Projets d’équipe de recherche collaborative

Amélioration de la modélisation robuste de l’inférence causale et de la prédiction à haute dimension

Ce projet explore des méthodes pour améliorer l’inférence causale de haute dimension et la modélisation de prédiction dans les sciences biomédicales.

Catégorie de recherche : Santé et biologie
Région : Nationale
Date : 2021-2024

Pourquoi étudier des données complexes en médecine de précision ?

Les progrès récents des technologies « -omiques » permettent aux scientifiques de collecter simultanément de grandes quantités de données cliniques. Cela révolutionne la façon dont nous pouvons mesurer les processus pathogènes ou les réponses aux thérapies.

Ces données de grande dimension ont le potentiel d’améliorer la prévention et le diagnostic des maladies. Cependant, il présente des défis importants en raison des erreurs de mesure, des valeurs aberrantes, des réponses multivariées et des structures de corrélation complexes.

Les progrès dans ce domaine sont essentiels pour construire des modèles utiles en médecine de précision.

Zones d’exploration

Régression régularisée avancée

Comprend la réduction de la variance et la diminution des erreurs d’échantillonnage dans les données biométriques.

Variables instrumentales régularisées

Comprend la correction des erreurs de mesure dans les données biométriques.

Modèles causaux à valeur matricielle

Comprend le développement de modèles de causalité dans des contextes de grande dimension.

Résoudre les défis mondiaux

Objectif de l’équipe de recherche

Développer un cadre analytique avancé pour la gestion de données complexes en sciences biomédicales.

Les gens derrière le projet

Membres du groupe

Gabriela Cohen Freue | Université de la Colombie-Britannique

Célia Greenwood | Institut Lady Davis pour la recherche médicale, Université McGill

Collaborateurs

Sahir Bhatnagar | université McGill

Tom Blydt Hansen | Université de la Colombie-Britannique

Dehan Kong | Université de Toronto

Karim Oualkacha | Université du Québec à Montréal

Brent Richard | université McGill

David Soave | Université Laurier

Linbo Wang | Université de Toronto

Zhaolei Zhang | Université de Toronto

Contact

L’amélioration de la modélisation robuste de l’inférence causale et de la prédiction à haute dimension est un projet de l’équipe de recherche collaborative. Ce programme aborde des problèmes complexes à travers un programme de recherche et de formation de trois ans.


L’INCASS offre environ 200 000 $ pour ce type de projet, qui nécessite une équipe de professeurs, de postdoctorants et d’étudiants.