Thèse Développement de Bases de Données Spectrales Enrichies pour la Découverte de Métabolites par Spectrométrie de Masse Haute Résolution H/F doctorat.gouv.fr
- Paris - 75
- CDD
- Bac +5
- Service public d'état
À noter sur ce job
Vous avez ces compétences ? Cliquez dessus pour les ajouter rapidement à votre profil !
Détail du poste
Établissement : Université Paris-Saclay GS Chimie École doctorale : Sciences Chimiques : Molécules, Matériaux, Instrumentation et Biosystèmes Laboratoire de recherche : Médicaments et Technologies pour la Santé Direction de la thèse : Annelaure DAMONT ORCID 0000000340755187 Début de la thèse : 2027-01-04 Date limite de candidature : 2026-12-31T23:59:59 Ce projet doctoral de 36 mois (janvier 2027 - décembre 2029) s'inscrit dans le projet e-Lucid (ANR, appel à projets TSIA 2025) et se déroulera au sein du laboratoire LI-MS (UMR 0496 « Médicaments et Technologies pour la Santé », CEA / Université Paris-Saclay), sous l'encadrement de Mme Annelaure Damont, avec rattachement à l'école doctorale 2MIB.
Contexte. En spectrométrie de masse, plus de 90 % des signaux LC-HRMS issus d'échantillons biologiques demeurent non identifiés, faute de données spectrales de référence suffisantes dans les bases publiques (HMDB, METLIN, MassBank, GNPS). Les meilleurs algorithmes d'identification, comme SIRIUS, n'atteignent qu'environ 26 % de bonnes identifications contre environ 38 % pour les experts humains. Le projet e-Lucid vise à combler cet écart par une approche hybride associant intelligence artificielle, données expérimentales de haute qualité et expertise chimique. Le doctorant constitue le socle expérimental et la connaissance chimique de cette démarche : il génèrera les données spectrales destinées à entraîner les modèles, orientera la priorisation des prédictions et assurera la validation analytique finale des structures.
Phase 1 (mois 0-15) : état de l'art et production de données multiplexées. Après une analyse approfondie des bases de données spectrales publiques et commerciales (exhaustivité, protocoles instrumentaux, métadonnées, conformité FAIR), le doctorant acquerra des spectres LC-HRMS/MS pour près de 4 000 composés (dont plus de 10 % absents de toute base publique), sur un parc instrumental varié : Orbitrap Fusion (CID, HCD), Orbitrap IQ-X avec UVPD, SCIEX ZenoTOF 7600 avec EAD et timsTOF avec mobilité ionique (mesure de CCS). Les acquisitions combineront LC-DDA-HRMS/MS non ciblée et FIA-MS/MS ciblée avec un continuum d'énergies de collision (NCE 0-100 %), en modes positif et négatif, sur différentes espèces ioniques. L'objectif est de produire environ 600 000 spectres enrichis (~200 spectres informatifs par composé), permettant notamment de distinguer des isomères structuraux. Le doctorant collaborera étroitement avec l'équipe « Sciences des Données » (E. Thevenot) - une doctorante et un post-doctorant en bio-informatique - pour le prétraitement des données (extraction des pics, recalage spectral, annotation des fragments), avant publication des bases de données sur Hugging Face et PeakForest.
Phase 2 (mois 12-30) : validation chimique des structures prédites. Une sélection de 25 métabolites candidats, prédits par les algorithmes d'IA développés par le CEA et Télécom Paris, sera validée expérimentalement dans deux axes applicatifs : la découverte de nouveaux probiotiques issus du microbiote intestinal (INRAE/Micalis) et l'identification de biomarqueurs cliniques de l'insuffisance hépatique aiguë chronique (EF CLIF, cohortes MICROB-PREDICT). Le doctorant achètera ou fera synthétiser les standards, puis réalisera des acquisitions LC-HRMS/MS dans des conditions identiques à celles des échantillons biologiques ; la validation reposera sur un double critère : temps de rétention/CCS et spectres de fragmentation (CID, HCD, EAD, UVPD), confirmés sur urines, plasmas, selles et surnageants bactériens conservés à -80 °C. Indépendamment des méthodes IA, il exploitera la complémentarité des fragmentations multimodales et des mesures de CCS à des fins de valorisation.
Phase 3 (à partir du mois 27) : valorisation. Rédaction du manuscrit selon le format de l'ED 2MIB, soumission d'au moins deux articles internationaux à comité de lecture - dont un « data paper » envisagé dans Scientific Data ou Metabolomics, assorti du dépôt des données avec DOI - et soutenance.
