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

Laboratoire/Entreprise : LIS, Aix Marseille Université
Durée : 24 Mois
Contact : raquel.urena@univ-amu.fr
Date limite de publication : 2024-11-30

Contexte :
La transplantation pulmonaire est le traitement ultime de l’insuffisance respiratoire terminale. Il s’agit d’un traitement lourd, coûteux, et présentant des risques pré-, per- et post- opératoires. En particulier, 30% des transplantés pulmonaires présentent à 3 ans une dysfonction chronique du greffon (Chronic lung allograft dysfunction , CLAD) qui, une fois diagnostiquée, laisse une espérance de vie de 2 à 3 ans environ. Or, un récent rapport sur l’état des lieux de la transplantation pulmonaire en France a été réalisé par l’Académie de Médecine cite{academie_nationale_de_medecine}. Un des points soulignés par ce rapport est l’inadéquation, en France, entre les besoins et les capacités en transplantation pulmonaire, entre autres du fait du faible nombre de greffons disponibles. Une des voies d’amélioration pourrait être de mieux cibler les receveurs en fonction de la probabilité de survenue d’un phénomène de rejet. La question médicale est donc “est-il possible d’estimer la probabilité de survenue d’un rejet de greffe pulmonaire chez un patient donné, le receveur d’organe potentiel, afin d’optimiser l’attribution des greffons ?”.

Sujet :
Le but de ce projet est de développer un outil d’estimation de la probabilité de survenue d’un rejet chronique (CLAD). Cela nécessite une modélisation mésoscopique et temporelle.

Des analyses préliminaires (statistiques univariées, multivariées, et approches bayésiennes) ont été conduites afin d’identifier des liens causaux entre les variables. Il s’agira de s’appuyer sur ces résultats afin de construire un modèle de prédiction d’apparition de CLAD.

La première étape sera de modéliser “l’effet centre”, c’est-à-dire les biais liés au bassin de population pris en charge par chacun des centres de greffes (typologie des patients dont les pathologies ayant conduit à la greffe) et aux spécificités de prise en charge des centres de greffe (expertise des centres, modalités de prise en charge).

Dans un second temps, il s’agira de proposer un modèle d’estimation de probabilité de rejet individuel basé sur cet effet centre et, entre autres, sur les séries temporelles associées au suivi clinique de chaque patient. En particulier, il faudra prendre en compte et corriger l’impact de l’évolution de la pratique au cours de la constitution de la cohorte.

Profil du candidat :
Nous recherchons une personne ayant obtenu un doctorat en modélisation mathématique et/ou en apprentissage automatique/intelligence artificielle, avec un intérêt marqué pour l’application de ces techniques dans le domaine de la santé. Une expérience dans le domaine médical serait appréciée, mais n’est pas indispensable.

Compétences requises :

– Compétences solides en programmation Python, avec une maîtrise des bibliothèques scikit-learn, PyTorch, Keras et TensorFlow.
– Solide connaissance des méthodes de machine learning et de deep learning.
– Liste solide de publications dans des revues et conférences internationales dans les domaines de la modélisation mathématique et/ou de l’intelligence artificielle.
– Très bon niveau d’anglais (écrit et oral)

Formation et compétences requises :

Adresse d’emploi :
Aix Marseille Université, Marseille, France

Document attaché : 202407110803_Analyse_de_l_activité_de_greffe_pulmonaire_en_France___vers_une_prédiction_du_rejet_chronique.pdf

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

Laboratoire/Entreprise : PhyMedEx (Lab. Physiologie et Médecine Expérimenta
Durée : 4 ans
Contact : claire.daien@umontpellier.fr
Date limite de publication : 2024-11-30

Contexte :
Les travaux s’effectueront au sein du laboratoire Physiologie et Médecine Expérimentale, PhyMedEx, (UMR Inserm, UM, CNRS), avec un accès aux données de PROMESS, une cohorte nationale unique suivant longitudinalement des sujets à risque de développer la polyarthrite
rhumatoïde et hautement phénotypés en terme d’exposome, données cliniques et biologiques. Le(la) professeur(e) junior(e) aura également accès aux données expérimentales du laboratoire, notamment de modèles de souris humanisées avec des microbiotes de patients et de tests fonctionnels in vitro à partir de sérum de patients. Elle pourra également avoir accès aux données de l’entrepôt de données de santé du CHU de Montpellier.

