Thèse Identification et Caractérisation Automatique de Composés Organiques Volatiles par Apprentissage Machine H/F - Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris Télécom SudParis École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux Direction de la thèse : Sonia GARCIA-SALICETTI ORCID 0000000152578216 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-08-31T23:59:59 La spectrométrie de masse (SM) est une technologie de référence pour l'identification de composés chimiques et biologiques grâce à sa sensibilité, sa sélectivité et sa capacité à produire des signatures moléculaires exploitables. L'analyse des composés organiques volatils (COV) ouvre aujourd'hui des perspectives majeures dans les domaines de la santé et de la sécurité, notamment pour la détection précoce de pathologies ou l'identification d'agents biologiques d'intérêt.
Cette thèse, à l'interface de la chimie analytique, de la biologie, de la science des données et de l'intelligence artificielle (IA), vise à développer et valider un workflow intelligent d'analyse de données de SM dédié à la détection, l'identification et la caractérisation d'agents biologiques à partir de leurs signatures de COV.
Contrairement aux approches de la littérature généralement développées sur des données acquises dans des conditions expérimentales contrôlées et avec un instrument unique, les travaux viseront à concevoir des méthodes d'IA robustes capables de s'adapter à différents instruments de mesure, différents protocoles d'acquisition et contextes d'utilisation, du laboratoire aux environnements opérationnels.
Réalisée dans le cadre du Centre Interdisciplinaire d'Études pour la Défense et la Sécurité (CIEDS) de l'Institut Polytechnique de Paris, cette thèse s'inscrit dans une démarche de recherche à fort enjeu dual, répondant à des problématiques de sécurité-défense tout en ouvrant des perspectives pour le dépistage et le diagnostic en santé.
La spectrométrie de masse (SM) est une technologie de référence pour l'identification de composés chimiques et biologiques grâce à sa sensibilité, sa sélectivité et sa capacité à produire des signatures moléculaires exploitables. L'analyse des composés organiques volatils (COV) ouvre aujourd'hui des perspectives majeures dans les domaines de la santé et de la sécurité, notamment pour la détection précoce de pathologies ou l'identification d'agents biologiques d'intérêt.
Cette thèse, à l'interface de la chimie analytique, de la biologie, de la science des données et de l'intelligence artificielle (IA), vise à développer et valider un workflow intelligent d'analyse de données de SM dédié à la détection, l'identification et la caractérisation d'agents biologiques à partir de leurs signatures de COV.
Contrairement aux approches de la littérature généralement développées sur des données acquises dans des conditions expérimentales contrôlées et avec un instrument unique, les travaux viseront à concevoir des méthodes d'IA robustes capables de s'adapter à différents instruments de mesure, différents protocoles d'acquisition et contextes d'utilisation, du laboratoire aux environnements opérationnels.

- Élève titulaire d'un Master 2 Recherche en traitement de signal et analyse des données, apprentissage automatique, apprentissage profond.
- Connaissances en biochimie analytique appréciées
- Compétences en programmation : Python.
- Un bon niveau de compréhension en Anglais.

• Python
• Programmation
• Anglais
• Traitement du signal
• Analyse de données
• Spectrométrie de masse
• Administration système et réseau
• Chimie