Projets novateurs réalisés

Reproducible Neuroimaging in Sport Science: Understanding Microstructural Brain Changes in Sprinters Undergoing Intense Athletic Training

Although it is known that exercise is beneficial to neurological health, there is a lack of research focusing on structural brain adaptations in athletes undergoing intense training. While neuroplasticity is often studied in clinical populations or general aging cohorts, this project aims to specifically investigate sprinters to identify exercise-related microstructural changes in the brain. As reproducibility in neuroimaging remains a major challenge, this project also seeks to deliver a reproducible framework through Neurolibre, an innovative platform developed by the project’s home supervisor to support open and ethical science.
The collaboration between Juntendo University and Polytechnique Montréal will create a unique bridge between Canadian methodological expertise, via Neurolibre, and Japanese experimental strengths, through access to multidisciplinary research environment and an athletic study population.

Integrating Large-Scale Brain Simulations Executed on High-Performance Computing Systems into Reproducible Open Publishing Frameworks via NeuroLibre

This project will connect two areas of cutting-edge research : large-scale brain simulations performed on Japan’s supercomputers, and Canada’s NeuroLibre platform for open and reproducible publishing. The goal is to create a proof-of-concept workflow where complex brain simulations are run on high-performance computing systems, and their key results are transformed into interactive, user-friendly publications on NeuroLibre. This will allow researchers, students, and industry partners to explore advanced neuroscience results without needing direct access to supercomputers, making pioneering discoveries more accessible and reusable. The collaboration will benefit both institutions: Juntendo University will gain new ways of sharing results from its large-scale simulations, while Polytechnique Montreal and NeuroLibre will expand their leadership in open science by supporting global, data-intensive research.

Data-Driven Disaggregation of HP Loads in Transmission Systems with Limited Data

This project develops AI- and data-driven methods to improve visibility of heat pump (HP) loads in power grids. By disaggregating HP consumption from aggregate smart meter and grid data, it will support accurate demand forecasting, reliable grid operation, and planning for heating electrification in cold climates, contributing to reduced greenhouse gas emissions.

Real-time satellite telemetry anomaly detection for on-board autonomy

As the number of satellites in orbit grows rapidly, with constellations ranging from dozens to thousands of spacecraft, continuous human monitoring does not scale; ground contact is limited and quick autonomous responses are essential to protect mission assets and space safety. The project aims to create a fast, reliable method to automatically detect anomalies in small-satellite telemetry, enabling a spacecraft to monitor itself in real time. We will design simple yet informative indicators that condense streams from key sensors and subsystems (power, attitude control, thermal, communications) into compact features suitable for on-board processing. These features will feed a lightweight machine-learning model capable of flagging both known and previously unseen behaviors with minimal computing and power. Validation will use simulated and historical flight data across nominal, degraded and fault scenarios, verifying strict limits on latency, memory and energy. Evaluation will emphasize accuracy, low false-alarm rates and clear operator explanations. Expected benefits include safer, more reliable constellations, reduced ground workload, faster diagnosis and recovery, and reusable tools adaptable across platforms.

Développement d’un Système Personnalisé pour la Détection Précoce d’Événements Cliniques et l’Identification de Biomarqueurs : Application à l’Hypoglycémie

Dans les systèmes de monitoring physiologique (comme l’ECG ou l’EEG), certains événements rares, par exemple une crise d’épilepsie ou un épisode d’hypoglycémie sévère, peuvent avoir des conséquences graves s’ils ne sont pas détectés à temps. Ces événements, souvent brefs et peu fréquents, sont pourtant cruciaux à identifier rapidement pour permettre une alerte précoce et prévenir des situations d’urgence.

Le défi réside dans la rareté de ces événements, leur variabilité entre les individus, et le bruit présent dans les signaux. L’hypothèse de ce projet est qu’il est possible d’améliorer leur détection grâce à des modèles d’intelligence artificielle capables de mettre en évidence des motifs faibles mais significatifs, en utilisant des mécanismes d’attention et des représentations adaptées aux signaux complexes, notamment des approches point-based.

Durant ce stage, la doctorante développera un système performant de détection automatique d’événements rares dans des signaux physiologiques, posant les bases d’applications cliniques variées et de systèmes d’alerte médicale intelligents et personnalisés.

Synthèse totale de l’hodgsonox

Le projet porte sur la synthèse totale de l’hodgsonox, c’est-à-dire la construction par une succession de réactions chimiques au laboratoire de la structure complète de la molécule. L’hodgsonox est une molécule naturelle isolée au début des années 2000 et jamais synthétisée depuis. Elle est isolée d’une plante de Nouvelle-Zélande et possède des activités insecticides contre une mouche parasite. Outre cette activité biologique, l’hodgsonox possède une structure originale qui constitue un vrai défi synthétique qui peut expliquer pourquoi personne n’a réalisé jusque maintenant sa synthèse totale.

Self-Driving Lab en chimie des nanomatériaux : spectroscopies in-line & RL

Ce projet vise à développer un laboratoire autonome combinant intelligence artificielle et spectroscopie pour accélérer la découverte de matériaux et l’analyse de produits complexes. Sous la supervision du professeur Jean-François Masson à l’Université de Montréal, le stage portera sur la mise en place d’un système de synthèse en flux contrôlé par apprentissage automatique, permettant de fabriquer et d’optimiser des nanomatériaux en temps réel. Le stagiaire participera aussi à des applications concrètes, comme l’automatisation du classement du sirop d’érable et la détection optique de neurotransmetteurs dans les tissus biologiques. Ce projet favorisera le transfert de connaissances entre le Canada et le Maroc, contribuera à la recherche en laboratoires intelligents et offrira des bénéfices concrets pour les domaines de l’énergie, de l’agroalimentaire et de la santé.

