(H/F) Doctorat en machine learning : développement de nouvelles méthodes pour la phylogénomique
- +1
- +2
- Villeurbanne, Auvergne-Rhône-Alpes, France
- +1
- +2
- Villeurbanne, Auvergne-Rhône-Alpes, France
About
Cette offre est disponible dans les langues suivantes :
Date Limite Candidature : mardi 23 juillet 2024 23:59:00 heure de Paris
Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler
Informations généralesIntitulé de l'offre : (H/F) Doctorat en machine learning : développement de nouvelles méthodes pour la phylogénomique
Référence : UMR5558-NATARB-076
Nombre de Postes : 1
Lieu de travail : VILLEURBANNE
Date de publication : mardi 2 juillet 2024
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2024
Quotité de travail : Temps complet
Rémunération : La rémunération est de 2135,00 € bruts mensuel
Section(s) CN : Biodiversité, évolution et adaptations biologiques : des macromolécules aux communautés
Au cours de l'évolution, de nouvelles espèces apparaissent tandis que d'autres disparaissent. Et les gènes qu’elles portent dans leurs génomes sont dupliqués, perdus ou transférés entre elles. Les processus de diversification des espèces et d'évolution des familles de gènes sont étroitement liés et leur étude nécessite des modèles conjoints. Malheureusement, ces modèles sont difficiles à manipuler et n'ont jusqu'à aujourd'hui été utilisés que pour la simulation, et non pour l'étude de données empiriques.
Ce projet vise à développer des méthodes permettant d'effectuer des inférences tout en tenant compte à la fois de la diversification des espèces et de l'évolution des familles de gènes. Premièrement, le doctorant/ la doctorante développera des méthodes d'apprentissage profond pour déduire l'existence d'espèces inconnues (lignées fantômes) à partir de l'analyse d'arbres de gènes annotés avec des événements de duplication, de transfert et de perte. Deuxièmement, il/elle développera des méthodes d'apprentissage profond pour rendre l'inférence de la duplication, du transfert et de la perte de gènes plus efficace, car cette dernière est actuellement réalisée par des approches coûteuses de maximum de vraisemblance ou Bayésiennes. Troisièmement, le doctorant/ la doctorante s'appuiera sur les deux premiers développements pour mettre au point une nouvelle méthode qui infère les événements de duplication, transfert et perte de gènes tout en tenant compte des lignées fantômes. Cette méthode devrait être plus performante que les approches existantes pour étudier l'évolution des familles de gènes, à la fois en termes de précision et de rapidité.
Profil recherché/compétences :
La personne recrutée devra avoir une formation en informatique et/ou en mathématiques et des connaissances théoriques et pratiques en machine learning. Un intérêt pour les questions de biologie évolutive en générale et de phylogénétique en particulier sera favorisé
Le projet sera co-animé par le LBBE (UMR 5558, Université Lyon 1) et le LCQB (UMR 7238, Sorbonne Université). Les co-directeurs du LBBE, Damien de Vienne et Bastien Boussau, sont des experts en phylogénétique, méthodes de réconciliation et lignées fantômes. Le co-encadrant du LCQB, Laurent Jacob, est un expert en apprentissage automatique pour la génomique. Le projet fera partie d'un projet plus large visant à développer l'inférence neuronale pour la phylogénomique (projet ANR DEELOGENY, démarré en 2024), qui implique plusieurs chercheurs permanents, postdocs et étudiants à Lyon et à Paris, fournissant un environnement collaboratif riche pour l’étudiant/l’étudiante. Il/Elle aura également l'opportunité de faire de courts séjours dans d'autres laboratoires avec des collaborateurs proches.
Informations complémentaires Nos petits + :
• Un environnement de travail stimulant au contact de personnels de la recherche
• Un accompagnement professionnel avec des formations internes au laboratoire
• Une possibilité de télétravailler
• Un restaurant d'entreprise qui permet de déjeuner à un prix intéressant.
• Le remboursement partiel des titres de transport (75%) + forfait mobilité durable pouvant aller jusqu'à 300€/an
• Un site accessible en transport en commun (Tram T1 + T4 + bus)
• 44 jours de congés / RTT par an
• Participation financière au frais de mutuelle
Nice-to-have skills
- Machine Learning
- Deep Learning
Work experience
- Machine Learning
Languages
- French