Stage M2 : Application du deep learning aux données métabolomiques pour la découverte de biomarqueur

When:
31/03/2021 – 01/04/2021 all-day
2021-03-31T02:00:00+02:00
2021-04-01T02:00:00+02:00

Offre en lien avec l’Action/le Réseau : ATLAS/– — –

Laboratoire/Entreprise : CEA Saclay, Institut Joliot, Département Médicamen
Durée : 5 mois
Contact : etienne.thevenot@cea.fr
Date limite de publication : 2021-03-31

Contexte :
La caractérisation du phénotype par les approches moléculaires omiques (métabolomique, protéomique) ouvre des perspectives uniques pour la recherche de biomarqueurs dans le domaine de la santé. L’analyse classique des données de spectrométrie de masse (MS) s’effectue sur chaque nouveau jeu de données en deux temps : traitement du signal pour extraire les variables dans les données brutes, puis apprentissage statistique sur ces variables pour générer les modèles prédictifs.

Ces dernières années, les approches de réseaux de neurones profonds (e.g., CNN) directement sur données brutes ont montré des performances de classification très élevées notamment dans le domaine de l’imagerie. Les toutes premières publications dans le domaine de la spectrométrie de masse confirment le potentiel de ce type d’approche.

Sujet :
L’objectif de ce stage est de développer des architectures de type CNN innovantes pour optimiser les étapes de prétraitement des données de spectrométrie de masse MS ou MS/MS, de pronostic et d’annotation. Elle associera les expertises des équipes de science des données du métabolisme et d’imagerie génétique du CEA.

Les modules logiciels seront implémentés pour permettre la détection en routine de biomarqueurs pronostics en santé à partir des analyses métabolomiques sur des cohortes humaines.

Profil du candidat :
Nous recherchons un(e) candidat(e) avec un très bon dossier en mathématiques appliquées (traitement du signal, statistiques et informatique), et motivé par les applications multidisciplinaires (chimie, biologie, clinique).

Formation et compétences requises :
Le master pourra se prolonger par une thèse.

Adresse d’emploi :
Data Sciences for Molecular Phenotyping and Precision Medicine team (SciDoPhenIA)
Département Médicaments et Technologies pour la Santé (DMTS)
CEA Saclay, INRAE, Université Paris Saclay, MetaboHUB
91191 Gif-sur-Yvette cedex
https://scidophenia.github.io/