Sujet :
La CPJ aura pour objectifs de générer des modèles de prédiction et hypothèses biologiques pour expliquer la survenue de la polyarthrite rhumatoïde à l’aide d’IA à partir des données :
– en libre accès dans la littérature,
– des modèles expérimentaux du laboratoire,
– de la cohorte PROMESS.
Les hypothèses biologiques et variables de prédiction qui sortiront de cet apprentissage seront ensuite validées sur des modèles expérimentaux afin de nourrir l’apprentissage automatique du modèle.
La CPJ utilisera ensuite une cohorte virtuelle pour évaluer les performances du modèle de prédiction.

Profil du candidat :
Expertise en intelligence artificielle analytique classifiante sur données hétérogènes complexes.
Profil mathématiques ou bio-informatique,

Formation et compétences requises :
Epreuve de titre permettant de répondre au pré-requis de professeur des universités dans 4 ans

Adresse d’emploi :
Laboratoire de Physiologie et Médecine Expérimentale du coeur et des muscles (PHYMEDEXP) – UMR 9214, U 1046 et UFR Médecine Montpellier-Nîmes. Université de Montpellier

Document attaché : 202407091552_CPJ_CHIARA_FOPC_0342490X_214.pdf

Offre en lien avec l’Action/le Réseau : SaD-HN/– — –

Laboratoire/Entreprise : Laboratoire Informatique, Image et Interaction (L3
Durée : 36 mois
Contact : alain.bouju@univ-lr.fr
Date limite de publication : 2024-09-15

Contexte :
La réduction du rejet de carbone dans l’atmosphère est une préoccupation mondiale. En effet, l’émissions de gaz à
effet de serre dans l’atmosphère est à l’origine du réchauffement climatique ce qui présente une menace pour notre
terre. L’impact carbone du transport est l’un des plus important, par exemple en France, le transport est l’activité qui
contribue le plus aux émissions de gaz à effet de serre (durable, 2021).
Dans ce contexte, différentes mesures peuvent être appliqué dont dans le domaine des transports. Notamment la
conduite autonome et les services de transport à la demande de véhicules électriques. En effet, la conduite autonome
apporte de nombreux avantages aux individus et à la société, notamment une sécurité routière accrue, une réduction
des embouteillages et une empreinte écologique améliorée.
C’est dans ce cadre que le projet YéloDETA intervient. L’objectif du projet YéloDETA est de fournir un service de
transport à la demande automatisé dans les zones à faible densité (périurbaines et rurales) dans 8 communes de
l’agglomération rochelaise. Cependant, pour parvenir à une diffusion réussie de ces véhicules autonomes et exploiter
ainsi leur potentiel environnemental, il faut favoriser une large acceptation de ce concept de mobilité. L’acceptabilité
et l’acceptation sont donc un point bloquant important (Bel., 2019). Ici, l’acceptabilité concerne les intentions des
utilisateurs à utiliser ou non la technologie, et l’acceptation de son usage effectif.

Sujet :
Les avancées dans les domaines des véhicules autonomes, de la psychologie sociale et de l’évaluation des Interaction
Humain-Machine (IHM) montrent que l’acceptabilité et l’acceptation conditionnent le bon déploiement de navettes
sans conducteur dans la société. Cependant de nombreux obstacles entravent encore l’acceptation généralisée des
véhicules autonomes et nous n’avons pas suffisamment de connaissances sur les perceptions des utilisateurs finaux
sur cette technologie innovante. Gagner l’acceptation des utilisateurs finaux devient donc essentiel au déploiement
généralisé des véhicules autonomes. En effet, dans la littérature il existe différents travaux qui proposent des modèles
d’acceptabilité étudiant le rapport de l’individu à l’objet technologique dont on souhaite prédire l’usage. Ces modèles
étudient le rapport de l’individu à l’objet technologique dont on souhaite prédire l’usage. Cependant, cela ne concerne Allocations doctorales 2024
2
que la manière dont les caractéristiques d’un système technologique influencent l’acceptation de l’utilisateur.
D’autres dimensions sont parfois ajoutées pour améliorer le pouvoir prédictif des modèles tel que la dimension de
confiance.
Ainsi le développement des IHM utilisateur-navette autonome doit être fait sur la base des évaluations de
l’acceptation et l’acceptabilité ainsi que l’expérience utilisateur. Pour autant il n’existe pas de modèle d’évaluation
complet pour l’évaluation de l’acceptabilité, de l’acceptation, l’expérience utilisateurs et de la confiance des usagers
des véhicules autonomes et qui fournit à la fois les éléments clés à intégrer dans une IHM d’une navette autonome ou
bien sa méthode de conception afin de garantir une bonne expérience utilisateur.

