Portrait de Mathieu Blanchette

Mathieu Blanchette

Membre académique associé
Directeur et professeur associé, McGill University, École d'informatique
Sujets de recherche
Apprentissage profond
Biologie computationnelle
Réseaux de neurones en graphes
Site web

Biographie

Mathieu Blanchette est professeur associé et directeur de l'École d'informatique de l'Université McGill.

Après avoir obtenu un doctorat (Université de Washington, 2002) et un postdoctorat (Université de Californie à Santa Cruz, 2003), il s'est joint à l'École d'informatique de l’Université McGill et a fondé le Laboratoire de génomique computationnelle. Les recherches effectuées par son équipe d’exception ont fait l'objet de plus de 70 publications. Récemment élu membre du Collège de nouveaux chercheurs et créateurs en art et science de la Société royale du Canada, il a été boursier Sloan (2009) et a reçu le prix Outstanding Young Computer Scientist Researcher de l'Association canadienne de l'informatique (2012) ainsi que le prix Chris Overton (2006). Il adore enseigner et superviser les étudiant·e·s, et a d’ailleurs reçu le prix Leo Yaffe pour l'enseignement (2008).

Étudiants actuels

Noah El Rimawi-Fine
Maîtrise recherche - McGill
Co-superviseur⋅e :
Siamak Ravanbakhsh
Github
Lucas Nelson
Maîtrise recherche - McGill
Adam Stecklov
Maîtrise recherche - McGill
Github
César Miguel Valdez Cordova
Doctorat - McGill
Github
Google Scholar
Nicole Zhang
Doctorat - McGill
Site web
Github
Google Scholar
Yijie Zhang
Doctorat - McGill
Site web
Google Scholar

Publications

PhyloPGM: boosting regulatory function prediction accuracy using evolutionary information
Faizy Ahsan
Zichao Yan
Doina Precup
Mathieu Blanchette
Supplementary data are available at Bioinformatics online.
2022-04-13
Bioinformatics (publié)
doi.org
Phylogenetic Manifold Regularization: A semi-supervised approach to predict transcription factor binding sites
Faizy Ahsan
Alexandre Drouin
Francois Laviolette
Doina Precup
Mathieu Blanchette
The computational prediction of transcription factor binding sites remains a challenging problems in bioinformatics, despite significant m e… (voir plus)thodological d evelopments f rom t he field of machine learning. Such computational models are essential to help interpret the non-coding portion of human genomes, and to learn more about the regulatory mechanisms controlling gene expression. In parallel, massive genome sequencing efforts have produced assembled genomes for hundred of vertebrate species, but this data is underused. We present PhyloReg, a new semi-supervised learning approach that can be used for a wide variety of sequence-to-function prediction problems, and that takes advantage of hundreds of millions of years of evolution to regularize predictors and improve accuracy. We demonstrate that PhyloReg can be used to better train a previously proposed deep learning model of transcription factor binding. Simulation studies further help delineate the benefits o f t he a pproach. G ains in prediction accuracy are obtained over a broad set of transcription factors and cell types.
2020-12-15
2020 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (publié)
doi.org
Prediction of Cell Type Specific Transcription Factor Binding Site Occupancy
Faizy Ahsan
Doina Precup
Mathieu Blanchette
2016-10-01
ACM International Conference on Bioinformatics, Computational Biology and Biomedicine (publié)
doi.org
Algorithms in Bioinformatics
P. Agarwal
Tatsuya Akutsu
Amir Amihood
Alberto Apostolico
C. Benham
Gary Gustaf Benson
Mathieu Blanchette
Nadia El-Mabrouk
Olivier Gascuel
Raffaele Giancarlo
R. Guigó
Michael Hallet
D. Huson
G. Kucherov
Michelle R. Lacey
Jens Lagergren
Giuseppe Lancia
Gad M. Landau
Thierry. Lecroq
B. Moret … (voir 21 de plus)
S. Morishita
Elchanan Mossel
Vincent Moulton
Lior S. Pachter
Knut Reinert
I. Rigoutsos
David Sankoff
Sophie Schbath
Eran Segal
Charles Semple
J. Setubal
Roded Sharan
S. Skiena
Jens Stoye
Esko Ukkonen
Lisa Allen Vawter
Alfonso Valencia
Tandy J. Warnow
Lusheng Wang
Rita Casadio
Gene Myers
2012-09-30
Lecture Notes in Computer Science (publié)
doi.org