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

Laboratoire/Entreprise : Laboratoire d’Informatique et des Systèmes (LIS)
Durée : 3 ans
Contact : paul.chauchat@lis-lab.fr
Date limite de publication : 2024-05-24

Contexte :

Sujet :
The complete offer is available here:
https://www.lis-lab.fr/wp-content/uploads/2024/03/Sujet_these_homeostasie-2.pdf

Context and Positioning
Homeostasis is the process by which living organisms maintain a stable internal balance necessary for their survival and optimal functioning. This process typically involves feedback mechanisms that detect deviations from a target state and activate responses to correct these deviations and return the system to a stable level. The homeostasis capabilities of an individual are used to support medical decision making, such as patients’ peri-operative risk stratification in lung cancer surgery.
The homeostatic abilities of an individual can be assessed through exercise testing, which is the traditional clinical method for evaluating patients’ health status and overall systemic dynamics. A series of tests is designed to measure features representative of the individual’s homeostatic capabilities, with one significant metric being the maximal oxygen uptake (VO2max). These measurements are obtained through routine functional tests and maximal exercise sessions, aimed at challenging the entire organism to evaluate physiological adaptive responses. When exercise performance or maximal aerobic capacity is limited for a given patient, the medical doctor has to identify the failing physiological function and to provide a coherent system failure mechanics analyzing the monitored data. However, medical doctors still analyze the collected physiological data in a univariate approach as historically developed. Currently, in the research community, the human body is considered as a dynamic physiological complex system. Recently, the framework of network physiology was proposed, giving a central role to homeostasis.
To broaden theoretical knowledge and to fill the gap between current research and medical practice, the Exercise Test Laboratory of Hôpitaux Universitaires de Marseille built its own activity database composed of 2500 exercise tests.

Objectives
This thesis aims at exploiting this dataset in order to provide a global understanding and interpretation framework of the multivariate data generated during maximal exercise testing to improve patients’ homeostasis phenotyping through their homeostatic capabilities.
We aim to develop a medically and statistically consistent approach to identifying and quantifying determinants of overall performance as well as aerobic performance from monitored variables. This would provide physicians with improved analytical tools to achieve a more relevant and precise patient exercise phenotyping.
The thesis project aims to go further and provide physicians with a quantitative decision support indicator. It will be developed by focusing on the dynamic interactions between the recorded variables. Here, we consider in particular adapting the framework of physiological networks to the mesoscopic and macroscopic case of exercise tests. This would provide crucial information to the physician about patients’ homeostatic capacities.

Work environment
The recruited candidate will work at LIS-lab and C2VN, in Marseille. They will have access to the computing cluster of LIS.
In addition to the supervising team, the PhD candidate will work in close collaboration with a junior hospital doctor.

Profil du candidat :
We are looking for a candidate with both an appeal to work on precise and effective medical problems, and a strong theoretical background in one of the following:
• System and control theory
• Signal/Image/Graph processing
• Computer science
• Machine learning/Artificial intelligence
Good coding skills are also required, preferably in Python.
The candidate should be able to work autonomously, and interact efficiently with the team. Critical thinking, especially when interpreting results, is crucial.

Candidate selection is a two-stage process. First the supervision team will shortlist three candidates, who will then be auditioned by Laennec Institute scientific board.
The application must include a CV, a motivation letter, and the master’s degree grade transcript (first year, and at least the first semester of the second year if it is ongoing).

Formation et compétences requises :

Adresse d’emploi :
Laboratoire d’Informatique et des Systèmes
LIS UMR 7020 CNRS / AMU / UTLN
Aix Marseille Université – Campus de Saint Jérôme – Bat. Polytech
52 Av. Escadrille Normandie Niemen
13397 Marseille Cedex 20

Document attaché : 202403261024_Sujet_thèse_homéostasie.pdf

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

Laboratoire/Entreprise : LaBRI, Université de Bordeaux
Durée : 3 ans
Contact : thebault@labri.fr
Date limite de publication : 2024-06-03

Contexte :
Ce projet de thèse interdisciplinaire vise à proposer de nouvelles approches informatiques pour analyser et améliorer les connaissances actuelles sur les cancers digestifs, maladies souvent diagnostiquées tardivement et aux solutions thérapeutiques limitées. Une stratification efficace des patients nécessite la compréhension la plus exhaustive possible des mécanismes biologiques impliquant des données biologiques hétérogènes (génomique, transcriptomique, protéomique, communication intercellulaire, épigénomique …), étroitement interconnectées de façon hiérarchique, et des connaissances provenant de bases de données spécialisées. La modélisation et intégration de ces données hautement complémentaires et à forte combinatoire dans un système complexe est cruciale pour approcher la réalité biologique et améliorer la précision des connaissances sur les mécanismes mis en jeu.
Dans ce contexte, les objectifs de ce projets sont de (1) modéliser les données biologiques à partir d’un multiplex (graphe multi-couches) hétérogène mixte avec le double avantage de représenter par niveau chaque type de données biologiques avec leurs interactions tout en prenant en compte les relations entre chaque niveau en fonction des différentes classes de pathologies, (2) proposer de nouvelles méthodes d’identification des voies de signalisation dérégulées basées par exemple sur la combinaison d’algorithmes de propagation de l’information et de détection de communautés dans chaque couche et entre elles afin d’utiliser au mieux toutes les topologies spécifiques à chaque type de données tout en permettant de les relier et (3) définir et implémenter des approches de visualisation pour faciliter l’interprétation interactive des résultats en plaçant le/la biologiste ou bioinformaticien·ne au centre du processus d’analyse des données. Ces développements informatiques seront appliqués à des données hétérogènes (exome, protéomique, transcriptomique..) produites par le BRIC à partir d’une cohorte de patients atteints de cancers digestifs (pancréas, foie et rectum).

Sujet :

Un des grands défis dans le domaine de la santé numérique est d’accompagner l’exploitation de grands jeux de données et de connaissances hétérogènes pour le développement de la médecine de précision. Cette médecine, dite personnalisée, permet notamment d’identifier les sous-groupes de patients présentant des caractéristiques biologiques ou génétiques similaires en tenant compte des caractéristiques individuelles des patients, ce qui facilite le développement de traitements plus ciblés et efficaces. Elle repose sur l’acquisition de données multi-omiques (génomique, transcriptomique…) couplées aux informations cliniques et biologiques des patients, générant ainsi un important volume et une grande diversité de données.

Face à cette grande hétérogénéité de données biologiques portant des informations différentes et complémentaires, de nombreux outils d’intégration de données multi-omiques ont été proposés ces dernières années. Cinq grandes familles de méthodes sont proposées: l’intégration précoce, mixte, intermédiaire, tardive et hiérarchique [1]. Nous nous intéressons particulièrement aux méthodes d’intégration mixte (transformation indépendante de chaque jeu de données en une représentation simple) et hiérarchique (inclusion des connaissances préalables des relations régulatoires entre les différents types de données). En effet, chaque type de données peut être représenté naturellement sous forme de graphes ce qui permet de simplifier et débruiter ces données à grandes dimensions, ensuite l’utilisation de multiplex permet de connecter ces graphes tout en gardant l’aspect hiérarchique des relations entre les différentes molécules suivant le dogme central de la biologie moléculaire. La grande flexibilité et la variété des graphes nous permettent aussi de pouvoir modéliser et rendre accessible l’abondance de connaissances bio-médicales présentent dans les nombreuses bases de données. HetioNet [2], par exemple, propose un graphe de connaissance multiplex hétérogène (11 types de nœuds et 24 types d’arêtes) récapitulant 29 bases de données. Plus récemment, BioCypher [3] propose une architecture modulaire, réutilisable et extensible permettant la construction et l’exploration de méta-graphes en utilisant des graphes de connaissance pré-construits à partir de chaque base de données (57 bases de données et 11 ontologies) ainsi que l’ajout de nouveaux modules.
A notre connaissance, il n’existe pas de méthode permettant de combiner les informations provenant des expériences omiques, chacune d’elle avec leurs propres propriétés et les relations non aléatoires entre elle et la mine d’information provenant des graphes de connaissance qui permettrait d’interpréter les perturbations observées dans les échantillons. De plus, le parcours de ces multiplex hétérogènes afin d’identifier les informations biologiques importantes provenant de chaque couche (topologie spécifique aux type de données) et permettant une combinaison cohérente entre elles (hiérarchie et expertise biologique) est une question qui reste difficile. De nombreuses approches de type marche aléatoire [4] ou marche aléatoire dirigée [5] ont été proposées, nous pensons cependant que le parcours des données issues des expériences pondèrent précisément les liens entre les molécules et devraient être utilisées dans cette tâche.

