de machine learning pour l’inférence de modèles à variables latentes généraux : un levier pour la sélection variétale via des modèles de prédiction de phénotypes
Variation of profiles contributions in healthy vs CD (Crohn Disease) and dysbiotic vs not dysbiotic samples.     Une approche d’apprentissage automatique met en évidence l’organisation des fonctions de dégradation des fibres et des mucines à l’échelle du microbiote intestinal.
Illustration du choix de la suite croissante cd1+2 < · · · < cd2 utilisée dans l’algorithme pour approximer la loi du chi-bar squared (C. Baey, E. Kuhn).     Tester les composantes de la variance dans des modèles mixtes, du résultat théorique au package informatique : identifier des leviers d’action en amélioration des plantes
comité de pilotage Paris Saclay     Le programme de mentorat pour les doctorantes de Paris-Saclay : un franc succès depuis 5 ans !
paysage agricole approximé par tessellations en T     Modèle de géométrie stochastique pour simuler des paysages agricoles