Computational Project Manager

Florent Guinot

Data science (Science des données)

“En tant que data scientist ayant une formation en biologie, je m’épanouis dans l’utilisation de mes compétences et de mes connaissances en science des données pour apporter des solutions thérapeutiques innovantes aux patients.”

Rôle à l’Institut Roche et parcours professionnel :

J’ai rejoint l’Institut Roche en 2021 en tant que chef de projet scientifique en mathématiques computationnelles. Mon rôle est de développer et gérer des projets en science des données pour accélérer l’innovation dans la recherche biomédicale. J’ai un profil data science avec plusieurs années d’expérience dans les secteurs public et privé combinés à une formation en biologie. J’ai, en effet, un diplôme d’ingénieur agronome.

Objectif à l’Institut Roche :

Je me concentre sur la gestion de projets et de partenariats qui font appel aux mathématiques computationnelles pour stimuler l’innovation en recherche biomédicale dans plusieurs domaines thérapeutiques (maladies neurodégénératives, oncologie, immunologie, maladies du sang). Je suis également impliqué dans des projets de recherche visant à fournir des informations sur l’exploration de données, l’analyse statistique et l’apprentissage machine.

  1. Misra N, Clavaud C, Guinot F, Bourokba N, Nouveau S, Mezzache S, Palazzi P, Appenzeller BMR, Tenenhaus A, Leung MHY, Lee PKH, Bastien P, Aguilar L, Cavusoglu N. Multi-omics analysis to decipher the molecular link between chronic exposure to pollution and human skin dysfunction. Sci Rep. 2021 Sep 15 ;11(1) :18302. doi : 10.1038/s41598-021-97572-1.
  2. Leung, M.H.Y., Tong, X., Bastien, P. et al. Changes of the human skin microbiota upon chronic exposure to polycyclic aromatic hydrocarbon pollutants. Microbiome 8, 100 (2020). https://doi.org/10.1186/s40168-020-00874-1
  3. Guinot, F., Szafranski, M., Chiquet, J. et al. Fast computation of genome-metagenome interaction effects. Algorithms Mol Biol 15, 13 (2020). https://doi.org/10.1186/s13015-020-00173-2
  4. Guinot, F., Szafranski, M., Ambroise, C. et al. Learning the optimal scale for GWAS through hierarchical SNP aggregation. BMC Bioinformatics 19, 459 (2018). https://doi.org/10.1186/s12859-018-2475-9
  5. Bouchet, AS., Laperche, A., Bissuel-Belaygue, C. et al. Genetic basis of nitrogen use efficiency and yield stability across environments in winter rapeseed. BMC Genet 17, 131 (2016). https://doi.org/10.1186/s12863-016-0432-z
Plus de publications