Exposition “Momies” au Muséum de Toulouse

L’exposition temporaire “Momies” proposée par le Muséum de Toulouse est ouverte au public du 22 Octobre au 1er Juillet 2023.

Reconnue d’intérêt national par le ministère de la culture, cette exposition est aussi l’une des 20 propositions soutenues en 2022 par l’Inrap sous le label « l’Inrap a 20 ans ! » .

Momies, corps préservés, corps éternels au Muséum | Toulouse Tourisme (toulouse-tourisme.com)

Le CAGT a pu contribuer à travers le comité scientifique et différents éléments présentés dans le cadre de l’exposition.

Horse Power soutenu par l’ERC Synergy 

Le projet Horse Power co-porté par le CAGT vient de recevoir le soutien de l’ERC Synergy 

La fin du troisième siècle avant notre ère a vu la naissance de deux grandes puissances en Asie. Côté steppes, au cœur d’un territoire qui s’étend au-delà des frontières actuelles de la Mongolie, l’empire Xiongnu établit son pouvoir sur la maîtrise inégalée du cheval pour donner naissance au premier véritable empire nomade des steppes. Côté Chine, la dynastie Qin sut unifier le pays pour la première fois en fondant les bases d’un Etat sédentaire et particulièrement organisé, dont l’armée de Qin Shi Huang et ses huit mille soldats de terre cuite nous donne, aujourd’hui encore, toute la mesure de sa puissance. Le projet Horse Power vise à comprendre les fondements de ces deux grandes puissances, qui ont servi de modèle d’organisation du pouvoir et des sociétés en Asie jusqu’à aujourd’hui. Le cheval occupait une place centrale au cœur de ce dispositif. Il était l’allié naturel des habitants des steppes et de leurs immenses étendues, mais il représentait aussi un instrument de guerre redoutable auquel rien ne semblait plus pouvoir résister. Comment les Xiongnu ont-ils su exploiter le cheval pour construire leur empire ? Comment la dynastie Qin, qui manquait quant à elle cruellement de chevaux mais disposait de métaux précieux à foison, a-t-elle pu néanmoins bâtir sa cavalerie pour défendre son territoire ? Les métaux servaient-ils de monnaie d’échange contre les chevaux ? Et comment le cheval, désormais vital à ces économies a-t-il à son tour modifié les croyances, l’art et le rapport à la mort de celles et ceux qui peuplaient ces territoires ? C’est en mobilisant des experts internationaux du CNRS et de l’université Paul Sabatier, ainsi que des universités d’Oxford (Chris Gosden) et de Bonn (Ursula Brosseder), et du British Muséum (Ruiliang Liu) que le projet Horse Power apportera des réponses à toutes ces questions. Ensemble, ils mèneront de nombreuses fouilles archéologiques dans ces régions et s’intéresseront aussi bien aux génomes des chevaux qui vivaient à ces époques, qu’à leur mobilité et leurs caractéristiques physiques, ou qu’à la composition des objets en Bronze qui circulaient dans ces territoires. Côté Français, le projet s’organisera autour de Ludovic Orlando et du Centre d’Anthropobiologie et de Génomique de Toulouse (CAGT) pour percer à jour les mystères inscrits dans les molécules d’ADN préservées dans les squelettes de chevaux anciens.

(c) L. Orlando, horses in Inner Mongolia

Ludovic Orlando a fondé le CAGT qu’il dirige depuis janvier 2020. Il a dévoué sa carrière au séquençage des molécules d’ADN préservées dans les restes fossiles. Il a participé au séquençage du premier génome humain ancien. Il a été le premier à séquencer un génome vieux de plus d’un demi-million d’années et à reconstruire, au-delà des génomes, des épigénomes anciens. Il est l’auteur de plus de deux cent publications scientifiques et est mondialement reconnu pour avoir découvert le berceau de la domestication des chevaux.

suivre #ERCSyG , @ERC_Research, @LudovicLorlando

New Publication – Science

Todd E.T., Tonasso-Calvière L., Chauvey L., Schiavinato S., Fages A. […] Orlando L. 2022. The genomic history and global expansion of domestic donkeys. Science 377, 1172-1180

We teamed up with archaeologists, conservation and evolutionary biologists to sequence an extensive worldwide panel of modern and ancient donkey genomes.

The population structure supports domestication origins 7000 ya in Africa, with those modern populations from Horn and Kenya closest to the original source.

It also supports an expansion towards Western Africa around 5000 ya, and soon after Out-of-Africa, then differentiating into Europe and Asia, with back migrations into Africa… ” [L. Orlando]

COVER A donkey from Petra, Jordan, carries goods through the rugged landscape, as millions of others have done for millennia. Genetic analysis tracks their journey from a single domestic origin in Africa as early as 7000 years ago to rapid expansions through Eurasia 2500 years later. Ancient genomes also reveal trans-Mediterranean exchange, giant Roman beasts, and previously unknown diversity in the Levant. See page 1172.
Photo: Brit Büchner/EyeEm via Getty Images

Soutenance de thèse – Antoine Galibourg

Antoine Galibourg soutiendra sa thèse intitulée « Estimation de l’âge dentaire chez le sujet vivant : application des méthodes d’apprentissage machine chez les enfants et les jeunes adultes » le lundi 20 juin 2022.

