Thèse Apprentissage par Renforcement pour la Recherche de Chemins d'Inférence dans les Graphes de Connaissances Biomédicaux Application aux Maladies Rares H/F Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : MSTII - Mathématiques, Sciences et technologies de l'information, Informatique Laboratoire de recherche : Laboratoire d'Informatique de Grenoble Direction de la thèse : Silviu MANIU ORCID 0000000286231533 Début de la thèse : 2026-12-01 Date limite de candidature : 2026-10-31T23:59:59 Le projet MEDiQ étudie l'apprentissage par renforcement pour rechercher des chemins d'inférence dans de grands graphes de connaissances biomédicaux publics, avec une première application à la dystrophie facio-scapulo-humérale de type 1 (FSHD1). Ces graphes regroupent environ un million d'entités et cinq millions de relations issues de dizaines de bases ouvertes. Un agent y recherche les chaînes de raisonnement les plus pertinentes entre deux entités biomédicales, en tenant compte des préférences des chercheurs.

La thèse s'appuie sur un prototype développé et évalué lors de phases préliminaires et vise trois verrous scientifiques : construire un protocole d'évaluation distinguant les capacités d'inférence de la familiarité avec les questions ; dépasser les heuristiques de sélection de chemins du prototype tout en préservant leur traçabilité ; réduire l'espace d'états pour rendre l'exploration tractable sans perdre l'information utile, dans un contexte où les données propres à la maladie sont peu nombreuses.

Le ou la doctorant·e concevra et évaluera de nouvelles méthodes de recherche de chemins et de réduction de l'espace exploré. Les chemins retenus devront rester interprétables par les biologistes. Les hypothèses produites seront confrontées à celles des équipes partenaires spécialistes de la FSHD1, puis le protocole sera transféré à une seconde pathologie afin d'en étudier la généralité.

La thèse se déroulera au Laboratoire d'Informatique de Grenoble (LIG, UMR 5217), dans l'équipe DAISY, sous la direction de Silviu Maniu et avec le co-encadrement de Sandrine Muller et Christophe Hourdé. Elle s'inscrit dans des collaborations avec des équipes de biologie, dont University College London, et avec le consortium Biomedical Data Translator (NIH/NCATS). Dans les maladies rares, les faibles effectifs de patients limitent l'application des approches classiques d'apprentissage automatique aux données cliniques. Le projet MEDiQ explore une autre source d'information : de grands graphes de connaissances biomédicaux publics regroupant environ un million d'entités et cinq millions de relations, agrégées depuis des dizaines de bases ouvertes. La première application porte sur la dystrophie facio-scapulo-humérale de type 1 (FSHD1).

Un prototype d'agent d'apprentissage par renforcement recherche des chaînes de raisonnement entre entités biomédicales en tenant compte des préférences des chercheurs. Les travaux préliminaires laissent ouverts des problèmes d'évaluation, d'expressivité de la recherche et de passage à l'échelle. Les jeux d'évaluation existants ne permettent pas toujours de distinguer une véritable capacité d'inférence de la familiarité avec les questions. Les heuristiques du prototype restreignent l'espace exploré, tandis que la taille des graphes exige des représentations plus compactes conservant l'information pertinente et la traçabilité.

L'équipe DAISY du LIG offre un environnement de recherche en apprentissage séquentiel, représentations compressées, graphes incertains, provenance et interprétabilité des modèles. Rendre l'exploration des graphes de connaissances biomédicaux évaluable, plus expressive et capable de passer à l'échelle. Concevoir un protocole distinguant la capacité d'inférence de la familiarité avec les questions ; développer des méthodes de recherche de chemins dépassant les heuristiques du prototype ; réduire l'espace exploré tout en conservant l'information utile et la traçabilité des chemins. Évaluer les hypothèses avec les partenaires spécialistes de la FSHD1, puis étudier la généralité du protocole sur une seconde pathologie. Concevoir un protocole expérimental permettant de caractériser la nature du raisonnement sollicité et de distinguer inférence et familiarité avec les questions. Analyser les limites des heuristiques de sélection de chemins du prototype, puis concevoir et comparer des stratégies alternatives d'apprentissage par renforcement et de recherche dans les graphes. Étudier des méthodes de réduction ou de résumé de l'espace d'états, en évaluant le compromis entre coût de calcul, préservation de l'information utile et traçabilité des chemins. Confronter les hypothèses produites aux analyses des équipes partenaires spécialistes de la FSHD1 et transférer le protocole à une seconde pathologie.