Postdoc H/F en Intelligence artificielle informée par la physique pour la modélisation à haute dimensio

Missions :
Modélisation mathématique et méthodes numériques
Développement de code
Présentation des résultats dans des revues à comité de lecture et lors de conférences
Activités :
Le·la postdoctorant·e rejoindra le projet SIMAI, financé par le programme MIC de l’INSERM « Approches interdisciplinaires des processus oncogéniques et perspectives thérapeutiques : contributions des mathématiques et de l’informatique à l’oncologie ». Ce projet étudie la relation entre la modélisation physique et les données haute dimension, un domaine actif et en rapide évolution dans l’intelligence artificielle et l’apprentissage automatique.

Les approches théoriques bénéficieront des données de protéomique et de transcriptomique spatiales fournies par nos partenaires biologistes de l’IRCM, l’Institut de Recherche sur le Cancer de Montpellier. Notre objectif est de prédire la réponse du mélanome aux traitements par inhibiteurs de points de contrôle immunitaires (ICI).

Dans le cadre du projet SIMAI, des données multi-omiques seront utilisées pour construire des modèles 3D du microenvironnement tumoral (TME), qui représente un écosystème complexe de cellules de types variés interagissant de manière dynamique. Une meilleure compréhension de cet écosystème pourrait fournir des informations cruciales sur la progression de la maladie, notamment sur l’apparition de résistances aux traitements. Ce projet vise à créer une synergie entre intelligence artificielle (IA) et modèles mécanistes de l’hétérogénéité tumorale, combinant les forces des deux approches.

Le projet s’appuiera sur les travaux récents du laboratoire de Radulescu sur la reconstruction multidimensionnelle et multimodale du TME (Hodgkinson et al., 2022 ; Arslan et al., 2023 ; Kumar et al., 2024). Pour la modélisation mécaniste, nous utilisons un cadre de modélisation à l’échelle mésoscopique basé sur des équations aux dérivées partielles (EDP), intégrant la dynamique des populations avec le signal intracellulaire, le métabolisme et la régulation génétique dans un formalisme unifié. Cette approche modélise les densités cellulaires dans le temps, l’espace et les dimensions internes (structurelles) (Hodgkinson et al., 2022).

Dans la modélisation tumorale à l’échelle mésoscopique, le comportement des cellules est souvent régi par des EDP haute dimension, dans lesquelles les cellules sont caractérisées non seulement par leur position spatiale, mais aussi par des variables internes représentant l’état des voies de signalisation et métaboliques (Hodgkinson et al., 2022). Cette haute dimensionnalité pose des défis importants pour les méthodes numériques conventionnelles, telles que les schémas aux différences finies ou aux éléments finis, en raison de la croissance rapide du coût computationnel et des limitations associées en termes de stabilité et de précision.

Le·la postdoctorant·e étudiera l’utilisation des réseaux de neurones informés par la physique (PINNs) c
Voir plus sur le site emploi.cnrs.fr...