Doctorant /(H/F) en intelligence artificielle pour l'ARN

Sujet de thèse :
Vue d’ensemble du projet
Les virus à ARN segmenté, comme le virus de la grippe A, évoluent notamment par réassortiment génétique, un processus permettant de générer de nouvelles combinaisons virales pouvant présenter un potentiel pandémique. Bien qu’un très grand nombre de combinaisons soit théoriquement possible, seules certaines apparaissent réellement dans la nature, suggérant l’existence de contraintes de compatibilité entre segments d’ARN. Ce projet de thèse vise à développer des modèles hybrides mêlant apprentissage statistique et modélisation physique afin d’identifier et prédire les réseaux d’interactions ARN–ARN qui contraignent le réassortiment viral. Le travail combinera l’analyse de larges bases de données de séquences virales, des mesures expérimentales à haut débit sur particules virales individuelles, ainsi que des approches de cartographie structurale des ARN, dans un cadre étroitement intégré entre expérimentation et modélisation computationnelle.

Objectifs de recherche
Le ou la doctorant(e) développera des modèles probabilistes et génératifs, tels que le Direct Coupling Analysis (DCA) et les Variational Autoencoders (VAE), entraînés sur de grandes bases de données de séquences virales. Le projet intégrera également des contraintes physiques liées à l’énergétique des interactions ARN dans les cadres d’apprentissage statistique. Les prédictions des modèles seront comparées quantitativement à des données expérimentales obtenues par des approches à haut débit, avec une stratégie itérative de raffinement des modèles dans une boucle de type « apprendre–concevoir–tester ». L’objectif global est de construire des modèles prédictifs de compatibilité des génomes viraux capables de simuler des scénarios de réassortiment entre souches émergentes.

Collaborations
Le projet s’inscrit dans un consortium national interdisciplinaire et impliquera des collaborations étroites avec l’Institut Pasteur pour la virologie de la grippe et la génétique inverse, avec des équipes du CNRS spécialisées dans l’étude structurale des ARN à résolution nucléotidique, ainsi qu’avec des plateformes de microfluidique et de séquençage de particules virales individuelles.

Contexte :
Nous recherchons un(e) candidat(e) ayant une formation en physique, mathématiques appliquées, biologie computationnelle ou intelligence artificielle, avec de solides compétences en programmation Python, un fort intérêt pour la modélisation probabiliste et l’IA générative, ainsi qu’une motivation à travailler à l’interface entre théorie et expérimentation dans les domaines de la biologie des ARN et de l’évolution virale.