Profil du candidat :
Master 2 en Informatique avec une ouverture sur les utilisateurs

Formation et compétences requises :
Master 2 en Informatique avec si possible des bases en développement d’IHM

Adresse d’emploi :
Laboratoire L3i Institut LUDI Bâtiment Pascal Avenue Michel Crépeau
17042 La Rochelle Cedex 1 – France

Document attaché : 202407010859_sujet-these-YeloDeta.pdf

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

Laboratoire/Entreprise : Université de Paris-Dauphine – PSL
Durée : 1 an renouvelable
Contact : bruno.chavesferreira@dauphine.fr
Date limite de publication : 2024-06-26

Contexte :
Created by the University Paris Sciences and Letters (PSL) and hosted by Paris-Dau- phine, the «Applied Computational Social Sciences» Institute aims to strengthen research on major societal issues (political and social cohesion, ecological transition, digital transformation, economic efficiency and competitiveness) by linking data sciences and social sciences.

The Institute collects and processes heterogeneous data on a large scale both to enable scientific advances and to help inform public dialog and decision-making.
It brings together a multidisciplinary team of researchers in social sciences and relies on a team of engineers in data science who bring their expertise to build original databases and perform sophisticated analysis. These projects are initiated and supported by research units affiliated to the French National Institute for Research (CNRS) and a group of outstanding research universities. The outcomes of the Institute activities are also featured to reach policymaking and business audiences.

Sujet :
In the context of the development of the ACSS institute, PSL university is hiring one junior and one senior data-scientists. They will be responsible for implementing strategies, tools and methods for producing and analyzing data from various sources (Web, institutional databases, archives, etc.). They will also be responsible for ensuring compliance with best practices in matter of code and data management. Finally, they will contribute to the development of statistical analysis or machine learning algorithms (particularly in the field of natural language processing).

Profil du candidat :
• Hands-on experience in developing deep neural networks and other advanced static models applied to automated language processing on large corpora.
• Mastery of Python and R ecosystems dedicated to data science.
• More specifically in Python, mastery of numpy, pandas, spacy and pytorch.
• In R, proficiency in tidyverse, tidymodels and associated libraries, and torch.
• Proficiency in relational databases.
• Understanding of scientific methods in the humanities and social sciences.

Formation et compétences requises :
• Experienced in tuning hyperparameters for large language models (LLMs) to improve performance and efficiency.
• Familiar with fine-tuning models such as BERT, GPT, and Transformer-based architectures
• Knowledgeable in distributed training techniques and leveraging GPUs in a cluster.
• Practice of modern web services (REST architecture, JSON formats, XML, etc.).
• Development methodologies: unit tests, version control (GIT).

Adresse d’emploi :
Université Paris Dauphine-PSL
Pl. du Maréchal de Lattre de Tassigny, 75016 Paris

Document attaché : 202406260949_Ingenieur_IR_ACCS_2024_en.pdf

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

Laboratoire/Entreprise : LIRMM (UMR 5506) — Univ Montpellier & CNRS
Durée : 12 mois (renouvelabl
Contact : rivals@lirmm.fr
Date limite de publication : 2024-06-26

Contexte :
Nous recrutons un ingénieur en informatique (machine learning et data science) dans le cadre du projet EpiTransDiag financé par la SATT AxLR et qui vise à développer une plateforme analytique de l’épitranscriptome permettant le diagnostic précoce du cancer, la stratification des patients ainsi que le suivi post-thérapeutique. La maturation permettra de consolider la méthode analytique à travers l’étude de cohortes de patients plus conséquentes ainsi qu’à établir un diagnostic prédictif de marqueurs cancéreux sous le format présence/absence de cancer. Une startup a été créée et exploitera les résultats générés durant la maturation.

Annonce site université: https://umemplois.umontpellier.fr/poste/2024-R0314

– Date de début du contrat :  01/09/2024
– Date de fin du contrat :   31/08/2025  
– mention : renouvelable 12 mois
– type: ingénieur d’étude ou ingénieur de recherche
– Niveau de rémunération : selon grille UM et en fonction de l’expérience.

Sujet :

La mission porte sur le diagnostic de cancers. Des mesures par spectrométrie de masse des modifications chimiques des ARN sont effectuées sur des échantillons de tissus ou dans des fluides corporels (par ex: sang, urine, etc). Ces mesures, collectivement nommées “profil epitranscriptomique” sont les données à partir desquelles on prédit la présence ou non d’un cancer. Le rôle de l’ingénieur est de contribuer au développement et la validation des méthodes d’apprentissage automatique et d’analyse statistiques pour ces prédictions.

L’objectif global de projet est de concevoir et mettre au point un test de diagnostic (qui est un dispositif médical).

