(H/F) Chercheur·se postdoctorant·e en apprentissage automatique sur graphes pour la morphogenèse embryo

Missions :
Le ou la candidat·e recruté·e développera des approches d’apprentissage automatique et de modélisation computationnelle pour comprendre comment des états cellulaires bruités et hétérogènes produisent des comportements collectifs reproductibles au cours de la morphogenèse embryonnaire.
Le projet visera en particulier à inférer des interactions effectives entre cellules à partir de données dynamiques multimodales, combinant selon les cas imagerie du développement, segmentation et suivi cellulaire, information de lignage, données transcriptomiques unicellulaires ou spatiales, et modèles biophysiques de tissus.
Une idée centrale du projet est de représenter les tissus embryonnaires comme des systèmes dynamiques de cellules en interaction, où les relations spatiales, mécaniques ou moléculaires entre cellules peuvent être décrites par des graphes évoluant au cours du temps. Le ou la postdoctorant·e développera des méthodes permettant de relier ces graphes cellulaires aux états internes des cellules et aux événements collectifs observés, tels que changements de destin cellulaire, mouvements coordonnés, réarrangements de voisinage ou déformations tissulaires.
Le projet s’inscrit à l’interface entre apprentissage automatique sur graphes, inférence d’interactions cachées, modélisation stochastique, biophysique de la morphogenèse et analyse de données biologiques spatio-temporelles.

Activités :
Les activités principales seront de :
• Construire des représentations computationnelles de tissus embryonnaires à partir de données d’imagerie, de segmentation, de suivi cellulaire et, lorsque disponibles, de données moléculaires ou transcriptomiques.
• Représenter les systèmes multicellulaires sous forme de graphes dynamiques.
• Développer et évaluer des méthodes d’apprentissage automatique sur graphes, notamment des réseaux de neurones sur graphes ou modèles apparentés, pour inférer des interactions effectives entre cellules.
• Étudier le rôle du bruit, de la stochasticité et des fluctuations internes dans l’émergence de comportements collectifs robustes.
• Développer des approches permettant d’identifier ou de prédire des événements rares ou localisés dans les dynamiques cellulaires, par exemple transitions de destin, réarrangements de voisinage, contractions locales ou changements de dynamique collective.
• Comparer des modèles purement appris à des modèles plus contraints par la biologie et la physique, afin d’identifier les interactions minimales nécessaires pour reproduire les dynamiques observées.
• Interagir avec des jeux de données issus de collaborations expérimentales, notamment en imagerie embryonnaire, dynamique collective cellulaire ou atlas moléculaires.
• Contribuer à l’intégration des approches développées avec les modèles biophysiques existants dans l’équipe, en particulier des modèles de mécanique tissulaire, d’inférence de forces ou de simulations multicellulaires.
• Mettre en plac
Voir plus sur le site emploi.cnrs.fr...