Thèse Comprendre la Prise de Décision à l'Échelle de l'Essai Unique Grâce à l'Imagerie de Précision H/F - Université Paris-Saclay GS Life Sciences and Health

Établissement : Université Paris-Saclay GS Life Sciences and Health
École doctorale : Signalisations et Réseaux Intégratifs en Biologie
Laboratoire de recherche : Neuroimagerie Cognitive
Direction de la thèse : Florent MEYNIEL ORCID 000000026992678X
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-05T23:59:59

Ce projet vise à explorer comment le cerveau humain choisit entre plusieurs options dans un contexte d'incertitude. Contrairement aux approches traditionnelles fondées sur de moyennage d'un grand nombre de participants et d'essais, il propose d'étudier les mécanismes de décision essai par essai, afin de révéler la dynamique des stratégies décisionnelles et ses différences interindividuelles.
Il combine des modèles de Markov cachés (HMM), qui identifient des stratégies de décision latentes, avec des techniques d'imagerie cérébrale de très haute précision (IRM 3T, 7T, 11.7T et MEG). Trois volets structurent la recherche : valider les états cachés du comportement à l'aide de l'IRM 3T ; caractériser leur expression à l'échelle individuelle grâce à l'intégration multimodale IRM 7TMEG ; et prédire les transitions entre stratégies décisionnelles à partir des données obtenues avec l'IRM 11.7T et la méthode en développement SPARKLING 4D.
En combinant des données déjà collectées (3T, 7T et MEG) et des données à collecter en IRM 11.7T, ce projet offre un bon compromis entre faisabilité et innovation méthodologique. Il permettra de mieux comprendre comment le cerveau adapte ses stratégies de choix et contribuera au développement d'une neuroscience de précision centrée sur l'individu.

Ce projet vise à comprendre les mécanismes de la prise de décision à l'échelle de l'essai unique plutôt qu'à l'échelle moyenne.
Jusqu'à présent, les neurosciences computationnelles ont analysé la prise de décision en moyenne sur de nombreux essais et participants.
Cette méthode masque toutefois les différences importantes entre les individus et la dynamique du processus de décision.
Ce projet ambitionne de combiner des chaînes de Markov cachées (HMM) et des innovations de l'imagerie cérébrale de précision.

1. Valider l'existence d'états cachés du comportement avec l'IRM 3T.
2. Caractériser les états cachés à l'échelle de l'individu avec l'IRM 7T et la MEG.
3. Prévoir les transitions entre états cachés à l'aide de l'IRM 11,7 T.

- Utilisation de l'IRM 3T, 7T et 11,7 T pour mesurer l'activité cérébrale ;
- Modélisation comportementale avec des chaînes de Markov cachées (HMM).
- Acquisition de type SPARKLING 4D pour l'IRM 11,7 T.
- Analyse de la connectivité fonctionnelle et des corrélats neuronaux des états cachés.
- Combinaison de l'IRM et de la MEG pour une résolution temporelle accrue.

1. Formation académique :

Master 2 (ou équivalent) en neurosciences, neurosciences computationnelles, imagerie cérébrale, psychologie cognitive, ou dans un domaine connexe (physique appliquée, traitement du signal, machine learning).
Solides connaissances en statistiques et en modélisation computationnelle (expérience avec les chaînes de Markov cachées/HMM serait un atout).
Expérience en analyse de données d'imagerie cérébrale (IRM, MEG) et en programmation (Python, MATLAB, R, ou équivalent).

2. Compétences techniques :

Maîtrise des outils d'analyse de données neurofonctionnelles (nilearn, SPM, FSL, MNE-Python, ou autres).
Connaissance des méthodes avancées de modélisation comportementale.
Expérience avec les outils de traitement du signal et d'apprentissage automatique appliqués aux neurosciences.
Familiarité avec les environnements de calcul scientifique (Linux, clusters) et la gestion de bases de données.

3. Compétences transversales :

Capacité à travailler en équipe pluridisciplinaire (neuroscientifiques, physiciens, modélisateur).
Autonomie, rigueur scientifique et esprit d'initiative pour mener à bien un projet ambitieux et innovant.
Excellente expression écrite et orale en anglais (langue de travail du projet).

4. Atouts supplémentaires :

Expérience préalable en imagerie à très haut champ (7T ou plus) ou en MEG.

5. Qualités personnelles :

Curiosité intellectuelle et motivation pour la recherche fondamentale et appliquée.
Capacité à synthétiser et communiquer des résultats complexes.