Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

MLPHENOM

Financiado

Cerrado

Machine learning for quantitative modelling of structured phenotypes

Understanding phenotypic variation, and more particularly identifying the causal genetic or environmental regulators, is a major aim in biological investigations. The goal of this proposal is to develop and apply machine learning... ver más

30/11/2013

EMBL

154K€

Presupuesto del proyecto: 154K€

Líder del proyecto

EUROPEAN MOLECULAR BIOLOGY LABORATORY No se ha especificado una descripción o un objeto social para esta compañía.

Fecha límite participación Sin fecha límite de participación.

Ver 2 Participantes

Financiación concedida El organismo FP7 notifico la concesión del proyecto el día 2013-11-30 No tenemos la información de la convocatoria

0% 100% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

2 Participantes

EMBL

0.00€ | Lider

MPG

N.D. | Participante

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Proyectos interesantes

EvoGenArch Evolution of the genetic architecture of quantitative traits 1M€ Cerrado

HIGEN ADVANCED STATISTICAL METHODS FOR HIGH DIMENSIONAL GENETIC ST... 2M€ Cerrado

TIN2008-00556 APRENDIZAJE AUTOMATICO DE MODELOS MARKOVIANOS GRAFICOS MEDIA... 29K€ Cerrado

SCAEL Social Change and Everyday Life 2M€ Cerrado

PRinHDD Pattern Recognition in High Dimensional Data 234K€ Cerrado

PrSc-HDBayLe Provable Scalability for high-dimensional Bayesian Learning 1M€ Cerrado

Líder del proyecto

EUROPEAN MOLECULAR BIOLOGY LABORATORY No se ha especificado una descripción o un objeto social para esta compañía.

Presupuesto del proyecto 154K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Understanding phenotypic variation, and more particularly identifying the causal genetic or environmental regulators, is a major aim in biological investigations. The goal of this proposal is to develop and apply machine learning techniques to model key aspects of structure that occur in modern, high-dimensional phenotype datasets. First, the temporal structure of phenotypes that are recorded over time is addressed. Statistical models can exploit smoothness of time series and detect change points. Second, the structure of images, arising when digital pictures are used as phenotypic variables, is considered. Machine learning techniques allow interpretable image features to be automatically extracted and used as quantitative traits, complementing classical measurements. Finally, the network structure of the phenome is addressed. Different phenotype variables influence each other, resulting in a chain of effects that needs to be modelled to reveal the true causal relationships. The developed algorithms will be applied to understand phenotypic variation in Arabidopsis thaliana in direct collaboration with researchers at the Max Planck Institute for Developmental Biology.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores