Ingénieur d'Études Modélisation Générative de Réseaux Cérébraux à Partir de Représentations Latentes Apprises H/F - CNRS

Ce projet vise à développer un nouveau cadre génératif pour modéliser la topologie des circuits des réseaux neuronaux des petits animaux. Ce cadre s'appuie sur des modèles de réseaux génératifs basés sur l'intégration des noeuds dans un espace métrique où les distances déterminent les probabilités de liaison à partir d'un noyau appris à partir des données. Le projet consistera à généraliser les modèles de graphes d'espace latent en apprenant les noyaux de distance définissant les probabilités de connexion entre les neurones à partir des données et, éventuellement, en les étendant à des espaces latents non euclidiens.
Activités
- Développer un code Python efficace pour inférer les positions des noeuds latents basée sur l'optimisation stochastique de la vraisemblance des données.
- Développer une procédure de sélection de la dimension de l'espace latent basée sur la validation croisée ou la sélection de modèles bayésienne.
- Éventuellement étendre le modèle à des espaces latents non euclidiens.

Compétences
Nous recherchons un.e candidat.e très motivé.e ayant une solide formation quantitative en physique ou en mathématiques appliquées (y compris, mais sans se limiter à, l'apprentissage automatique et la statistique). Une maîtrise de Python et des simulations numériques est attendue.
Contexte de travail


Au laboratoire, nous nous appuyons principalement sur la larve de Drosophila melanogaster comme animal modèle pour étudier ces questions. Son connectome complet, contenant ~12,000 neurones, a été cartographié à une résolution synaptique. En outre, une vaste boîte à outils génétique permet de cibler et de contrôler des neurones individuels chez des animaux au comportement libre. Des cribles à grande échelle ont révélé l'influence individuelle de milliers de neurones sur le comportement de millions de larves, et plusieurs microcircuits contrôlant des décisions et des actions comportementales spécifiques ont été identifiés.

Le.La candidat.e sélectionné.e travaillera dans un environnement interdisciplinaire mêlant physiciens, biologistes et mathématiciens.