Bioinformaticien en développement de méthodes de Machine Learning pour la découverte de médicaments anticancéreux assistée par IA (H/F)

L’objectif est de développer un modèle de machine learning capable de prédire la réponse du sous-type CMS4 du cancer colorectal, particulièrement résistant aux traitements, à des petites molécules thérapeutiques, puis d’utiliser ce modèle pour réaliser un criblage virtuel à grande échelle des 78 milliards de composés de la bibliothèque chimique Enamine REAL. Le projet intégrera plusieurs sources d’information, notamment :

• des bases de données pharmacogénomiques (GDSC, DepMap, CCLE et ressources associées) ;
• la caractérisation moléculaire de lignées cellulaires de cancer colorectal ;
• les représentations chimiques des petites molécules ;
• des mesures phénotypiques expérimentales incluant la prolifération cellulaire, la morphologie, l’activité métabolique, le cycle cellulaire et la mort cellulaire.

Grâce à des stratégies d’Active Learning, le modèle identifiera en continu les composés les plus informatifs à valider expérimentalement, permettant une exploration efficace d’un espace chimique autrement inaccessible. À plus long terme, ce projet vise à établir un cadre général de découverte de médicaments assistée par IA, qui pourra être étendu à d’autres types de cancers difficiles à traiter.

L’Activité

La personne recrutée sera amenée à :

• se familiariser avec l’état de l’art en prédiction de la réponse aux médicaments, criblage virtuel, chimio-informatique et Active Learning ;
• explorer et intégrer de grands jeux de données pharmacogénomiques (GDSC, CCLE, DepMap, CTRP et ressources associées) ;
• développer des modèles de machine learning et de deep learning pour la prédiction de la réponse aux médicaments dans le cancer colorectal ;
• développer des représentations moléculaires à l’aide d’approches modernes de chimio-informatique (empreintes moléculaires, graph neural networks, embeddings moléculaires, etc.) ;
• mettre en œuvre des stratégies d’Active Learning afin de sélectionner les composés les plus pertinents pour la validation expérimentale ;
• réaliser le criblage virtuel de très grandes bibliothèques chimiques, notamment la collection Enamine REAL ;
• comparer les méthodes développées aux approches de référence de l’état de l’art ;
• collaborer étroitement avec les biologistes expérimentaux afin d’intégrer les nouvelles données phénotypiques dans les modèles ;
• contribuer aux publications scientifiques et aux logiciels open source développés dans le cadre du projet., Le poste est basé à l’Institut de Génétique Moléculaire de Montpellier (IGMM UMR5535, CNRS), dans un environnement de recherche hautement international et interdisciplinaire. Montpellier est une ville méditerranéenne dynamique avec un environnement, une culture et une qualité de vie exceptionnels. Elle accueille de nombreux instituts de recherche de haut niveau ainsi que l’Université de Montpellier, avec une population dynamique de 70 000 étudiants et l’une des plus anciennes facultés de médecine au monde. Le cancer colorectal (CRC) est la deuxième cause de décès par cancer en Europe. Certains de ses sous-types, particulièrement résistants aux traitements actuels, restent aujourd’hui dépourvus d’options thérapeutiques efficaces. La découverte de nouveaux médicaments demeure un processus long et coûteux, tandis que le nombre de molécules potentiellement actives est tellement immense qu’un criblage expérimental exhaustif est irréalisable. Les progrès récents en apprentissage automatique, associés à la disponibilité de vastes bases de données pharmacogénomiques, permettent désormais de prédire in silico la réponse aux médicaments et d’effectuer un criblage virtuel avant leur validation expérimentale. Néanmoins, les approches actuelles restent limitées par des mesures biologiques souvent incomplètes ainsi que par la difficulté d’explorer efficacement des espaces chimiques gigantesques. Ce projet vise à développer une nouvelle génération de méthodes de découverte de médicaments assistée par intelligence artificielle en combinant machine learning, chimio-informatique et biologie expérimentale du cancer dans un cadre d’Active Learning. Le modèle informatique guidera de manière itérative les expériences biologiques, tandis que les résultats expérimentaux permettront d’améliorer continuellement le modèle, créant ainsi une boucle d’apprentissage « experiment-in-the-loop ». Si vous souhaitez développer de nouvelles méthodes d’intelligence artificielle pour la découverte de médicaments, travailler à l’interface entre machine learning, chimio-informatique et biologie du cancer, et contribuer à l’identification de nouvelles thérapies contre les cancers colorectaux les plus difficiles à traiter, nous serions heureux d’étudier votre candidature.

Nous recherchons une personne motivée et curieuse possédant une formation en bioinformatique, chimio-informatique et machine learning, idéalement appliqués à la découverte de médicaments. La prédiction de la réponse aux médicaments est un domaine fortement interdisciplinaire et en évolution rapide. La personne recrutée devra donc :

• avoir envie d’acquérir continuellement de nouvelles compétences en informatique et en biologie ;
• apprécier le travail à l’interface entre informatique et sciences du vivant ;
• aimer résoudre des problèmes méthodologiques complexes ;
• être capable de travailler de manière autonome comme au sein d’une équipe pluridisciplinaire.

Le candidat ou la candidate idéal possède une formation en bioinformatique, chimio-informatique, informatique, intelligence artificielle, machine learning, biologie computationnelle, data science, chimie computationnelle ou dans une discipline proche, ainsi que :

• une excellente maîtrise de Python et des bibliothèques calcul scientifiques (PyTorch, NumPy, scikit-learn, pandas) ;
• une formation en bioinformatique ou en chimio-informatique ;
• une solide compréhension des fondements mathématiques du machine learning et du deep learning ;
• de bonnes connaissances en algèbre linéaire, optimisation et apprentissage statistique ;
• une bonne maîtrise des environnements GNU/Linux ;
• de solides capacités de résolution de problèmes.
• de bonnes compétences en développement logiciel
• un bon esprit d’équipe et de bonnes capacités de communication.

Les compétences suivantes constitueront un atout :

• expérience en bioinformatique ou biologie computationnelle ;
• expérience avec des jeux de données pharmacogénomiques ;
• expérience en chimio-informatique (RDKit, empreintes moléculaires, graph neural networks, représentations moléculaires) ;
• connaissances en prédiction de la réponse aux médicaments ou en criblage virtuel ;
• expérience en Active Learning, estimation de l’incertitude ou optimisation bayésienne ;
• expérience du calcul haute performance (HPC) ou de la programmation GPU.

Le projet consistera principalement à développer de nouvelles méthodes de machine learning avec PyTorch. Un niveau d’anglais B2 minimum est requis.

Votre Environnement de Travail

A partir de 2521€ brut mensuel, ajustable selon expérience

Institut de génétique moléculaire de Montpellier, Nous recherchons un ingénieur ou une ingénieure en intelligence artificielle / bioinformatique motivé pour rejoindre l’équipe AI for Genome Interpretation (AI4GI) de l’Institut de Génétique Moléculaire de Montpellier (IGMM, CNRS, Montpellier) pour une durée de 13 mois, avec possibilité de renouvellement pour 36 mois supplémentaires sou conditions. Le projet est une collaboration entre l’équipe AI4GI (Dr Daniele Raimondi) et l’équipe du Dr Michael Hahne, à l’interface entre la bioinformatique, le machine learning, la chimio-informatique, l’intelligence artificielle et la biologie du cancer. Ce projet interdisciplinaire combine l’expertise du laboratoire AI4GI en machine learning, bioinformatique et prédiction de la réponse aux médicaments avec celle du laboratoire du Dr Michael Hahne en biologie tumorale expérimentale et en criblage phénotypique à haut contenu.