GUSTAVE ROUSSY - Doctorant H/F H/F

Nous recrutons un(e) Doctorant(e) dans le cadre d'un contrat de 3 ans pour contribuer à construire une nouvelle classe de modèle de risque du cancer du sein : non pas un test de détection tumorale, mais une lecture moléculaire du risque futur fondée sur l’hôte.Le projet utilisera des échantillons de salive, le séquençage long-read Oxford Nanopore et des approches statistiques / machine learning avancées pour intégrer les informations cliniques et génétiques de risque établies avec plusieurs couches de données génomiques, épigénomiques et métagénomiques de l’hôte, afin de déterminer si une biologie mesurable dans la fenêtre prédiagnostique peut affiner la prédiction du risque de cancer du sein.L’ambition est d’aller au-delà de la prédiction statique du risque et de demander si une biologie dynamique et mesurable de l’hôte peut aider à identifier les personnes présentant un risque accru de développer un cancer du sein, ouvrant la voie à une prévention plus précise et informée par la biologie.La personne recrutée rejoindra le Programme Interception et l’INSERM U981 à Gustave Roussy, en travaillant avec Interception Translational Research Labo (ITRL), la Plateforme de Génomique, l’Oncologie Computationnelle, la Clinical Discovery Bioinformatics, les équipes de Biostatistique / Oncostat, CentraleSupélec, l’Early Cancer Institute de l’Université de Cambridge et Oxford Nanopore Technologies.Il s’agit d’un doctorat d’abord orienté science des données, avec une forte exposition au séquençage long-read, au développement d’essais translationnels, à la prévention des cancers et à des mobilités internationales académiques/industrielles.Vous serez amené(e) à :·       traiter et analyser des données de séquençage long-read Oxford Nanopore issues d’échantillons de salive ;·       développer des pipelines reproductibles pour extraire et harmoniser les caractéristiques moléculaires dérivées des fragments longs à partir d’échantillons peu invasifs ;·       intégrer les données moléculaires avec les informations cliniques et génétiques de risque établies ;·       construire des modèles de machine learning et des modèles statistiques pour la stratification du risque de cancer du sein ;·       évaluer si des caractéristiques biologiques multi-couches améliorent les modèles actuels fondés sur les données démographiques et le génotype ;·       explorer l’interprétation biologique des signaux prédictifs, avec une attention particulière à ce qu’ils pourraient révéler sur la susceptibilité de l’hôte, la biologie précoce de la maladie et les états de risque pertinents pour la prévention ;·       travailler avec des experts en prévention des cancers, oncologie computationnelle, génomique, biostatistique et mathématiques appliquées ;