Offre en lien avec l’Action/le Réseau : BigData4Astro/– — –

Laboratoire/Entreprise : Laboratoire des Signaux et Systèmes
Durée : 3 ans
Contact : francois.orieux@l2s.centralesupelec.fr
Date limite de publication : 2024-06-30

Contexte :

Sujet :
https://pro.orieux.fr/assets/thesis-dnn-orieux-l2s.pdf

Contexte
========

Le traitement de mesures instrumentales nécessite souvent d’utiliser le modèle de données, ou modèle direct , dans la méthode. Par exemple les mesures sont affectées d’un bruit, d’un flou, ou vivent dans un autre espace que celui des inconnues (des coefficients de Fourier *versus* une image pour le cas de l’IRM ou de l’interférométrique).

Autant le modèle direct est stable et bien posé (à partir des paramètres on peut générer des données), autant le problème inverse est le plus souvent instable et mal-posé.

Le projet s’inscrit dans le cadre du projet international SKA, *Square Kilometer Array*. SKA est un observatoire pour la radioastronomie qui produira un volume de données considérable pour produire des images à une résolution spatiale et spectrale inégalées. Les antennes sont réparties en australie et en afrique du Sud, ce qui en fera le plus grand interféromètre radio à ce jour. L’équipe est impliquée dans le projet par le biais de l’ANR Dark-Era  et du LabCom ECLAT (ATOS, IETR, INRIA, …). Le travail se fera *en collaboration avec N. Gac du SATIE*, porteur de l’ANR Dark-Era, et qui apportera en outre son expertise sur l’adéquation algorithme-architecture pour les problèmes inverses.

Sujet
=====

Les techniques de résolution de problèmes inverses ont fortement évolué ces dernières années avec les nouvelles techniques d’apprentissage machine. On peut mentionner le déroulage d’algorithmes itératif (*unrolling*), les approches *plug-and-play*, le RED (*regularization by denoising*), ou encore les *a priori* basés donnés.

Le travail se déroulera en plusieurs temps.

– Tout d’abord, le doctorant devra faire un état de l’art sur les méthodes basées données et apprentissage statistique pour la résolution de problèmes inverses et se concentrer sur une nouvelle méthode d’apprentissage, l’*Implicit Deep Learning*.

– Ensuite il faudra, à partir de cette revue bibliographique, comprendre et mettre en œuvre les approches utilisant les réseaux génératifs comme les VAE ou encore les réseaux inversibles. Il s’agit d’une approche reposant sur la minimisation d’un critère mixte $$J(x) = | y – H x|_2^2 + R(x)$$ où le terme d’attache aux données utilise le modèle d’observation connu $H$ (flou, inpainting, debruitage…) et le terme de régularisation $R(x)$ est appris à partir de données. La solution est alors définie comme $$hat x = argmin_{xb} J(x) y.$$

– Il faudra identifier les apports et les limites de cette approche pour les problèmes inverses et proposer des résolutions possibles aux verroux rencontrés. On regardera notamment d’autres algorithme de point fixe que l’algorithme classique de descente de gradient.

– Nous nous attacherons à mettre en œuvre cette nouvelle méthode et les résultats devront être comparés aux résultats obtenus avec les approches classiques : filtre de Wiener, parcimonie…pour lesquels des codes sont à disposition.

– L’application sera sur un problème de synthèse de Fourier pour la radioastronomie dans le cadre de SKA.

– Le travail se fera sur un poste équipé d’une carte GPU Nvidia 3080 ou 4090 avec Linux, TensorFlow et Python ou le cluster de calcul Ruche de l’Université Paris-Saclay.

Ce travail propose des innovations sur deux plans, à la fois méthodologique sur l’utilisation de l’apprentissage pour les problèmes inverses, mais également sur la proposition de nouveaux algorithmes plus performants pour la synthèse de Fourier en radioastronomie. La perspective d’avoir des algorithmes plus rapides grâce à l’*unrolling* pour le traitement de données massives issues de SKA est un enjeu important.

Profil — compétences acquises
==============================

Le candidat devra avoir une formation type ingénieur ou Master 2 en traitement du signal ou d’images, *data science* ou *machine learning*. Il devra posséder des connaissances en mathématiques appliquées ou en programmation. Des compétences en estimation et statistiques sera apprécié.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Laboratoire des Signaux et Systèmes
3 rue Joliot-Curie
91190 Gif-sur-Yvette

Document attaché : 202404041508_thesis-dnn-orieux-l2s.pdf

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

Laboratoire/Entreprise : Institut de Recherche en Horticulture et Semences
Durée : 36 moths
Contact : julie.bourbeillon@institut-agro.fr
Date limite de publication : 2024-05-17

Contexte :
The Institute for Horticulture and Seed Research – IRHS (UMR1345) is seeking a Ph. D. student within the frame of a research project on ontology-based multiscaled modelling of tomato, financed by Institut Agro Rennes-Angers (1.10.2024 – 30.9.2027) and starting on October 2024.
Context and background
In the context of challenges such as climate change, scarcity of workforce, pressure from new pests and diseases, regulations concerning the use of pesticides, production of horticultural crops has become a difficult endeavour. There is a real need to develop new production systems, that overcome these problems. At the same time, enormous progress has been made recently at the frontiers of information science, artificial intelligence and sensor technology. 3D plant models representing plant architectural and physiological development in space and over time at different resolutions (scales) are now available, putting the creation of a horticultural digital twin within reach. Such a digital twin (i.e. a multi-scaled model able to update its parameters automatically) would be a powerful tool enabling us to rapidly optimize existing, and to propose novel, production systems in silico.
A digital twin consists in multiscale models with a multitude of parameters. The mater is how best to interconnect these models, and to reason simplifications at the scale of the digital twin. We therefore need to automatize the exploration of these different scales. This can be achieved thanks to a formal representation of the multi-dimensional landscape of scales and parameters through an ontology. The aim of this thesis is to navigate the ontology to determine what is relevant by comparing simulated with real data. The challenge is to carry out such a comparison by developing a method for automatically moving from one scale to another, without losing essential information.

Sujet :
What you will do
• Characterizing the multidimensional landscape of scales and parameters: Inventory of photosynthesis and biomass production models (especially for tomato), characterize the key parameters to create an ontology describing the parameter landscape of each model.
• Building the integration system: Define how to transfer data between ecophysiological models and scales, and represent them in the ontology for the tomato crop case. Exploit the information to describe how to use the output of one model in another.
• Greenhouse trials: Define how to measure the environment and the plants at the desired level of detail for the model(s) under consideration, based on the results of the system (output from point 2).
• Refining the integration system: Compare the experimental results with the integration system to improve the representation. A second set of experimental data may be used to validate the corrections made. Data analysis, parameterization, calibration and validation of the model
Generally, you will conduct a bibliographical comparison and an analysis of the code of various models, then propose a (re)coding of the models (Functional-Structural Plant Model, Process-Based Model, or 3D model of the greenhouse) based on an ontology to be created. This work will be followed by a sensitivity analysis, optimization studies, simulation of scenarios and validation using the platforms GroIMP and R. Validation will be provided by experiments planned on a greenhouse located on the campus.

Profil du candidat :
Your profile
You should have sound skills in at least two of the following domains: bioinformatics, data sciences, computer science or plant sciences. You must be at ease with programming (knowledge of the JAVA language would be a plus) and should have a strong interest in agronomy (or plant science) and be ready to carry out experiments in interaction with agronomists. Applications with both data science and plant sciences degree will be appreciated. Your ability to communicate in English both orally and in writing is essential. (Basic) knowledge of the French language (resp., willingness to learn it) will be a strong asset, as you will have to communicate with technical staff.

Formation et compétences requises :

Adresse d’emploi :
IRHS, 42 Rue Georges Morel, 49070 Beaucouzé

Document attaché : 202404040828_DoctoralPositionAngers.pdf

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