Ingénieur·e de Recherche en Deep Learning H/F

Uga Filiale

Sujet de recherche

Le projet vise à développer des méthodes innovantes basées sur le deep learning pour la modélisation de macromolécules flexibles à partir de données de diffusion aux petits angles (SAXS/SANS). En s'appuyant sur des architectures de type OpenFold / AlphaFold, le travail consistera à reconstruire des modèles structuraux conditionnés par des profils expérimentaux, en combinant inférence variationnelle, modèles génératifs et physique du scattering.

Motivation

L'apprentissage automatique (et en particulier les méthodes de réseaux de neurones profonds) a révolutionné les domaines du traitement d'images et de la reconnaissance de texte et de la parole. Il a également eu un impact considérable dans différentes branches des sciences de la vie, allant de la prédiction des structures protéiques par DeepMind de Google [1] et d'autres équipes académiques [2], jusqu'à la conception de médicaments, l'étude des interactions moléculaires et de nombreux modèles génératifs [3-4]. Ainsi, les méthodes d'IA sont directement applicables, avec certaines extensions, à des problèmes ouverts en bio-informatique structurale. Toutefois, des défis méthodologiques fondamentaux subsistent. Beaucoup sont liés à la variabilité conformationnelle des protéines et autres macromolécules, ainsi qu'à l'intégration de données expérimentales rares et de faible résolution.

Cette variabilité conformationnelle est courante chez les entités biologiques et n'est pas accidentelle : elle a été sélectionnée au cours de l'évolution pour des fonctions spécifiques. En nous appuyant sur nos travaux antérieurs, nous visons à développer des techniques et approches computationnelles innovantes adaptées aux macromolécules flexibles. Le projet a pour objectif d'améliorer les outils de calcul pour les applications de diffusion aux petits angles des rayons X (SAXS) et des neutrons (SANS), en les étendant aux molécules flexibles.

Pepsi-SAXS et Pepsi-SANS sont des approches de pointe pour l'analyse de profils biologiques aux petits angles, développées par notre équipe [5]. Actuellement, l'utilisateur fournit à la méthode une conformation initiale d'une protéine ou d'un système moléculaire. Cependant, si le modèle initial est éloigné de l'état du système en solution, ou si l'utilisateur ne dispose pas d'un modèle structural, la méthode devient pratiquement inapplicable. Ce projet vise à lever cette limitation en proposant des modèles structuraux de protéines conditionnés par des profils SAXS et SANS, reconstruits à l'aide d'une architecture basée sur OpenFold réentraînée.

Profil recherché

Nous recherchons des personnes créatives, passionnées et engagées, ayant une formation en mathématiques appliquées, informatique ou physique computationnelle. Les candidat·e·s doivent posséder d'excellentes compétences en informatique et en mathématiques, ainsi qu'un intérêt pour la chimie ou la biologie computationnelle. D'excellentes capacités de communication orale et écrite, ainsi que de solides qualités relationnelles, sont essentielles. La langue de travail est l'anglais (la connaissance du français est un atout). Une bonne maîtrise de l'apprentissage automatique, de PyTorch et de la bio-informatique structurale sera considérée comme un avantage.

Floralis (CA : 11 M€, effectif : 80), filiale de droit privée de l'Université Grenoble Alpes (UGA), travaille au développement des relations industrielles et au transfert de nouvelles technologies issues de laboratoires de recherche de l'UGA, notamment en assurant la protection de ces technologies.

Le poste est à pourvoir au sein des équipes DAO et GruLab (LJK, CNRS) à l'Université Grenoble Alpes, pour un projet de recherche en apprentissage profond appliqué à la bio-informatique structurale et à la physique computationnelle. L'intérêt de recherche de notre groupe a toujours porté sur la structure et les interactions des molécules en trois dimensions (3D), en combinant des approches basées sur la physique et des approches guidées par les données. Des exemples sont disponibles sur https://grulab.imag.fr/.