Méthodologies et outils transversaux

Bien que de nombreuses plateformes expérimentales (pour concevoir et analyser des processus catalytiques et biologiques) soient présentes à l’échelle nationale et en particulier parmi les partenaires du programme Bioproductions, il manque une norme d’échange de données qui entrave son utilisation pour concevoir, construire et tester des bioprocédés. Le premier défi dans ce domaine est d’inventorier et de normaliser les ressources, de les rendre facilement accessibles via un portail, et d’utiliser celles-ci pour réduire le temps et les coûts de développement de la recherche et développement. Le deuxième défi est d’utiliser les données produites par les plates-formes expérimentales à l’aide de méthodes d’apprentissage automatique pour proposer finalement des modèles prédictifs précis pour la réactivité de la biomasse, la transformation de la biomasse et la production de produits biosourcés via des bioprocédés. Ici, la difficulté sera de fusionner le modèle d’apprentissage automatique avec les modèles existants fondés sur des principes premiers ou mécanistes afin d’exploiter au mieux les avantages de ces approches.

Cet axe de recherche est composé de trois projets ciblés et sera complété des projets lauréats de l’appel à projets du programme :

Projets ciblés

  • MAMABIO : méthodologies d’apprentissage machine pour la simulation accélérée et prédictive à l’échelle atomique de la transformation de molécules biosourcées ;
  • AMARETTO : proposer un modèle permettant de prédire la réactivité d’une biomasse lignocellulosique de diverses origines en hydrolyse enzymatique ;
  • Galaxy-BioProd : développer un portail centralisé pour fournir des outils logiciels ainsi que des ressources de calcul et de stockage pour créer des workflows de travail au bénéfice des autres projets ciblés du programme et de la communauté des biotechnologies industrielles.

Projet lauréat de l'appel à projets 2024 :

  • MuSiHC : modèles cellulaires hybrides multi-taille.

Dans ce dossier

Modèles cellulaires hybrides multi-taille.

Méthodologie d'apprentissage machine pour la simulation accélérée et prédictive à l'échelle atomique de la transformation de molécules biosourcées.

Intégration d'outils analytiques et d'apprentissage automatique pour identifier des marqueurs et prédire la réactivité de la biomasse lignocellulosique en hydrolyse enzymatique.

Un portail opérationnel pour la production de produits biosourcés.