Aller au contenu principal

Persyvact2

Modèles Structurés et Méthodes Algorithmiques pour l'analyse de Données Complexes et de Grande Dimension : Applications en Santé

Équipe action

Persyvact2 est la suite du projet exploratoire Persyvact. Notre équipe de recherche collaborative vise à développer des méthodologies de pointe en science des données pour analyser des données biomédicales massives.

Persyvact2 est composé d'une vingtaine de chercheurs du GIPSAlab, du LJK et du TIMC-IMAG. Issus de différents domaines liés à la science des données (statistiques, apprentissage automatique, traitement des images et des signaux), les membres de Persyvact2 analyseront les données biomédicales générées par les neurosciences, la génomique et la recherche sur les essais cliniques. Les structures clés des données biomédicales que Persyvact2 exploitera sont les structures de graphes, les expériences répétées et leur représentation intrinsèque à faible dimension.

L'objectif de Persyvact2 est de mener une recherche collaborative et de rassembler des chercheurs de différents domaines scientifiques intéressés par la science des données. Persyvact2 a l'intention d'organiser des événements scientifiques et un atelier international pendant sa durée de vie. Persyvact2 cherche à améliorer la visibilité internationale de la science des données à Grenoble.

Mots-clés : Statistiques informatiques et théoriques ; données multimodales et hétérogènes ; traitement des images et des signaux ; analyse spatiale ; modèles graphiques ; modèles mixtes ; apprentissage ; extraction de structures ; classification (non) supervisée ; détection ; processus ponctuels ; optimisation à grande échelle ; régularisation (convexe ou non, différentiable ou non) ; analyse bayésienne ; analyse multi-échelle ; modèles de Markov ; modèles à variables latentes ; réduction des dimensions ; éparpillement ; sélection de modèles ; robustesse ; neurosciences statistiques ; génétique ; imagerie médicale.

Coordinateurs

Pierre-Olivier Amblard (Gipsa-lab)
Michael Blum (TIMC-IMAG)
Adeline Leclercq-Samson (LJK)

Membres

Sophie Achard (Gipsa-lab)
Pierre-Olivier Amblard (Gipsa-lab)
Hacheme Ayasso (Gipsa-lab)
Caroline Bazzoli (LJK)
Michael Blum (TIMC-IMAG)
Jean-Marc Brossier (Gipsa-lab)
Florent Chatelain (Gipsa-lab)
Laurent Condat (Gipsa-lab)
Michel Desvignes (Gipsa-lab)
Rémy Drouilhet (LJK)
Florence Forbes (LJK)
Olivier François (TIMC-IMAG)
Stéphane Girard (LJK)
Sophie Lambert (TIMC-IMAG)
Adeline Leclercq-Samson (LJK)
Frédérique Letué (LJK)
Julien Mairal (LJK)
Marie-José Martinez (LJK)
Olivier Michel (Gipsa-lab)
Nicolas Thierry-Mieg (TIMC-IMAG)
Laurent Zwald (LJK)

Séminaires et réunions

  • Cancer heterogeneity data challenge. 10-14 décembre 2018
  • Summer school signal processing on graph. 10-14 septembre 2018
  • Graduate training program Data Sciences for Geosciences. 15-19 janvier 2018
  • Epigenetic & High-Dimension Mediation Data Challenge. 7-9 juin 2017
  • Journée "Modélisation en biologie et statistique de données biomédicales". 2 novembre 2015

Publications

Choiruddin A, J.-F Coeurjolly, F. Letué (2018) Convex and non-convex regularization methods for spatial point processes intensity estimation. Electronic Journal of Statistics

Prive F, H Aschard H, A Ziyatdinov, MGB Blum (2018) Efficient management and analysis of large-scale genome-wide data with two R packages: bigstatsr and bigsnpr. Bioinformatics 34:2781-2787

Capblancq T, K Luu, MGB Blum, E Bazin (2018) How to make use of ordination methods to identify local adaptation: a comparison of genome scans based on PCA and RDA. Molecular Ecology Resources

Dias-Alves T, J Mairal, MGB Blum (2018) Loter: A software package to infer local ancestry for a wide range of species. Molecular Biology and Evolution, msy 126

Bacher R, Meillier C, Chatelain F, Michel O (2017) Robust control of varying weak hyperspectral target detection with sparse non-negative representation. IEEE Transactions on Signal Processing 65:3538-3550

Cubry P, Vigouroux Y, François O (2017) The empirical distribution of singletons for geographic samples of DNA sequences. Frontiers in Genetic 8

Gabriel Zebadua A, P-O Amblard, E Moisan, OJJ  Michel (2017) Compressed and Quantized Correlation Estimators. IEEE Transactions on Signal Processing 65:56-68

Luu K, Bazin E, Blum MGB (2017) pcadapt: an R package to perform genome scans for selection based on principal component analysis. Molecular Ecology Resources 1:67-77

Le Bihan N, F Chatelain, J Manton (2016) Isotropic Multiple Scattering Processes on Hyperspheres. IEEE Transactions on Information Theory 62:5740-5752

Grenier E, Helbert C, Louvet V, Samson A, Vigneaux P (2016) Population parametrization of costly black box models using iterations between SAEM algorithm and kriging. Computational and Applied Mathematics.

Delattre M, Genon-Catalot V, Samson A (2016) Mixtures of stochastic differential equations with  random effects: application to  data clustering. Journal of Statistical Planning and Inference.

Harlé F, F Chatelain, C Gouy-Pailler, S Achard. Bayesian Model for Multiple Change-Points Detection in Multivariate Time Series (2016) Signal Processing, IEEE Transactions Signal Processing 

Ollier E, Samson A, Delavenne X, Viallon V (2016) A SAEM Algorithm for Fused Lasso Penalized Non Linear Mixed Effect Models: Application to Group Comparison in Pharmacokinetic. Computational Statistics and Data Analysis. 96:207-221.

Martins H, Caye K, Luu K, Blum MGB, François O (2016) Identifying outlier loci in admixed and in continuous populations using ancestral population differentiation statistics. Molecular Ecology 25:5029–5042

Duforet-Frebourg N, Luu K, Bazin E, Blum MGB (2016). Detecting Genomic Signatures of Natural Selection with Principal Component Analysis: Application to the 1000 Genomes Data. Molecular Biology and Evolution. 33:1082-1093 

Termenon M, C Delon-Martin, A Jaillard, Achard S (2016). Reliability of graph analysis of resting state fMRI using test-retest dataset from the human connectome project. Neuroimage 142: 172–187.

Termenon M, S Achard, A Jaillard, Delon-Martin C (2016). The ”hub disruption index”, a reliable index sensitive to the brain networks reorganization. a study of the contra- lesional hemisphere in stroke. Frontiers in Computational Neuroscience 10.

Publié le 3 décembre 2024

Mis à jour le 11 mars 2025