CDD Post Doctorant à pourvoir

Contexte. La croissance démographique s’accompagne d’une augmentation du nombre de personnes âgées et des maladies neurodégénératives avec troubles cognitifs (MNDC), tel que la maladie d’Alzheimer (MA). Bien que la MA représente 65% des MNDC, il existe des syndromes apparentés qui diffèrent entre eux sur le plan génétique, clinique, thérapeutique et de de l’évolution. Un diagnostic précis et précoce est crucial pour la prise en charge de ces maladies. Ce diagnostic est plus spécifique si les données des patients sont multimodales (cliniques, cognitives, neuroimagerie, biologie, autonomie). Nous avons accès à de telles bases, typiquement la base BIOMOD du CMRR-CHU Grenoble Alpes, mais d’autres bases multimodales seront également considérées. Des méthodes d’apprentissage statistique appliquées aux données multimodales de ces bases, permettent d’identifier et de décrire des phénotypes multimodaux des pathologies neurodégénératives considérées. Par ailleurs, des représentations spatiales « cognitomiques » des caractéristiques cognitives de ces pathologies peuvent être obtenues avec des approches telles que la théorie de réseaux. Lors d’un travail préliminaire, ce projet se focalise sur trois formes cliniques MNDC fréquemment rencontrées : la MA typique, la MA atypique, et la dégénérescence lobaire fronto-temporale (DLFT) au sens large. Notre objectif est d'utiliser des approches machine learning pour décrire les phénotypes caractéristiques de ces formes cliniques, et la théorie de réseaux pour étudier les relations entre les paramètres cognitifs pour chacune des pathologies.
Objectif 1 : Phénotyper les trois pathologies via des algorithmes supervisés pour découvrir les combinaisons de variables discriminantes, au-delà des analyses statistiques classiques. Objectif 2: Explorer les interactions entre les variables de phénotypes via des outils d’inspection comme les PDP (partial dependence plot) et des nomogrammes, pour affiner la caractérisation des pathologies cognitives. Objectif 3 : Examiner avec la théorie des graphes, comment le langage, la mémoire etles fonctions exécutives interagissent selon la pathologie

Profil du/de la candidat(e) : Compétences requises : Doctorat en sciences cognitives ou neurosciences cognitives ou computationnelles ; Connaissances théoriques du domaine de la neurocognition (langage, mémoire, fonctions exécutives) ; Connaissances méthodologiques enstatistiques classiques et programmation ; Une maitrise du langage Python sera absolument nécessaire au moment de la prise de fonction. Compétences souhaitées : Expérience avec les données de neuroimagerie et/ou méthodes de machine learning et/ou théorie des graphes ;
Connaissances/expérience Scikit-Learn, iGraph ou NetworkX.
Date du stage postdoctoral : 1 mars 2024 (flexible)
Durée : 1 an

Candidater : par email à monica.baciuuniv-grenoble-alpes.fr (monica[dot]baciu[at]univ-grenoble-alpes[dot]fr) et envoyer une lettre de motivation, un CV complet avec la liste de publications, une lettre de recommandation.
Date limite pour dépôt des candidatures : 20 février 2024

pour postuler