PhD student

Le projet “Artificial Metabolic Networks” (AMN) explorera les analogies entre la dynamique mĂ©tabolique (telle que dĂ©crite par des modĂšles mathĂ©matiques) et le fonctionnement des rĂ©seaux de neurones artificiels dans des tĂąches telles que le traitement du signal ou la classification.

The aim of this thesis is to develop and analyse Bayesian nonparametric models to explore diversity in metagenomic data. This involves 1) furthering the knowledge about the fundamental properties of existing Bayesian nonparametric processes, 2) using them as building blocks to develop flexible models for noisy and high-dimensional data and 3) designing efficient and scalable inference algorithms, via parallelisation, optimisation and/or careful approximations.

Dans le domaine de la biologie, l’arrivĂ©e des nouvelles technologies de sĂ©quençage a eu pour effet d’augmenter de façon consĂ©quente la production des donnĂ©es tout en abaissant les coĂ»ts liĂ©s Ă  leur production.

Les systĂšmes de culture continue en biorĂ©acteurs restent, malgrĂ© leur intĂ©rĂȘt, peu utilisĂ©s dans les laboratoires de microbiologie. L’objectif de ce projet de thĂšse est de faciliter leur mise en Ɠuvre en proposant un nouveau systĂšme modulaire de mini-biorĂ©acteurs pilotĂ©s par ordinateur en s’appuyant sur les opportunitĂ©s offertes par l’essor des technologies de fabrication numĂ©rique et des microcontrĂŽleurs programmables.

Le projet de thĂšse porte sur l’extraction automatique et la modĂ©lisation de connaissances Ă  partir de donnĂ©es textuelles sur les facteurs dĂ©terminant l'Ă©mergence de maladies de plantes dans une perspective de prĂ©vention de risque. Parmi ces informations, la connaissance scientifique des habitats des pathogĂšnes, de leurs hĂŽtes, de leur vecteurs de transmission, mais aussi les phĂ©notypes et conditions d'habitabilitĂ© est nĂ©cessaire Ă  l'anticipation de propagation Ă  moyen terme.

Le projet de thèse proposé s’inscrit dans une démarche interdisciplinaire et un contexte de sciences ouvertes et participatives. Il vise à concevoir et mettre en Ɠuvre des approches bioinformatiques et numériques innovantes pour analyser, comparer, interpréter et diffuser des jeux de données de données (meta)génomiques d’écosystèmes alimentaires fermentaires.