La soutenance se tiendra à 14h en salle des actes, faculté de santé – département de chirurgie dentaire 3, Chemin des Maraichers 31062 Toulouse.

Composition du Jury :

Mme Delphine TARDIVO, Rapporteure

Mme Véronique ALUNNI, Examinatrice

M. Norbert TELMON, Directeur de thèse

Mme Delphine MARET-COMTESSE, Co-directrice de thèse

M. Paul MONSARRAT, Co-directeur de thèse

Résumé [FR]

Exposé du problème : Chez l’individu vivant, l’estimation de l’âge dentaire est un paramètre utilisé en orthopédie ou en orthodontie dentofaciale, ou en pédiatrie pour situer l’individu sur sa courbe de croissance. En médecine légale l’estimation de l’âge dentaire permet d’inférer l’âge chronologique sous forme d’une régression ou d’une classification par rapport à un âge clé. Il existe des méthodes physiques et radiologiques. Si ces dernières sont plus précises, il n’existe pas de méthode universelle. Demirjian a créé il y a presque 50 ans la méthode radiologique la plus utilisée, mais elle est critiquée pour sa précision et pour l’utilisation de tables de références basées sur un échantillon de population franco-canadien.

Objectif : L’intelligence artificielle et plus particulièrement l’apprentissage machine a permis le développement de différents outils ayant une capacité d’apprentissage sur une base de données annotées. L’objectif de cette thèse a été de comparer la performance de différents algorithmes d’apprentissage machine; dans un premier temps par rapport à deux méthodes classiques d’estimation de l’âge dentaire, puis entre elles en ajoutant des prédicteurs supplémentaires.

Matériel et méthode : Dans une première partie, les différentes méthodes d’estimation de l’âge dentaire sur des individus vivants enfants et jeunes adultes sont présentées. Les limites de ces méthodes sont exposées et les possibilités d’y répondre avec l’utilisation de l’apprentissage machine sont proposées. A partir d’une base de données de 3605 radiographies panoramiques d’individus âgés de 2 à 24 ans (1734 filles et 1871 garçons), différentes méthodes d’apprentissage machine ont été testées pour estimer l’âge dentaire. Les précisions de ces méthodes ont été comparées entre elles et par rapport à deux méthodes classiques de Demirjian et Willems. Ce travail a abouti à la parution d’un article dans l’International Journal of Legal Medicine. Dans une deuxième partie, les différentes méthodes d’apprentissage machine sont décrites et discutées. Puis les résultats obtenus dans l’article sont remis en perspective avec les publications sur le sujet en 2021. Enfin une mise en perspective des résultats des méthodes d’apprentissage machine par rapport à leur utilisation dans l’estimation de l’âge dentaire est réalisée.

Résultats : Les résultats montrent que toutes les méthodes d’apprentissage machine présentent une meilleure précision que les méthodes classiques testées pour l’estimation de l’âge dentaire dans les conditions d’utilisation de ces dernières. Elles montrent également que l’utilisation du stade de maturation des troisièmes molaires sur une plage d’utilisation étendue à 24 ans ne permet pas l’estimation de l’âge dentaire pour une question légale.

Conclusion : Les méthodes d’apprentissage machine s’intègrent dans le processus global d’automatisation de la détermination de l’âge dentaire. La partie spécifique d’apprentissage profond semble intéressante à investiguer pour des tâches de classification de l’âge dentaire.

Abstract [EN]

Statement of the problem: In the living individual, the estimation of dental age is a parameter used in orthopedics or dentofacial orthodontics or in pediatrics to locate the individual on its growth curve. In forensic medicine, the estimation of dental age allows to infer the chronological age for a regression or a classification task. There are physical and radiological methods. While the latter are more accurate, there is no universal method. Demirjian created the most widely used radiological method almost 50 years ago, but it is criticized for its accuracy and for using reference tables based on a French-Canadian population sample. Objective: Artificial intelligence, and more particularly machine learning, has allowed the development of various tools with a learning capacity on an annotated database.

The objective of this thesis was to compare the performance of different machine learning algorithms first against two classical methods of dental age estimation, and then between them by adding additional predictors.Material and method: In a first part, the different methods of dental age estimation on living children and young adults are presented. The limitations of these methods are exposed and the possibilities to address them with the use of machine learning are proposed. Using a database of 3605 panoramic radiographs of individuals aged 2 to 24 years (1734 girls and 1871 boys), different machine learning methods were tested to estimate dental age. The accuracies of these methods were compared with each other and with two classical methods by Demirjian and Willems. This work resulted in an article published in the International Journal of Legal Medicine. In a second part, the different machine learning methods are described and discussed. Then, the results obtained in the article are put in perspective with the publications on the subject in 2021. Finally, a perspective of the results of the machine learning methods in relation to their use in dental age estimation is made.

Results: The results show that all machine learning methods have better accuracy than the conventional methods tested for dental age estimation under the conditions of their use. They also show that the use of the maturation stage of third molars over an extended range of use to 24 years does not allow the estimation of dental age for a legal issue.

Conclusion: Machine learning methods fit into the overall process of automating dental age determination. The specific part of deep learning seems interesting to investigate for dental age classification tasks.