L’équipe scientifique du projet a d’abord mis au point une nouvelle méthode de diagnostic pour un cancer du cerveau (le gliome). Cette méthode combine la spectrométrie de masse, les modifications chimiques de l’ARN et de l’intelligence artificielle. Les références de la publication libre d’accès sont ci-dessous (parue en 2022). Les résultats de prédiction sont bons alors que la détermination du stade pour ce cancer est particulièrement difficile en clinique. Le CHU de Montpellier a déposé une demande de brevet.

* Quelques pointeurs
** Article scientifique :
Multivariate Analysis of RNA Chemistry Marks Uncovers Epitranscriptomics-Based Biomarker Signature for Adult Diffuse Glioma Diagnostics

S. Relier, A. Amalric, A. Attina, I.B. Koumare, V. Rigau, F. Burel Vandenbos, D. Fontaine, M. Baroncini, J.P. Hugnot, H. Duffau, L. Bauchet, C. Hirtz,* E. Rivals,* and A. David*

Analytical Chemistry 2022 https://doi.org/10.1021/acs.analchem.2c01526
** Pointeurs de vulgarisation :

1. Le communiqué de presse du CNRS INSB qui met nos travaux en lumière : https://www.insb.cnrs.fr/fr/cnrsinfo/exploiter-le-code-chimique-de-larn-pour-etablir-une-carte-didentite-tumorale

2. Podcast de l’émission de radio Université de Montpellier

A l’UM la science [S02-ep02] : De l’épitranscriptome à l’expo cancer

3. article du Midi Libre (accès limité) https://www.midilibre.fr/2022/10/09/tumeur-du-cerveau-des-scientifiques-montpellierains-mettent-au-point-un-test-de-diagnostic-revolutionnaire-10709997.php

4. dans un dossier du Magazine INSERM :

ou https://www.lirmm.fr/~rivals/post/2023_inserm_magazine/

Profil du candidat :
Mission principale :
Dans le cadre d’un projet de maturation, nous recrutons un ingénieur informaticien / data scientist dont l’activité principale consistera à :
– assurer le développement d’un pipeline analytique (analyse de machine learning et statistiques) dédié aux données de modifications de ARN
– contrôler la capacité prédictive du pipeline expérimental et analytique pour le diagnostic précoce du cancer et son suivi thérapeutique
– effectuer l’analyse de données d’épitranscriptome pour le diagnostic et le suivi du cancer
– contribuer à établir des signatures épitranscriptomiques pour le diagnostic ou le suivi de cancers

Activités :
– Développement informatique, conception d’algorithmes de machine learning
– Exploration et visualisation de données bio-chimiques
– Développement de méthodes de calculs, démonstration des outils
– Automatisation et sécurisation du traitement de données
– Rédaction de rapport, interaction avec biologistes et biochimistes
– Participation à des réunions, et possiblement à des congrès ou conférence

Formation et compétences requises :
Formation :
– école d’ingénieur ou master universitaire en informatique ou science des données
– avec une composante de programmation informatique
Connaissance approfondie et pragmatique de :
– apprentissage automatique (machine learning)
– science des données (data science) et statistiques
– programmation en langage python (librairies de ML telles que scikit learn, pytorch, etc)
– développement logiciel : pratique de gestion et maintenance des logiciels, de tests

Autres connaissances :
– maîtrise de l’anglais
– langage python, C++
– programmation de visualisation de données avec interface dynamique

Qualités:
– forte motivation et engagement professionel
– professionalisme en particulier en termes de qualité du travail accompli
– bonne capacité d’apprentissage et d’écoute
– capacité d’interaction et de travail en équipe
Divers :
– intérêt pour la biologie, la médecine ou les questions pluridisiciplinaires

Adresse d’emploi :
Montpellier
adresse: LIRMM – UMR 5506 CNRS & Univ Montpellier
CC 05016
860 rue de St Priest – 34095 Montpellier cedex 5 FRANCE

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

Laboratoire/Entreprise : LAMSADE, MILES Team
Durée : 2 ans
Contact : alexandre.allauzen@dauphine.psl.eu
Date limite de publication : 2024-06-24

Contexte :
Postdoc position in MILES Team (Paris Dauphine) on frugal ML and Deep-Learning for Physics

Sujet :
A postdoc position (2 years) is open in the MILES team at Université
Paris Dauphine PSL. Depending on the candidate background, potential
topics of interest include, but are not limited
– to fast and frugal adaptation,
– physics-informed foundation models for numerical simulation,
– data efficiency in training,
– theoretical guarantees of frugal deep learning
– Application to NLP and/or speech processing …

You can find more information in this document:
https://allauzen.github.io/assets/docs/Miles-SHARP-postdoc-fall-2024.pdf

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Université Paris Dauphine