Mission : 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. 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. Activités : 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.