Chercheur/chercheuse en apprentissage machine pour la génomique de la réplication de l'ADN (H/F)

Missions :
Nous recrutons un chercheur/ une chercheuse postdoctoral pour rejoindre le projet RepliLand, une initiative interdisciplinaire à la croisée de la génomique, de l’intelligence artificielle et de la biophysique. Ce projet vise à élucider les mécanismes régissant l’initiation de la réplication de l’ADN chez les métazoaires en combinant l’apprentissage profond, les données épigénomiques et la modélisation mécanistique. La mission consiste à contribuer au développement de modèles prédictifs du paysage des probabilités d’initiation de la réplication (IPLS) à partir de données expérimentales limitées, avec des applications dans la recherche sur le cancer et la génomique inter-espèces.

Contexte scientifique.\\
La réplication de l’ADN est un processus biologique fondamental garantissant la transmission fidèle de l’information génétique lors de la division cellulaire. Dans les cellules eucaryotes, la réplication débute en plusieurs sites génomiques appelés origines de réplication, à partir desquels deux fourches de réplication se propagent dans des directions opposées. L’organisation spatiale et temporelle de l’activation des origines définit le programme de réplication, qui est à la fois spécifique au type cellulaire et sensible au contexte génomique et épigénomique. La régulation rigoureuse de ce processus reste à comprendre pleinement.
Dans ce contexte, nous avons développé un modèle original dans lequel l’IPLS, c’est-à-dire la propension intrinsèque des loci génomiques à initier la réplication, associée à la dynamique de progression de la fourche, détermine entièrement les observables du programme de réplication, tels que les profils du temps moyen de réplication (MRT) et de la directionnalité de la fourche de réplication (RFD). Nous avons proposé une stratégie visant à entraîner un réseau neuronal pour déduire des IPLS à haute résolution à partir de données expérimentales de MRT et de RFD ; lorsqu’elles sont utilisées comme entrées du modèle, celles-ci reproduisent les profils de réplication expérimentaux avec une précision sans précédent, démontrant ainsi que l’IPLS est une représentation puissante et compacte du programme de réplication, qui rend compte du rôle régulateur clé du contexte épigénétique et génomique (Arbona, PLoS Comput. Biol. 2023).
Cependant, l’application de cette approche est actuellement limitée par la rareté des ensembles de données de réplication à haute résolution, en particulier des profils RFD. Le projet vise à surmonter cette limitation en développant une nouvelle génération de modèles prédictifs capables de déduire l’IPLS directement à partir de données génomiques et épigénomiques largement disponibles.

Activités :
De manière générale, le projet vise à développer des approches intégratives à la croisée de l’(épi)génomique, de l’apprentissage automatique et de la physique, afin de relever les principaux défis de la biologie quantitative moderne. Le candidat/la
Voir plus sur le site emploi.cnrs.fr...