Post-doc prédire des phénotypes du maïs en condition de sècheresse à partir d’informations biolog

Informations générales Organisme de rattachement Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement (INRAE) Référence INRAE-OT-28099 Date de début de diffusion 12/01/2026 Date de parution 29/01/2026 Date de fin de diffusion 31/03/2026 Versant Fonction Publique de l'Etat Catégorie Catégorie A (cadre) Nature de l'emploi Emploi ouvert uniquement aux contractuels Domaine / Métier Recherche - Experte / Expert en expérimentation et production végétale Statut du poste Vacant Intitulé du poste POST-DOC Prédire des phénotypes du maïs en condition de sècheresse à partir d’informations biolog Descriptif de l'employeur L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche rassemblant une communauté de travail de 12 000 personnes, avec 272 unités de recherche, de service et expérimentales, implantées dans 18 centres sur toute la France.INRAE se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal. Ses recherches visent à construire des solutions pour des agricultures multi-performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes. Description du poste Vous serez accueilli au sein de l’équipe GEvAD (Génétique Evolutive et Adaptation des plantes domestiquées, https://moulon.inrae.fr/equipes/gevad/) dans l’UMR Génétique Quantitative et Évolution (GQE) - Le Moulon (Gif-sur-Yvette, France). GQE fait partie de l’Institut Diversité, Écologie, Évolution du Vivant (IDEEV, https://www.ideev.universite-paris-saclay.fr/) situé sur le campus de l’Université Paris-Saclay. L’équipe GEvAD combine diverses approches, dont des expérimentations en champs et en serres, des approches de génétique des populations théoriques (modélisation, développements statistiques) et appliquées), génomique, génomique des systèmes, pour comprendre des mécanismes évolutifs à l’origine de la domestication et de l’adaptation des plantes domestiquées à leur environnement. Il•Elle collaborera également avec les membres de l’équipe GQMS (génétique quantitative et méthodologie de la sélection), qui développe des approches expérimentales et théoriques, des outils statistiques et des outils d’assistance à la sélection pour comprendre la diversité du maïs et étudier l’architecture des caractères quantitatifs pour optimiser la sélection variétale du maïs. Le travail du•de la postdoctorant•e s’intègrera dans le projet ANR JCJC NETWITS mené par M. Fagny qui porte sur le rôle de la régulation de l’expression des gènes dans la réponse du maïs au déficit hydrique. GQE rassemble de nombreux experts des bases moléculaires de la réponse du maïs au déficit hydrique, incluant des spécialistes de la génétique d’association et de l’inférence des réseaux de régulation. Nous avons identifié de nombreux locus candidats, gènes et éléments régulateurs, impliqués dans la réponse du maïs au déficit hydrique.Le•la postdoctorant•e, spécialiste en génétique quantitative, sera responsable du développement d’une méthode de prédiction du rendement du maïs en condition de déficit hydrique qui s’appuiera sur les données disponibles au laboratoire. L’objectif sera d’intégrer dans le modèle des informations biologiques issues des études déjà réalisées sur la régulation de l’expression des gènes et la sélection naturelle en réponse au déficit hydrique. En collaborant étroitement avec les membres du projet NETWITS et d’autres membres du laboratoire, il•elle sera responsable de :1) Catégoriser les polymorphismes selon leur importance dans le réseau de régulation, les résultats d’études d’associations et de génétique des populations.2) Utiliser des méthodes intégrant des données biologiques a priori comme (Bertolini 2025), GFBLUP (Edwards 2016, Fang 2017), or BayesRC (Fikere 2018, Mollandin 2022) pour intégrer les résultats existants dans le modèle. Descriptif du profil recherché Formation : le candidat doit être titulaire d’un doctorat.Des connaissances avancées en génétique quantitative sont requises, une expérience avec l’apprentissage par réseaux de neurones sera un plus. Des connaissances en génomique des systèmes/réseaux de régulation des gènes seront appréciées mais pas indispensables.Bioinformatique : des compétences de programmation en R ou python sont indispensables, Des compétences en shell et en utilisation de clusters de calculs gérés par SLURM seront appréciées. Une connaissance basique des principes FAIR et de l’utilisation de git est requise, tous les scripts développés seront rendus publics suivant les principes de gestion de données FAIR.Communication : Rédaction d’articles scientifiques, préparations de présentations et de posters pour valoriser les résultats scientifiques. Anglais écrit et parlé : niveau B1 à B2 (cadre européen commun de référence pour les langues) minimum requis.Un intérêt pour l’encadrement d’étudiants sera un plus.Bertolini E., et al., 2024. Genomic prediction of cereal crop architectural traits using models informed by gene regulatory circuitries from maize. Genetics228(4): iyae162. https://doi.org/10.1093/genetics/iyae162Edwards, S. M., Sorensen, I. F., Sarup, P., Mackay, T. F., & Sorensen, P. (2016). Genomic prediction for quantitative traits is improved by mapping variants to gene ontology categories in Drosophila melanogaster. Genetics, 203(4), 1871–1883. https://doi.org/10.1534/genetics.116.187161Fang L., et al., 2017. Use of biological priors enhances understanding of genetic architecture and genomic prediction of complex traits within and between dairy cattle breeds. BMC Genomics 18:604. https://doi.org/10.1186/s12864-017-4004-zFikere M., et al., 2018. Genomic Prediction Using Prior Quantitative Trait Loci Information Reveals a Large Reservoir of Underutilised Blackleg Resistance in Diverse Canola (Brassica napus L.) Lines. The Plants Genome 11:170100. https://doi.org/10.3835/plantgenome2017.11.0100Zhao L., et al., 2025. Genomic Prediction with NetGP Based on Gene Network and Multi-omics Data in Plants. Plant Biotechnology Journal 23:1190-1201. https://doi.org/10.1111/pbi.14577Mollandin F., et al., 2022. Accounting for overlapping annotations in genomic prediction models of complex traits. Localisation du poste Europe, France, Île-de-France Géolocalisation du poste 91190 GIF SUR YVETTE Lieu d'affectation (sans géolocalisation) 91190 GIF SUR YVETTE Critères candidat Niveau d'études / Diplôme Niveau 7 Master/diplômes équivalents Date de vacance de l'emploi 01/05/2026