Annoter les données scientifiques par des approches d'intelligence artificielle

Avec l'essor de la science ouverte, de nombreuses données scientifiques provenant des laboratoires de recherche sont partagées et rendues disponibles publiquement. Cependant, ces données sont souvent invisibilisées par manque de métadonnées suffisantes pour les décrire et les réutiliser efficacement.Dans le cadre du projet européen LUMEN, nous présenterons le catalogue de données MDverse dédié aux données de simulations de dynamique moléculaire. Cette technique de simulation intensive est largement utilisée, de la physique des matériaux à la biologie moléculaire, en passant par la conception de nouveaux médicaments.Nous présenterons une méthodologie originale d'annotation des données utilisant de grands modèles de langage. Nous détaillerons les principales bibliothèques Python utilisées, évaluerons les performances obtenues et discuterons des limitations liées à l'usage de ces modèles.