L’intégration de données reste donc une problématique majeure et l’utilisation de multiplex hétérogènes pour cette tâche semble une alternative naturelle, adaptative et tendance aux méthodes classiques de machine learning et d’apprentissage profond.

Nous allons nous intéresser en particulier aux cancers digestifs comme cas d’étude. Les cancers digestifs demeurent des pathologies de mauvais pronostic dont le diagnostic est souvent réalisé à un stade avancé et pour lequel les moyens thérapeutiques sont restreints.
Dans le but de développer des thérapies efficaces, il est nécessaire de mieux comprendre la pathogenèse de ces cancers et d’identifier des sous-groupes de patients. En effet, la stratification des patients en catégories plus homogènes dans leurs étiologies, le profil moléculaire de leur cancer et leur devenir permettront ensuite des prises en charge spécifiques diminuant le risque de complications tels que la résistance au traitement et de mortalité précoce.

1. Picard M, Scott-Boyer M-P, Bodein A, Périn O, Droit A. Integration strategies of multi-omics data for machine learning analysis. Computational and Structural Biotechnology Journal. 2021;19:3735–46.
2. Himmelstein DS, Baranzini SE. Heterogeneous Network Edge Prediction: A Data Integration Approach to Prioritize Disease-Associated Genes. Tang H, editor. PLoS Comput Biol. 2015;11:e1004259.
3. Lobentanzer S, Aloy P, Baumbach J, Bohar B, Carey VJ, Charoentong P, et al. Democratizing knowledge representation with BioCypher. Nat Biotechnol. 2023;41:1056–9.
4. Pio-Lopez L, Valdeolivas A, Tichit L, Remy É, Baudot A. MultiVERSE: a multiplex and multiplex-heterogeneous network embedding approach. Sci Rep. 2021;11:8794.
5. Liu W, Li C, Xu Y, Yang H, Yao Q, Han J, et al. Topologically inferring risk-active pathways toward precise cancer classification by directed random walk. Bioinformatics. 2013;29:2169–77.
6. Feng S, Heath E, Jefferson B, Joslyn C, Kvinge H, Mitchell HD, et al. Hypergraph models of biological networks to identify genes critical to pathogenic viral response. BMC Bioinformatics. 2021;22:287.
7. Wilkinson MD, Dumontier M, Aalbersberg IjJ, Appleton G, Axton M, Baak A, et al. The FAIR Guiding Principles for scientific data management and stewardship. Sci Data. 2016;3:160018.
8. Lin D, Crabtree J, Dillo I, Downs RR, Edmunds R, Giaretta D, et al. The TRUST Principles for digital repositories. Sci Data. 2020;7:144.

Profil du candidat :
Etudiant(e) titulaire d’un master 2 de bioinformatique ou assimilé (ou informatique mais avec une forte inclination pour la biologie), disposant des compétences suivantes :
Connaissances en bioinformatique, (bio)statistique et biologie Maîtrise de l’environnement linux/unix
Maîtrise du langage R et d’un langage de programmation (python, C, …) Motivation pour évoluer dans un environnement pluridisciplinaire Rigueur et esprit de synthèse, ainsi que capacité à travailler en équipe.

