Contexte

L’Hypertension Artérielle Pulmonaire (HTAP) est une pathologie grave, caractérisée par des mécanismes physiopathologiques complexes et interconnectés.
Des travaux récents menés au sein de l’UMR-S999 ont mis en évidence un rôle inattendu du récepteur NMDA (NMDAR) vasculaire pulmonaire comme hub moléculaire hyperconnecté au cœur des réseaux de signalisation impliqués dans l’HTAP (PDGF, endothéline, TGF-β, IL-6, etc.).

Cette position centrale suggère qu’une stratégie thérapeutique ciblant le NMDAR pourrait être plus pertinente que l’inhibition isolée de chacune de ces voies. Toutefois, le NMDAR étant historiquement associé au système nerveux central, son implication périphérique nécessite une approche intégrative, combinant biologie des systèmes, bioinformatique et intelligence artificielle.

Dans ce contexte, AdvanThink, via sa plateforme de Data Science Amadea, s’associe à des équipes académiques pour développer une approche innovante visant à identifier une signature transcriptomique spécifique de l’engagement du NMDAR, ouvrant la voie à des applications en médecine personnalisée.

Missions

• Analyser et comprendre : explorer de larges jeux de données transcriptomiques (RNA-seq) issus de patients HTAP et de contrôles, ainsi que des bases publiques (GEO – NCBI).

• Identifier une signature biologique : définir des indicateurs transcriptomiques qualifiants de l’engagement et du désengagement du NMDAR dans différents contextes cellulaires et tissulaires.

• Préparer et structurer les données : mettre en œuvre les étapes de préparation des données (normalisation, encodage, One Hot Encoding) pour leur exploitation par des algorithmes de Machine Learning.

• Exploiter l’usine à modèles : entraîner, comparer et sélectionner les modèles les plus performants.

• Tester et valider : appliquer les modèles retenus aux jeux de données HTAP afin de détecter la présence de la signature NMDAR et identifier les messagers cellulaires corrélés.

• Documenter et valoriser : formaliser les méthodologies, résultats et conclusions dans une documentation claire et exploitable.

  Ce que tu vas apprendre et apporter

• Développer une expertise à l’interface de la biologie des systèmes, de l’IA et de la bioinformatique.

• Manipuler et analyser des données transcriptomiques à grande échelle.

• Appliquer des approches de Machine Learning dans un contexte de recherche biomédicale réelle

• Étudiant(e) en biologie, bioinformatique, data science ou discipline connexe.

• Solides connaissances en biologie moléculaire et/ou biologie des systèmes.

• Forte appétence pour l’analyse de données biologiques et les approches omiques.

• Maîtrise ou bonnes bases en R et/ou Python.

Un échange avec l’équipe Life Science