Ingénieur de recherche (h/f) en apprentissage automatique appliqué à la génomique évolutionnaire

Vos missions en quelques mots Missions : Le/la candidat·e sera recruté.e dans le cadre d’un projet financé par la Fondation pour la Recherche Médicale visant à caractériser l’origine évolutive des maladies génétiques complexes humaines à partir de données génomiques anciennes et modernes. La mission consistera à concevoir et développer une méthode d’apprentissage automatique destinée à inférer des paramètres évolutionnaires à partir de données génomiques anciennes et modernes à grande échelle. Le poste implique une contribution directe à la définition du cadre méthodologique, à l’implémentation des modèles, ainsi qu’à leur validation sur données simulées et empiriques. Le ou la candidat·e travaillera à l’interface entre génétique évolutionnaire, modélisation statistique et apprentissage automatique, en collaboration étroite avec les membres de l’équipe. Activités : • Conception et développement d’une méthode d’apprentissage automatique pour l’inférence de paramètres évolutionnaires • Implémentation et optimisation d’algorithmes adaptés à des jeux de données génomiques à grande échelle • Développement de stratégies de validation sur données simulées et réelles • Intégration de la méthode dans un environnement de calcul reproductible • Participation aux discussions méthodologiques et à la valorisation scientifique des développements Contexte de travail : Le projet se déroulera au sein de l’équipe de Stéphane Peyrégne à l’Institut Jacques Monod. Cette équipe récemment créée étudie les génomes anciens afin de mieux comprendre l’évolution humaine et ses implications pour la biologie et la santé. Le ou la candidat·e bénéficiera d’un environnement de travail favorisant les analyses génomiques à grande échelle et le développement d’outils informatiques. Profil recherché Competences : Compétences techniques : • Formation en apprentissage automatique, statistiques, bioinformatique, génomique computationnelle ou discipline apparentée • Expérience en développement d’algorithmes ou de modèles statistiques • Maîtrise de Python (frameworks ML appréciés : PyTorch, TensorFlow, scikit-learn) • Maîtrise des environnements Unix/Linux • Expérience en traitement de données à grande échelle Compétences transversales : • Capacité à travailler de manière autonome sur un développement méthodologique • Esprit analytique et rigueur scientifique • Capacité à interagir avec des chercheurs issus de disciplines différentes • Bonne maîtrise de l’anglais scientifique Contraintes et risques : Aucun Niveau d'études minimum requis Niveau Niveau 7 Master/diplômes équivalents Spécialisation Sciences naturelles (biologie-géologie) Langues Français Seuil