Résultats de recherche

Depuis septembre 2023, Marc Hennequart, professeur en biochimie et biologie cellulaire à l’UNamur, mène des recherches novatrices sur le cancer du pancréas. Son équipe, basée à la Faculté de médecine et à l’Institut Narilis, étudie les étapes précoces de l’oncogenèse (processus de transformation d’une cellule normale en une cellule cancéreuse) pour mieux comprendre les changements métaboliques à l’origine de ce cancer particulièrement agressif.

Ce 13 décembre 2023, Charlotte Beaudart, nouvelle académique à la Faculté de médecine de l’UNamur, reçoit un prix lors de la cérémonie annuelle pour la recherche scientifique belge pour soutenir sa recherche innovante autour de la thématique du vieillissement.

Grégoire Wieërs, médecin interniste et chercheur à l'UNamur, incarne une fusion unique entre la recherche médicale et la pratique clinique. De sa quête pour comprendre le microbiote intestinal à son rôle dans la promotion d'une médecine durable, il participe avec les membres de la Faculté de médecine à l'avenir de la santé avec un engagement constant envers l'excellence et l'éthique. Il est le nouveau directeur du Département de médecine.

Depuis septembre 2023, un nouvel axe de la recherche sur le cancer du pancréas est mené au sein de la Faculté de médecine et de l’Institut Narilis, avec l’arrivée de Marc Hennequart. Professeur en biochimie et biologie cellulaire, c'est un chercheur expérimenté dans le domaine de la biologie du cancer. Avec son équipe, il étudiera plus particulièrement les étapes précoces de l'oncogenèse du cancer du pancréas.

La deadline d'inscription et de soumission pour les abstracts : 20 août 2025.  Plus d'infos sur le site internet de l'Institut NARILIS

Abstract Deep learning has become an extremely important technology in numerous domains such as computer vision, natural language processing, and autonomous systems. As neural networks grow in size and complexity to meet the demands of these applications, the cost of designing and training efficient models continues to rise in computation and energy consumption. Neural Architecture Search (NAS) has emerged as a promising solution to automate the design of performant neural networks. However, conventional NAS methods often require evaluating thousands of architectures, making them extremely resource-intensive and environmentally costly.This thesis introduces a novel, energy-aware NAS pipeline that operates at the intersection of Software Engineering and Machine Learning. We present CNNGen, a domain-specific generator for convolutional architectures, combined with performance and energy predictors to drastically reduce the number of architectures that need full training. These predictors are integrated into a multi-objective genetic algorithm (NSGA-II), enabling an efficient search for architectures that balance accuracy and energy consumption.Our approach explores a variety of prediction strategies, including sequence-based models, image-based representations, and deep metric learning, to estimate model quality from partial or symbolic representations. We validate our framework across three benchmark datasets, CIFAR-10, CIFAR-100, and Fashion-MNIST, demonstrating that it can produce results comparable to state-of-the-art architectures with significantly lower computational cost. By reducing the environmental footprint of NAS while maintaining high performance, this work contributes to the growing field of Green AI and highlights the value of predictive modelling in scalable and sustainable deep learning workflows. Jury Prof. Wim Vanhoof - University of Namur, BelgiumProf. Gilles Perrouin - University of Namur, BelgiumProf. Benoit Frénay - University of Namur, BelgiumProf. Pierre-Yves Schobbens - University of Namur, BelgiumProf. Clément Quinton - University of Lille, FranceProf. Paul Temple- University of Rennes, FranceProf. Schin’ichi Satoh - National Institute of Informatics, Japon La défense publique sera suivie d'une réception.Inscription obligatoire. Je m'inscris

L’un des soucis majeurs avec la maladie provoquée par le Covid-19 est son évolution grave, qui génère de nombreux problèmes pouvant entraîner une surcharge des hôpitaux. Détecter rapidement si une personne est à risque ou non de développer une forme sévère de la maladie est donc crucial pour optimaliser la prise en charge du patient et la gestion des ressources hospitalières. C’est l’un des objectifs de l’étude réalisée par QUALIblood, spin-off de l’UNamur, en collaboration avec le Département de pharmacie et de nombreux autres partenaires industriels et hospitaliers. Exploration d’une technologie de pointe au service de la santé.

Abstract Detecting semantic code clones in logic programs is a longstanding challenge, due to the lack of a unified definition of semantic similarity and the diversity of syntactic expressions that can represent similar behaviours. This thesis introduces a formal and flexible framework for semantic clone detection based on Constrained Horn Clauses (CHC). The approach considers two predicates as semantic clones if they can be independently transformed, via semantics-preserving program transformations, into a common third predicate. At the core of the method lies anti-unification, a process that computes the most specific generalisation of two predicates by identifying their shared structural patterns. The framework is parametric in regard with the allowed program transformations, the notion of generality, and the so-called quality estimators that steer the anti-unification process. Jury Prof. Wim Vanhoof - University of Namur, BelgiumProf. Katrien Beuls - University of Namur, BelgiumProf. Jean-Marie Jacquet - University of Namur, BelgiumProf. Temur Kutsia - Johannes Kepler University, AustriaProf. Frédéric Mesnard - University of the Reunion, Reunion IslandProf. Paul Van Eecke - Free University of Brussels, Belgium La défense publique sera suivie d'une réception.Inscription obligatoire. Je m'inscris

Abstract Plastic pollution has emerged as a pervasive environmental threat, with micro- and nanoplastics (MPs and NPs) accumulating across ecosystems and organisms, including humans. Their ability to adsorb and transport contaminants raises critical concerns for both environmental and public health.This thesis investigates the developmental neurotoxicity of MPs and NPs in zebrafish (Danio rerio), emphasizing the influence of particle size and mixture toxicity. NPs were shown to cross the embryonic chorion, disrupt physiological functions, and induce anxiety-like behaviour, whereas MPs mainly altered gene expression related to neurodevelopment. When co-exposed with methylmercury (MeHg), NPs enhanced MeHg accumulation in the brain and sensory organs, exacerbating its neurotoxic effects. Notably, the mixture induced severe hypoactivity, impaired lipid metabolism and neurotransmission, and increased mortality.These findings highlight the critical need to assess plastic particle toxicity not only in isolation but also in environmentally relevant mixtures. NPs, due to their small size and high reactivity, may act as vectors for toxicants like MeHg, amplifying their effects during sensitive developmental stages. Jury Prof. Frédéric SILVESTRE (UNamur), PrésidentProf. Patrick KESTEMONT (UNamur), SecrétaireDr Valérie CORNET (UNamur)Prof. Eli THORÉ (UNamur)Prof. Jérôme CACHOT (Université de Bordeaux)Dr Krishna DAS (Université de Liège) Inscription obligatoire. Je m'inscris