Key points are not available for this paper at this time.
Quelles que soient la créativité, l'innovation et l'élégance de nos méthodes computationnelles, la preuve ultime de la valeur d'un algorithme est la qualité de ses prédictions, validée expérimentalement. Malheureusement, ce truisme est difficile à mettre en pratique. En général, les modélistes produisent des centaines à des centaines de milliers de prédictions, dont la plupart (sinon toutes) ne sont pas mises à l'épreuve. Dans le meilleur des cas, un petit sous-ensemble de prédictions (habituellement de trois à dix) est validé expérimentalement, comme étape de contrôle de qualité pour attester de la validité globale de l'ensemble complet des prédictions. Cependant, la question de savoir si ce petit ensemble est réellement représentatif des performances globales de l'algorithme reste généralement sans réponse. Ainsi, une compréhension claire des forces et des faiblesses d'un algorithme reste souvent insaisissable, surtout pour les biologistes expérimentaux qui doivent décider quel outil utiliser pour aborder un problème spécifique. Dans ce chapitre, nous décrivons le premier ensemble systématique de défis posés à la communauté de la biologie des systèmes dans le cadre du projet DREAM (Dialogue for Reverse Engineering Assessments and Methods). Ces tests, qui sont devenus connus sous le nom de défis DREAM2, consistent en des données généreusement fournies par des participants au projet DREAM et organisées de manière à devenir des problèmes de reconstruction de réseau, dont les solutions, les véritables réseaux derrière les données, étaient cachées aux participants. L'explication des cinq défis qui en ont résulté, une comparaison globale des soumissions et une discussion des stratégies les plus performantes sont les principaux sujets abordés.
Stolovitzky et al. (Sun) ont étudié cette question.