Conférence dans le cadre des Congrès scientifiques mondiaux TimeWorld : TimeWorld expose et anime la connaissance sous toutes ses formes, théorique, appliquée et prospective. TimeWorld propose un état de l'art sur une thématique majeure, avec une approche multiculturelle et interdisciplinaire. C'est l'opportunité de rencontres entre chercheurs, industriels, universitaires, artistes et grand public pour faire émerger des idées en science et construire de nouveaux projets.
https://timeworldevent.com/fr/
-------------------------------
Louis-Pascal Xhonneux - Doctorant en apprentissage profond
Louis-Pascal Xhonneux a fait sa licence et sa maîtrise en informatique à l'Université de Cambridge. Sa thèse de maîtrise portait sur la classe de complexité BGP en complexité computationnelle. Il est actuellement étudiant en troisième année de doctorat auprès du professeur Jian Tang et travaille sur les réseaux neuronaux graphiques, plus particulièrement sur la découverte de médicaments et le raisonnement algorithmique. Il a précédemment effectué un stage auprès du Dr Eoin McKinney et a travaillé sur la modélisation du diabète de type I chez les enfants.
Conférence : L'apprentissage profond géométrique aide-t-il à la découverte de médicaments ?
Jeudi 5 mai 2022, 12h15 - 13h — Amphi mauve
La découverte de médicaments est un processus très long et coûteux. Cela prend en moyenne plus de 10 ans et coûte 2,5 milliards de dollars pour développer un nouveau médicament. L'intelligence artificielle a le potentiel d'accélérer considérablement ce processus de découverte de médicaments en extrayant des preuves à partir d'une énorme quantité de données biomédicales. Cette démarche pourrait révolutionner l'ensemble de l'industrie pharmaceutique. L'apprentissage de la représentation des graphes et l'apprentissage profond géométrique - sont des sujets en plein essor dans la communauté de l'apprentissage automatique et de l'exploration de données. L'apprentissage profond pour les données structurées en graphes et en 3D offre de réelles opportunités pour la découverte de médicaments. Nombreuse sont les données qui sont représentées sous forme de graphes ou de structures 3D (par exemple, les molécules, les protéines, les graphes de connaissances biomédicales). Dans cet exposé, seront présentés les progrès récents en matière d'apprentissage profond géométrique pour la découverte de médicaments, ainsi qu'une plateforme d'apprentissage automatique à code source ouvert récemment publiée pour la découverte de médicaments, appelée TorchDrug.