Mots-Clés
Intelligence Artificielle
Toxicologie
Metabolomics
Description
Le projet vise à développer un cadre d’IA explicable fondé sur les graphes de connaissances afin d’interpréter des données omiques en toxicologie mécanistique.
Ce projet contribuera à mieux comprendre les mécanismes de toxicité de certains composés suspectés de perturber le métabolisme. Il permettra également de développer des outils innovants facilitant l’exploitation de données biologiques complexes et l’interprétation des résultats dans un contexte de recherche en santé et environnement.
Missions :
Vous serez plus particulièrement en charge de :
- L’intégration d’une base de connaissances des voies de toxicité (Adverse Outcome Pathways) dans un graphe de connaissances interne dédié à l’interprétation de données de métabolomique
- Le développement de méthodes de raisonnement automatisé sur graphes
- La conception d’approches de type Graph-RAG combinant IA générative et connaissances structurées
- L’analyse de données métabolomiques déjà produites, relatives à l’exposition à six composés perturbateurs métaboliques suspectés
Environnement de travail :
Vous rejoindrez l’unité Toxalim, spécialisée en toxicologie alimentaire, au sein de l’équipe MeX (Metabolisme et Xénobiotiques) dédiée à l’étude des perturbations du métabolisme causées par des substances chimiques présentes dans l’environnement ou l’alimentation. L’équipe mobilise des approches complémentaires en biologie cellulaire, biochimie, modélisation informatique et intelligence artificielle : Vous évoluerez dans un environnement pluridisciplinaire réunissant des spécialistes en toxicologie, bioinformatique et analyse de données biologiques à grande échelle. La thèse sera co-encadrée par Clément Frainay et Fabien Jourdan.
Formation recommandée :
Diplôme de master 2 en bio‑informatique, biologie computationnelle, biostatistiques, sciences des données, ou intelligence artificielle. Une spécialisation dans une disciplines connexes (biologie, chimie, toxicologie, pharmacologie) serait appréciée.
Connaissances souhaitées :
- Bonnes bases en apprentissage automatique et/ou intelligence artificielle
- Connaissances en graphes de connaissances, réseaux complexes ou bases de données graphes
- Intérêt pour les approches d’IA explicable
- Maîtrise de Python et des outils de science des données
- Connaissances en bioinformatique, omiques ou biologie des systèmes appréciées
- Familiarité avec les technologies sémantiques (OWL, SPARQL, RDF, etc.) constitue un plus
- Bon niveau d’anglais scientifique (lecture et rédaction)
Expérience appréciée :
- Projet académique ou stage en IA, data science ou bioinformatique
- Expérience en analyse de données biologiques ou biomédicales
- Développement logiciel scientifique ou analyse de données à grande échelle
- Utilisation de bibliothèques IA/ML (PyTorch, TensorFlow, scikit-learn, etc.)
- Expérience en traitement du langage naturel (NLP) ou en modèles de langage (LLM) appréciée
Aptitudes recherchées :
- Curiosité scientifique et goût pour l’interdisciplinarité
- Capacité d’analyse et esprit critique
- Autonomie et rigueur scientifique
- Sens de la reproductibilité (documentation, versionnage, partage de données)
- Bonnes capacités de communication écrite et orale
Plus d’info sur INRAE jobs