Offre de thèse
CD - META – ANALYSE & MODELES CAUSAUX POUR LA COMPREHENSION DES RELATIONS STRUCTURE /ACTIVITE DES NANOVECTEURS LIPIDIQUES
Date limite de candidature
20-05-2025
Date de début de contrat
01-10-2025
Directeur de thèse
JACQUOT Muriel
Encadrement
L'équipe encadrante se réunira avec le doctorant toutes les deux semaines pour assurer le suivi de ses travaux. Des réunions supplémentaires pourront être organisées à la demande en fonction des besoins. Par ailleurs, un comité de thèse sera mis en place chaque année, incluant des membres extérieurs, afin d'évaluer l'avancement du projet, de valider les résultats obtenus et d'orienter la poursuite des travaux. Le doctorant devra également suivre les modules de formation proposés par l'école doctorale SIRENA, en vue d'obtenir les 30 crédits requis pour la soutenance de thèse.
Type de contrat
école doctorale
équipe
contexte
Ce projet s'inscrit parfaitement dans les thématiques de l'axe 2 du LIBio ainsi que dans le programme B4B où l'intégration de l'Intelligence Artificielle dans la recherche sur les biomolécules est un axe prioritaire. Il pourra aussi profiter des travaux réalisés dans le cadre de la chaire industrielle fragranceSyn où le développement de nouveaux modèles causaux est au cœur du projet. Ce doctorat sera réalisé en collaboration avec le Pr. Armelle Brun du LORIA, experte dans les modèles causaux, et s'appuiera sur l'expertise du Prof Elmira Arab-Tehrany Kahn, experte dans le développement et la caractérisation de nanoparticules hybrides et du Dr Muriel Jacquot, experte dans les approches de modélisation combinant des méthodologies avancées en physico-chimie et sciences cognitives enrichies par la science des données.spécialité
Génie biotechnologique et alimentairelaboratoire
LIBIO - Laboratoire d'Ingénierie des Biomolécules
Mots clés
nano-vecteurs, IA
Détail de l'offre
Depuis près de vingt ans, le LIBio mène des recherches sur la caractérisation de nanovecteurs lipidiques incorporant des biomolécules d'intérêt, dans le but de développer des systèmes à fonctionnalités augmentées. Ces travaux ont conduit à de nombreuses publications et à une reconnaissance internationale. Cependant, par manque de temps, de ressources ou de financements, certains résultats expérimentaux – notamment négatifs – restent inexploités, entraînant une perte d'information précieuse. Ce doctorat propose de capitaliser sur l'ensemble des données expérimentales collectées depuis 17 ans au sein du laboratoire, complétées par une revue de la littérature scientifique, afin de mener une méta-analyse approfondie. L'objectif est de renforcer la compréhension des relations structure/activité et structure/propriétés des nanovecteurs lipidiques, d'identifier de nouvelles pistes de recherche, et de favoriser une innovation plus parcimonieuse en valorisant des données jusqu'ici sous-exploitées. Au-delà de la méta-analyse classique, ce travail intégrera l'utilisation de modèles causaux. Ces outils statistiques permettent d'aller au-delà des corrélations descriptives pour révéler des liens de cause à effet profonds entre les variables, parfois invisibles à l'analyse experte classique. Cette approche permettra d'explorer de manière innovante les dynamiques sous-jacentes aux phénomènes observés et d'optimiser le design de futurs vecteurs lipidiques. Le projet s'inscrit pleinement dans les thématiques de l'axe 2 du LIBio et dans le programme B4B, qui valorise l'intégration de l'Intelligence Artificielle dans la recherche sur les biomolécules. Il bénéficiera également des travaux en cours dans le cadre de la chaire industrielle dédiée aux modèles causaux. Le doctorant travaillera en collaboration avec le Pr Armelle Brun du LORIA, spécialiste des modèles causaux, ainsi qu'avec le Pr Elmira Arab-Tehrany Kahn et le Dr Muriel Jacquot du LIBio, expertes respectivement en développement de nanoparticules hybrides et en modélisation avancée. Ce doctorat offre ainsi une opportunité unique d'explorer comment les outils d'Intelligence Artificielle peuvent enrichir l'interprétation de phénomènes expérimentaux complexes, soutenir l'innovation dans le domaine des nanovecteurs lipidiques, et contribuer à une meilleure exploitation des données existantes.