Partenariats. Le consortium e-Lucid (48 mois) réunit le CEA/MTS (coordinateur), Télécom Paris (algorithmes d'IA génératifs), l'INRAE/Micalis (validation biologique sur organoïdes sur puce) et la fondation EF CLIF (validation translationnelle clinique), dans le cadre de l'INBS MetaboHUB La spectrométrie de masse constitue aujourd'hui la technologie de référence pour la caractérisation des petites molécules dans les milieux biologiques complexes. Pourtant, malgré les progrès majeurs en instrumentation et en chimiométrie, plus de 90 % des signaux LC-HRMS issus d'échantillons biologiques humains demeurent non identifiés.[1], [2], [3] Cette « matière noire » du métabolome constitue un goulot d'étranglement critique entravant l'exploitation complète des données de métabolomique.[4], [5], [6], [7] Le principal obstacle à l'annotation complète des métabolites réside dans la couverture encore limitée des données spectrales de référence dans les bases de données publiques. Bien que des initiatives communautaires telles que HMDB,[8] METLIN,[9], [10] MassBank[11] et GNPS[12] aient considérablement évolué au cours des deux dernières décennies pour combler ce déficit, elles demeurent incomplètes au regard de l'espace chimique estimé du métabolome humain. Sur les 300 millions de structures chimiques disponibles dans PubChem pour des molécules de moins de 1 kDa, seules environ 80 millions ont été expérimentalement étudiées, et une fraction encore plus réduite dispose de données spectrales de référence.[13] Cette situation limite considérablement le potentiel d'identification moléculaire systématique, notamment dans des domaines stratégiques comme la santé et la biologie.
Face à ce constat, la performance des algorithmes d'identification automatique reste insuffisante. Lors des derniers challenges internationaux CASMI, le logiciel SIRIUS, pourtant considéré comme l'état de l'art, n'a atteint qu'environ 26 % de bonnes identifications, contre environ 38 % pour des experts humains analysant manuellement les mêmes spectres.[14], [15], [16], [17] Cet écart démontre que l'expertise chimique reste irremplaçable et souligne la nécessité de nouvelles approches qui intègrent mieux les connaissances fondamentales en chimie dans les modèles computationnels. Même si des approches computationnelles récentes, incluant la génération de structures basée sur l'apprentissage profond et le réseautage métabolique guidé par les connaissances,[18], [19] ont montré des résultats prometteurs, elles nécessitent encore une validation expérimentale rigoureuse pour une identification certaine.[20], [21]
C'est précisément cette lacune que le projet e-Lucid vise à combler par une approche hybride combinant intelligence artificielle, données expérimentales enrichies, et expertise chimique, avec une place centrale accordée à la génération de spectres de haute qualité.
Dans ce contexte, le travail du doctorant constitue le socle expérimental indispensable de cette démarche. Sans données spectrales fiables et exhaustives, les développements algorithmiques ne peuvent être ni entraînés ni validés. Le doctorant aura pour mission principale de générer des bases de données spectrales de référence destinées à l'entraînement des modèles d'apprentissage automatique. Il pourra ensuite prioriser les prédictions issues de ces modèles pour orienter la synthèse de métabolites candidats, puis assurer la validation analytique finale des structures identifiées. Cette double mission fait de lui un acteur pivot du projet e-Lucid, assurant le lien essentiel entre les données expérimentales et le développement algorithmique. Les objectifs de la thèse sont:
1. Produire des bases de données spectrales enrichies : générer environ 600 000 spectres LC-HRMS/MS enrichis pour ~4 000 composés, en combinant plusieurs instruments (Orbitrap, Q-TOF, timsTOF), plusieurs modes de fragmentation (CID, HCD, EAD, UVPD), les deux polarités et un continuum d'énergies de collision, afin d'entraîner des modèles d'intelligence artificielle pour l'identification de métabolites.
2. Valider expérimentalement les structures prédites par l'IA : confirmer chimiquement environ 25 métabolites candidats issus des algorithmes du projet e-Lucid, dans les domaines du microbiote intestinal et des biomarqueurs de l'insuffisance hépatique aiguë sur chronique (ACLF), par des acquisitions dans des conditions identiques à celles des échantillons biologiques.
3. Valoriser les résultats : publier au moins deux articles internationaux (dont un « data paper »), diffuser librement les données selon les principes FAIR (Hugging Face, PeakForest) et soutenir la thèse.
La thèse vise aussi à démontrer la complémentarité des fragmentations multimodales et des mesures de CCS pour la discrimination des isomères, indépendamment des approches IA.
Le profil recherché
Justifier d'une expérience en chimie analytique, notamment en analyse LC-MS de mélanges complexes, acquises au cours de stages.
Maîtriser l'analyse LC-HRMS(/MS) requise pour la génération et l'exploitation de bases de données spectrales.
Avoir des notions d'identification structurale par LC-MS
Publiée le 18/11/2026 - Réf : 69ddcb21aa20263dbe3de3ee73954d7f