SUSTAIN Emerging Leaders: Weaving Cultural Equity through Community-Based Research

SUSTAIN Emerging Leaders will study, document, analyze, and mobilize impacts of a pilot fellowship program for racialized and gender diverse young creatives, created by community partner the Foundation for Leadership, Imagination and Place (FLIP). The OCAD University-based intern will investigate the SUSTAIN fellowship coaching program, to explore how comprehensive durational support, focusing on basic income, intensive coaching, and wellness and belonging, may impact change in organizational leadership structures, and inform practices for potential sector-wide implementation.

Classification automatisée des soutènements souterrains par analyse topographique avec apprentissage machine

Au Canada, de nombreuses infrastructures souterraines comme les tunnels creusés dans le roc vieillissent et deviennent difficiles à inspecter. Ce projet de recherche vise à moderniser leur évaluation en utilisant des technologies de pointe. En collaboration avec une entreprise spécialisée en géomécanique, l’équipe développe une méthode innovante pour reconnaître automatiquement les structures de soutènement (les éléments qui maintiennent les parois des tunnels) à partir de données 3D.
Ces données sont recueillies grâce à des outils de télédétection comme le LiDAR, la photogrammétrie et des scanners laser, qui permettent de créer des cartes très détaillées des parois souterraines. Ensuite, des logiciels spécialisés analysent ces cartes pour extraire des informations physiques comme la rugosité ou l’orientation des surfaces.
Enfin, des algorithmes d’intelligence artificielle sont entraînés pour identifier les types de soutènement et détecter des signes de détérioration, comme la rouille, même lorsque les données sont de faible qualité.
Ce projet permettra de rendre les inspections plus rapides, plus précises et plus sécuritaires, tout en formant une nouvelle génération de spécialistes capables de travailler à l’interface entre l’ingénierie, la géomatique et l’intelligence artificielle.

Computational models of cone photoreceptor mosaic formation

Cone photoreceptors are specialized neurons of the vertebrate retina that absorb light to begin daylight vision. Two major morphological types exist: single cones, which are circular in cross section, and double cones, which consist of two conjoint cells with elliptical cross section. Cones can be distributed in precise repeat patterns such as he hexagonal lattice (as present in the human fovea), where each single cone is surrounded by six neighbours, the square lattice (as occurs in many adult fishes and lizards) where each single cone is surrounded by four double cones, or the row lattice (as in adult zebrafish), where rows of double cones alternate with those of single cones. The physical mechanisms underlying cone mosaic patterning are unknown. This research will model potential forces (adhesion, rotation, translation) acting on cones to reveal the mechanisms that underpin cone pattern formation. As cone mosaics are essential for all aspects of vision and become disrupted in major retinal diseases, this research is invaluable to understand basic principles of retinal architecture and how it affects function. This research will benefit the collaborating laboratories as both share research interests in cone structure and function and in understanding mechanisms of retinal development and homeostasis.

Exploration minérale par intelligence artificielle

La découverte de nouveaux gisements miniers est devenue l’un des grands défis du XXI? siècle. Alors que la demande mondiale en minéraux stratégiques augmente pour accompagner la transition énergétique, les ressources facilement accessibles s’épuisent. L’exploration doit désormais cibler des environnements complexes où les méthodes traditionnelles sont coûteuses et incertaines.

Ce projet propose une approche intégrée combinant télédétection multispectrale, données géophysiques et intelligence artificielle. En exploitant les images satellites et les levés géophysiques, puis en les analysant avec des algorithmes d’apprentissage automatique, l’objectif est de produire des cartes de prospectivité minérale plus fiables. Cette méthodologie contribuera à réduire les coûts, les risques et l’impact environnemental liés aux campagnes de terrain.

L’étude sera appliquée au Centre Togo, une région prometteuse mais encore sous-explorée. Elle permettra de tester ces approches dans un contexte inédit et de favoriser un transfert de connaissances à partir de l’expertise canadienne.

Sous la supervision du professeur Erwan Gloaguen (INRS-ETE), expert reconnu en IA appliquée aux géosciences, ce projet renforcera le leadership du Canada, stimulera l’innovation minière, encouragera une exploration plus durable et formera une nouvelle génération de chercheurs capables de relever les défis de la transition énergétique.

Investigating the Role of Mutations in Genome Evolution

Mutations are small changes in DNA that can have big effects on how organisms adapt and evolve. My project investigates how mutations arise in yeast and how factors like ploidy, environment, and genome organization influence their occurrence. I will use a fluctuation test, a fast and reliable method for measuring mutation rates at specific genes, to compare how different species respond to various conditions.

The first part of my project focuses on Kluyveromyces lactis, a haploid yeast species that has not been studied extensively. I will track mutations that inactivate a key gene such as URA3, providing insight into how haploid genomes accumulate mutations. For diploid species like Candida albicans, I will use an antibiotic resistance marker that regains function only after mutation, allowing me to study mutation patterns in organisms with two chromosome sets.

In addition to mutation rates, I will examine ploidy changes in Schizosaccharomyces pombe populations and observe how genome stability responds to environmental stress. This project combines hands-on experiments with fundamental questions about mutation, adaptation, and genomic resilience. By the end, it will provide a clear picture of how different yeast species maintain genome stability while still generating the mutations that drive evolution.