Description du projet

Retour aux réalisations

La computer vision au service de la biologie

Réduire de 70% la marge d’erreur de détection des signaux et faire gagner plusieurs heures de travail aux biologistes.

Industrie – PME – Computer vision

Cette entreprise de biotechnologie est spécialisée dans les solutions de diagnostic moléculaire et dans le développement d’outils de détection de l’ADN utilisés pour la recherche et les diagnostics in vitro.


Elle utilise la technologie du peignage moléculaire qui permet d’isoler et d’étirer des molécules individuelles d’ADN, pour ensuite les fixer sur une lame de verre traitée chimiquement.


L’injection de balises fluorescentes colorées permet ensuite aux biologistes d’identifier clairement les gènes ciblés afin de détecter des variations structurales du génome pouvant être à l’origine de nombreuses maladies graves voire mortelles.

Technologies

Logo Python
Logo Tensorflow
Logo Docker

Objectif et solution

L’entreprise a débuté un projet de computer vision – data science appliquée à l’image – afin de pouvoir détecter plus précisément et plus rapidement les gènes sur lesquels les balises fluorescentes se sont posées et pouvoir ensuite les analyser.

Les algorithmes de détection d’image classiques jusqu’à présent utilisés nécessitaient une action manuelle puisque les utilisateurs devaient, dans 100% des cas, modifier ce qui avait été détecté.

Le nouveau modèle de machine learning détecte les signaux en quelques heures et réduit la marge d’erreur de 70%.

L’objectif à court terme : Obtenir une marge d’erreur proche de zéro afin que les biologistes n’aient plus à valider manuellement chaque signal.

Chiffres clés

70%

de réduction de la marge d’erreur

94%

de réduction du temps de détection

Notre accompagnement

Au sein d’une équipe de 3 Data Scientists, nous apportons notre expertise en computer vision afin de répondre à deux problématiques :

Engagement humain Linkvalue
  • Améliorer la détection et la segmentation : 

    Créer un modèle de segmentation d’image utilisant les données accumulées au fur et à mesure des années (machine learning) qui permet de détecter automatiquement les balises fluorescentes.
    Les biologistes peuvent ainsi identifier clairement les gènes ciblés pouvant être à l’origine d’anomalies génétiques.

  • Affiner les analyses statistiques et la visualisation des données :

    L’équipe de Data Scientists est accompagnée d’un développeur Fullstack chargé de créer l’interface web qui permettra de calculer les statistiques, d’afficher les graphiques et de générer les rapports d’analyse.
    Le modèle doit donc pouvoir regrouper les informations et les transformer en coordonnées afin de faciliter le travail d’analyse. 

L’environnement technique

Témoignage partner

Hadi Partner Linkvalue

D’un point de vue personnel, ce projet me permet d’enrichir ma culture scientifique puisque je travaille en étroite collaboration avec les biologistes afin de proposer un modèle qui réponde à leurs problématiques métiers.
D’un point de vue technique, il s’agit d’un gros challenge d’avoir à traiter des images aussi grandes (100 000 / 100 000 pixels) puisque plus l’image est grande plus le travail d’ingénierie sera complexe.
Enfin, travailler aux côtés d’un autre Data Scientist qui bénéficie d’une expertise différente de la mienne, me permet à la fois de monter en compétences sur les statistiques, et de lui partager mon expertise en computer vision.

Hadi – Partner Linkvalue

Un projet en tête ? Contactez-nous !

Réserver un café avec nous