L'unité MIG et l'unité MIAJ ont fusionné au 1er janvier 2015. Elles constituent dorénavant la nouvelle unité MaIAGE dont le site internet est accessible via l'URL suivante : http://maiage.jouy.inra.fr.

Séminaires publics

Les séminaires ont en général lieu dans la bibliothèque du batiment MIG (233).
Contact : François Rodolphe (poste 2889)

2014


Vendredi
20/06
14h
Estelle Kuhn
MIAJ
Algorithme stochastique performant pour l'estimation par maximum de vraisemblance dans des modèles à variables cachées de grande dimension : théorie et applications.

(travail joint avec Stéphanie Allassonnière, Ecole Polytechnique, CMAP, Stanley Durrleman, INRIA, équipe ARAMIS, Catherine Laredo, INRA, MIAJ, Elizabeta Vergu, INRA, MIAJ)

Ce travail a été motivé par l'estimation d'une image de référence et de la variabilité géométrique au sein d'un échantillon d'images représentant un même objet. Dans ce but, nous considérons un modèle déformable d'images dans lequel chaque image est obtenue en appliquant à l'image de référence une déformation géométrique. Ce modèle est un modèle à variables cachées, les déformations géométriques n'étant pas observées. Notre objectif est alors d'estimer l'image de référence et les paramètres de la loi des déformations à partir d'un échantillon d'images.

Dans un cadre général, nous proposons une version stochastique de l'algorithme Expectation Maximization(EM) pour l'estimation par maximum de vraisemblance dans des modèles à variables cachées de grande dimension. Notre algorithme intègre une étape de simulation des données manquantes par une méthode de Monte Carlo par chaînes de Markov particulièrement bien adaptée à la grande dimension des variables cachées : une version anisotrope du Metropolis Adjusted Langevin Algorithm (MALA). Nous établissons la convergence presque sûre de l'algorithme vers un point critique de la vraisemblance observée, ainsi qu'un théorème de la limite centrale. Nous détaillons ensuite son application au modèle déformable d'images sur des données réelles de chiffres manuscrits et d'images médicales 2D et 3D. Nous proposons également une extension de ce modèle, permettant d'estimer la position optimale des points de contrôle. Nous présentons enfin deux autres applications, d'une part aux processus de branchements multi-types partiellement observés, d'autre part aux modèles épidémiques de type Sain-Infecté-Retiré (travaux en cours).

Vendredi 21/02
11h00
François Moreews
(IRISA)

Un nouvel environnement de conception rapide et d’exécution intensive de workflows pour la bioinformatique

2013


16 Décembre
11h
Mahendra Mariadassou
Méthodes phylogénétiques comparatives en métagénomique
LIeu:salle réunion de MIA Jouy (Bâtiment 210)
Les techniques de séquencage haut-débit permettent désormais de caractériser les écosystèmes microbiens, ou microbiotes, en étudiant leur composition taxonomique. Les microbiotes sont résumés à un inventaire de types, typiquement des OTUs (Operational Taxonomic Units) avec leurs abondances. Des méthodes comparatives peuvent ensuite être utilisée pour caractériser la similarité entre microbiotes et relier les différences à des gradients environnementaux ou à des conditions différentes. La forte similarité entre OTUs nécessite cependant de comparer les inventaires de façon astucieuse. La similarité résulte d'une histoire évolutive partagée par les différentes OTUs et peut être partiellement capturée par un arbre phylogénétique. On présentera dans cet exposé (i) différentes méthodes comparatives (réduction de dimensions et calcul de distances) qui prennent en compte l'arbre de façon explicite ainsi que (ii) des grandes questions pour lesquels la bonne façon d'incorporer la phylogénie reste très floue. Ces points seront illustrés sur le microbiote de la daphnie.

Séminaires des années précédentes : 2012    2010    2009    2008