Doctorant (H/F) : Réseaux neuronaux profonds pour l’analyse de la diffusion moléculaire dans les cellul

Sujet de thèse :
Si les mécanismes moléculaires de la transcription sont aujourd’hui relativement bien compris, la manière dont les polymérases trouvent physiquement les gènes à transcrire parmi les 20 000 gènes présents dans le noyau reste une énigme. Toutefois, il apparaît de plus en plus évident que la dynamique de la RNAP II joue un rôle clé dans la régulation de la transcription, et sa compréhension pourrait ouvrir la voie à de nouvelles stratégies thérapeutiques.
Cependant, les dynamiques spatiales et temporelles de ces molécules fortement non stationnaires étant difficiles à capturer avec un seul instrument, il est nécessaire de développer un microscope multimodal combinant le suivi de particules uniques (SPT) et la spectroscopie de corrélation de fluorescence (FCS). L’analyse de ces données multimodales est complexe, car chaque technique individuelle implique des modèles physiques sophistiqués qui dépendent de nombreux paramètres, généralement extraits par des méthodes d’ajustement. De plus, les paramètres du modèle de diffusion dépendent de l’identification du type de processus de diffusion observé.

L’objectif principal de cette thèse est d’exploiter les réseaux neuronaux profonds pour analyser les mesures combinées de FCS et SPT correspondant à différents types de déplacements moléculaires (libre, contraint, 2D ou 3D). Nos stratégies s’appuieront sur des méthodologies récentes en apprentissage profond, tels que les transformateurs non autorégressifs. Nous aborderons également le problème de la reconstruction du signal à partir des trajectoires obtenues, en tant que tâche prétexte pour améliorer la généralisation de l’apprentissage du modèle. L’entraînement de ces modèles sera dans un premier temps basé sur des données simulées. Nous prévoyons de classifier les différentes trajectoires prétraitées en corrélation avec les cartes FCS afin de discriminer entre les différents modèles de diffusion. Nous évaluerons la précision et l’exactitude de l’algorithme d’apprentissage profond spatio-temporel conçu pour classifier les différents modèles de diffusion (Brownien, CTRW, fBm, Lw...).
Contexte :
Le laboratoire Interdisciplinaire Carnot de Bourgogne (ICB) est une Unité Mixte de Recherche entre le CNRS, l’Université Bourgogne Europe et l’Université Technologique de Belfort Montbéliard.

Ces travaux seront réalisés sur le site de Dijon, en collaboration avec deux départements du laboratoire ICB: le département Nanosciences et le département CO2M, qui disposent d’une expertise en biophysique, techniques de microscopie, méthodes d’analyse pour l’imagerie biologique, vision artificielle, vision robotique, analyse de données multimodales et apprentissage profond.

Cette thèse s'inscrit dans le cadre du projet CAMoMill (“Computer Assisted Multimodal Microscopy for Quantifying Molecular Diffusion in Cells”) financé par l'Agence Nationale de la Recherche (ANR) et dont l'objectif est d'analyser la dy
Voir plus sur le site emploi.cnrs.fr...