Thèse Intelligence Artificielle pour la Préduction Génotype-Phénotype en Bioproduction H/F - Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris École polytechnique École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : BIOC - Laboratoire de Biologie Structurale de la Cellule Direction de la thèse : Philippe NGHE ORCID 0000000336904610 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-07-31T23:59:59 Vue d'ensemble du projetNous recrutons un doctorant pour travailler sur le développement d'approches d'intelligence artificielle et de modélisation pour l'optimisation de souches microbiennes, dans le cadre du projet COPE (Chassis Optimization by Proteome-allocation Engineering). Ce projet vise à développer des stratégies générales pour optimiser la bioproduction en contrôlant la manière dont les ressources cellulaires sont réparties entre la croissance, le métabolisme et l'expression hétérologue. Il combine des approches de mutagenèse à haut débit, d'ingénierie du génome et d'apprentissage automatique afin d'établir des relations prédictives entre mutations, états cellulaires et phénotypes de production.Objectifs de rechercheLa thèse portera sur le développement de modèles computationnels intégrant de grands jeux de données expérimentales afin de prédire l'effet de perturbations génétiques sur le comportement cellulaire. Un objectif central sera d'apprendre des représentations compactes et interprétables de l'allocation du protéome, et de les relier à des phénotypes mesurables tels que le taux de croissance, le rendement en biomasse ou les titres de production. Le travail impliquera la conception de modèles d'apprentissage automatique capables de généraliser à différentes conditions, d'exploiter des données hétérogènes et de fournir des prédictions exploitables pour le design de souches.En parallèle, le projet explorera l'utilisation d'agents d'intelligence artificielle pour assister le processus de modélisation, notamment via l'exploration automatisée de la littérature scientifique, la structuration de jeux de données hétérogènes, ainsi que l'aide à la génération d'hypothèses et au raffinement des modèles. Ce second axe vise à renforcer le cadre de modélisation prédictive plutôt qu'à le remplacer, en permettant une intégration plus étroite entre données expérimentales, connaissances externes et raisonnement computationnel. The student will work in close interaction with experimental teams within theproject PEPR B-BEST COPE, coordinated by the CEA generating high-throughput datasets, andwill contribute to an iterative loop between data generation and model development. The expectedoutcome is the development of predictive and partially interpretable models that can guide strainengineering across a range of bioproduction contexts, as well as prototype tools integrating data-driven modeling with automated knowledge extraction. voir descriptif

Les candidats doivent posséder une solide formation en programmation appliquée à l'intelligence artificielle et/ou en biologie computationnelle, avec un intérêt pour le travail à l'interface avec la biologie expérimentale.

• Intelligence artificielle
• Machine learning