Mission : Le ou la candidat·e retenu·e développera plusieurs approches d'apprentissage profond sur différentes modalités de données (vidéos, texte, séries temporelles) afin d'extraire et de combiner les caractéristiques morphocinétiques des embryons, les données de santé des patientes et les paramètres d'incubation prédictifs de l'implantation embryonnaire précoce. Dans un premier temps, il/elle travaillera sur la reconstruction 3D de la forme des cellules à partir d'images, en s'appuyant sur les méthodes développées (publiées et inédites) au sein de l'équipe. Il/elle analysera ensuite leurs propriétés mécaniques et dynamiques et réalisera leur analyse statistique multimodale à l'aide de méthodes d'apprentissage profond et d'apprentissage automatique. Le ou la candidat·e collaborera étroitement avec les biologistes et les ingénieurs logiciels de l'équipe. Il/elle devra présenter ses résultats lors de conférences scientifiques, rédiger des articles de recherche et participer activement à la vie scientifique et sociale de l'équipe ainsi que de l'Institut d'accueil. Activités : 'infertilité est un problème de santé mondiale qui touche environ 10 % des couples. Depuis l'avènement des techniques de fécondation in vitro (FIV), la sélection du meilleur embryon à transférer reste un enjeu majeur de recherche. Depuis une vingtaine d'années, les incubateurs médicaux dotés de systèmes d'imagerie timelapse permettent d'enregistrer le développement embryonnaire préimplantatoire jusqu'au stade blastocyste, et facilitent le travail des embryologistes grâce à la quantification de paramètres morphocinétiques tels que les temps de clivage ou la morphologie du blastocyste. Récemment, des algorithmes d'intelligence artificielle (IA) ont commencé à être explorés pour automatiser la classification ou la sélection des embryons. Toutefois, ces approches n'exploitent pas encore pleinement l'ensemble des données d'imagerie disponibles (3D + temps), ni ne les combinent avec les paramètres de santé des patientes et d'incubation. Le projet de recherche vise à développer des approches d'apprentissage profond (deep learning) de pointe pour extraire les caractéristiques morphocinétiques pertinentes du développement embryonnaire humain. Il s'appuie sur l'expertise de l'équipe dans la mécanique des embryons de mammifères précoces [1-3], sur le développement d'outils d'analyse d'images adaptés aux embryons précoces [4-6], ainsi que sur des collaborations établies avec deux unités de médecine de la reproduction dans de grands hôpitaux publics français. [1] Maître, Turlier et al. Nature 2016 [2] Dumortier et al. Science 2019 [3] Firmin et al. Nature 2024 [4] Ichbiah et al. Nature Methods 2023 [5] Ichbiah, Sinha, Delbary & Turlier ICCV 2025 [6] Yamamoto et al. bioRxiv 2023