Post-Doc 2026

Sélection 2026

PremaMIND: Decoding the Developing Brain: Predicting Neurodevelopmental Trajectories and Identifying Early Risk Biomarkers in Premature Newborns

Directeur :

• Sahar Moghimi
• Fabrice Wallois
• Florence Levé

Laboratoire(s) d'accueil :

• GRAMFC - Groupe de Recherches sur l'Analyse Multimodale de la Fonction Cérébrale
• MIS - Modélisation, Information & Systèmes

Résumé

• Les nouveau-nés prématurés, en particulier ceux nés extrêmement prématurés, présentent un risque élevé de troubles du neurodéveloppement, un risque qui augmente à mesure que l’âge gestationnel à la naissance diminue. L’identification précoce d’un développement cérébral atypique chez le nouveau-né prématuré peut considérablement améliorer la prise en charge individualisée en néonatologie, en permettant la mise en place rapide d’interventions personnalisées. Ainsi, l’évaluation fiable de la maturation cérébrale dépasse le cadre de la recherche fondamentale et théorique et présente des implications pratiques majeures en clinique, notamment pour les enfants à risque, afin de limiter les déficits cognitifs et les handicaps. Dans le cadre de PremaMIND, nous proposons une étude rétrospective s’appuyant sur une base de données EEG-clinique existante à très grande échelle. Les enregistrements EEG couvrent la période entre 24 et 36 semaines d’âge gestationnel. Nos objectifs sont de : (1) mener un phénotypage approfondi de l’EEG à l’aide de mesures empiriques et théoriques pour construire un ensemble complet de neurobiomarqueurs ; (2) développer des modèles basés sur l’intelligence artificielle pour modéliser les trajectoires précoces du neurodéveloppement chez le prématuré et permettre une identification précoce des risques. En combinant les modèles d’IA avec un phénotypage post-hoc, nous visons à cartographier les déviations par rapport au développement typique selon des dimensions cliniquement pertinentes — facilitant ainsi un score de risque précoce, interprétable, dans cette population vulnérable. Les résultats attendus permettront de fournir des informations non seulement sur (1) l’état de maturation par la détection de déviations par rapport à la norme, mais aussi sur (2) les signatures électrophysiologiques sous-jacentes à ces déviations, identifiées par phénotypage et associées à (i) des lésions cérébrales précoces et (ii) des évaluations neurodéveloppementales. Grâce à sa résolution temporelle, son faible coût et sa simplicité de mise en œuvre, l’EEG présente un fort potentiel pour une adoption large en pratique clinique, notamment dans les contextes à ressources limitées, où les experts en neurophysiologie néonatale sont peu nombreux. Associé à des techniques d’apprentissage automatique innovantes, à des représentations graphiques informatives et à des outils conviviaux pour l’interprétation, il pourrait devenir un outil fiable et accessible au chevet du nouveau-né pour le dépistage précoce des risques neurodéveloppementaux.

Modélisation des propriétés membranotropes de peptides antimicrobiens et pénétrants pour le criblage à des fins thérapeutiques.

Directeur :

• Benjamin Bouvier
• Christine Cézard

Laboratoire(s) d'accueil :

• GEC - Génie Enzymatique et Cellulaire
• LG2A - Le Laboratoire de Glycochimie, des Antimicrobiens et des Agroressources

Résumé

• La résistance bactérienne aux antimicrobiens constitue une menace mondiale. Le développement de nouveaux antibiotiques est limité à la fois par la rapidité d’apparition des résistances et par le coût élevé de la découverte de nouvelles classes. Les peptides antimicrobiens (PAM) et à pénétration cellulaire (PPC), produits par tous les organismes vivants, représentent une alternative prometteuse : ils ciblent les membranes bactériennes via plusieurs mécanismes, limitant les résistances. Toutefois, peu d’entre eux atteignent les essais cliniques, en raison notamment de problèmes de toxicité et d’absorption. La capacité des peptides à traverser les membranes est une propriété clé, mais difficile à mesurer expérimentalement ou par simulation en raison du caractère anisotrope des membranes et du temps de traversée trop long pour les simulations classiques. La méthode COSMOperm permet de prédire rapidement l’énergie libre de perméation, en représentant les interactions au sein de membranes modélisées par couches successives. Cependant, les PAM et PPC sont trop grands et flexibles pour être traités efficacement à grande échelle par cette approche. Le projet propose donc d’utiliser l’apprentissage automatique pour prédire la perméabilité des peptides à partir d’un ensemble de données issues de COSMOperm. Nous décomposerons les peptides en oligomères plus faciles à traîter, et dont les propriétés serviront à estimer celles des PAM/PPC entiers. La flexibilité structurelle des peptides sera prise en compte grâce à un ensemble de conformations représentatives, sélectionnées à l’aide d’un outil développé au GEC, fondé sur des réseaux transformeurs. Les PAM/PPC seront ensuite représentés sous forme de graphes intégrant leurs caractéristiques de séquence, leurs affinités membranaires et leurs interactions internes, afin d’entraîner un modèle prédictif basé sur des réseaux de neurones convolutifs sur graphes. Une fois entraîné, ce modèle viendra complémenter la plateforme ADAPTABLE du GEC pour faciliter le criblage de peptides thérapeutiques membranotropes.