Formation et compétences requises :

Adresse d’emploi :
LaBRI – Laboratoire Bordelais de Recherche en Informatique
Université de Bordeaux
351, cours de la Libération F-33405 Talence cedex.

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

Laboratoire/Entreprise : Laboratoire Informatique, Image et Interaction (L3
Durée : 36 mois
Contact : alain.bouju@univ-lr.fr
Date limite de publication : 2024-04-10

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 :
La thèse s’inscrit dans les domaines de l’IHM et des véhicules autonomes, elle vise à fournir un modèle pour
l’évaluation de l’acceptabilité, de l’acceptation et de la confiance des utilisateurs finaux des navettes autonomes dans
un environnement péri-urbaines et rurales. Ces résultats permettront d’améliorer et d’accélérer le processus de
conception des IHM utilisateur-navette autonome à intégrer dans ce type de véhicule afin de garantir une bonne
expérience utilisateur et un déploiement rapide. L’objectif de la thèse est donc double : mesurer l’acceptabilité et
l’acceptation des usagers des navettes autonomes, et proposer les lignes directives pour la conception de l’IHM
usager-Navette qui garantit son acceptabilité.

Profil du candidat :

Formation et compétences requises :
Master en Informatique avec des bases en Modélisation

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

Document attaché : 202403221104_sujet-these-YeloDeta.pdf

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

Laboratoire/Entreprise : ICube laboratory
Durée : 3 ans
Contact : lafabregue@unistra.fr
Date limite de publication : 2024-05-23

Contexte :
This thesis is part of the field of unsupervised or weakly supervised learning applied to temporal data. Clustering, which consists in partitioning the set of analyzed objects into groups or clusters, is one of the most widely used approaches and relies on a similarity measure between objects. In particular, sequence clustering raises problems related to measuring similarity between two individuals. For example, in river monitoring, certain phenomena occur at an annual frequency linked to the natural water cycle, but may be shifted in time due to geographical distance and local meteorology. Similarity measures must be able to take these potential shifts or slight distortions in time into account. Numerous methods have been proposed in the literature to take these specificities into account, such as Dynamic Time Warping, Longest Common SubSequence or, more recently, representations using shapelets or neural networks.

Sujet :
The main objective of this thesis is to develop new approaches for measuring similarity between two multivariate time series, taking into account missing values distributed heterogeneously in time and between variables. The aim is to define solutions for integrating temporal information (spacing between two time steps, temporal frequencies of measurements, etc.) into the calculation of similarity. We will also look at how to integrate the expert’s knowledge via annotations, also known as constraints (e.g. proximity/remoteness between two individuals based on external information), concerning both temporal and spatial links between different individuals, in order to improve the correspondence between the clustering obtained and the expert’s expectations. These approaches will be experimented on river monitoring data that raise various problems, due to their number, their diversity, and their spatial and temporal heterogeneity.
Work will focus on the following questions:
– clustering vector sequences, where vectors contain parameters that can be measured at different time steps
– taking into account temporal (seasons) and geographical (hydrographic regions) constraints
– coupling physico-chemical and biological or hydrological data (different measurement frequencies)
– exploring the limits of the proposed methods in terms of number and size of sequences

Profil du candidat :
– Master 2 in Computer Science
– Training in data science, data mining, machine learning

Formation et compétences requises :
– Excellent knowledge of machine learning and knowledge modeling
– Excellent programming skills in Python or R
– Excellent communication and writing skills in English (French not mandatory)
– An interest in the application’s subject

Adresse d’emploi :
The thesis will be carried out at the ICube laboratory in Illkirch (near Strasbourg).

Document attaché : 202403191713_sujet_these_hydro.pdf