Keywords
Nano-vectors, AI
Subject details
For nearly two decades, LIBio has been engaged in research on the characterization of lipid nanovectors incorporating biomolecules of interest, aiming to develop systems with enhanced functionalities. This research has led to numerous publications and earned international recognition. However, due to limitations in time, resources, and funding, certain experimental results — particularly negative outcomes — have remained underexplored, leading to a loss of valuable knowledge. This PhD project seeks to capitalize on the experimental datasets accumulated over the past 17 years within the laboratory, complemented by an extensive review of the relevant scientific literature, to conduct a comprehensive meta-analysis. The primary objective is to deepen the understanding of structure–activity and structure–property relationships of lipid nanovectors, to identify new research directions, and to foster more resource-efficient innovation by leveraging underutilized data. Beyond traditional meta-analysis, the project will incorporate the application of causal modeling. Causal models are powerful statistical tools that enable researchers to move beyond descriptive correlations, uncovering underlying cause-and-effect relationships between variables that may not be immediately evident through conventional expert analysis. This approach will allow for an innovative investigation of the dynamics underpinning experimental phenomena and will guide the rational design of future lipid-based delivery systems.The project is fully aligned with the research priorities of LIBio's Axis 2 and the B4B program, which promotes the integration of Artificial Intelligence into biomolecule research. It will also build upon ongoing work developed within the framework of the industrial chair dedicated to causal modeling. The PhD candidate will work in close collaboration with Professor Armelle Brun (LORIA), a leading expert in causal models, as well as with Professor Elmira Arab-Tehrany Kahn and Dr. Muriel Jacquot (LIBio), specialists in hybrid nanoparticle development and advanced modeling approaches, respectively.Overall, this doctoral project offers a unique opportunity to explore how Artificial Intelligence methodologies can advance the interpretation of complex experimental data, support innovation in the field of lipid nanovectors, and contribute to more effective exploitation of existing scientific knowledge.
Profil du candidat
Le doctorant devra posséder une formation initiale en physico-chimie, assortie d'une bonne connaissance des processus biologiques. Une ouverture à la science des données sera également attendue. Il devra faire preuve de rigueur, de bonnes capacités d'organisation et d'aptitudes à communiquer efficacement, tant au sein de l'équipe qu'avec des partenaires extérieurs. La maîtrise de l'anglais est indispensable.
Candidate profile
The candidate should have an academic background in physical chemistry, complemented by a solid understanding of biological processes. An openness to data science approaches is expected. The candidate must demonstrate strong rigor and organizational skills, as well as effective communication abilities, both within the research team and with external partners. Proficiency in English is essential.
Référence biblio
Passeri, E., Elkhoury, K., Jiménez Garavito, M. C., Desor, F., Huguet, M., Soligot-Hognon, C., Linder, M., Malaplate, C., Yen, F. T., & Arab-Tehrany, E. (2021). Use of active salmon-lecithin nanoliposomes to increase polyunsaturated fatty acid bioavailability in cortical neurons and mice. International Journal of Molecular Sciences, 22(21), 11859. https://doi.org/10.3390/ijms222111859
Nel, J., Elkhoury, K., Velot, É., Bianchi, A., Acherar, S., Francius, G., Tamayol, A., Grandemange, S., & Arab-Tehrany, E. (2023). Functionalized liposomes for targeted breast cancer drug delivery. Bioactive Materials, 24, 401–437. https://doi.org/10.1016/j.bioactmat.2022.12.02
Arab-Tehrany, E., Jacquot, M., Gaiani, C., Imran, M., Desobry, S., & Linder, M. (2012). Beneficial effects and oxidative stability of omega-3 long-chain polyunsaturated fatty acids. Trends in Food Science & Technology. https://doi.org/10.1016/j.tifs.2011.12.002
Dahabreh, I., Robertson, S., Petito, L., Hernán, M., & Steingrimsson, J. (2019). Efficient and robust methods for causally interpretable meta-analysis: transporting inferences from multiple randomized trials to a target population. https://doi.org/10.48550/arxiv.1908.09230
Markozannes, G., Vourli, G., & Ntzani, E. (2021). A survey of methodologies on causal inference methods in meta-analyses of randomized controlled trials. Systematic Reviews, 10(1). https://doi.org/10.1186/s13643-021-01726-1