Postdoctorat H/F en neuroimagerie "Découverte de biomarqueurs basée sur le réseau des maladies neurodégénératives en utilisant la connectivité multimodale"

Rennes, Ille-et-Vilaine
2 992 €/mois
CDD
Temps-plein

Il y a 17 jours

Contexte : Les maladies neurodégénératives comme la maladie d'Alzheimer (MA) et la maladie de Parkinson (MP) sont la conséquence de processus pathologiques qui débutent plusieurs décennies avant l'apparition des symptômes cliniques typiques [1][2]. Cependant, le diagnostic actuel intervient relativement tard dans l'évolution de la maladie, alors que de nombreuses données mettent en évidence les multiples bénéfices associés à un diagnostic plus précoce [3]. Un défi majeur pour les neurosciences cliniques est donc de fournir des biomarqueurs fiables, non invasifs, abordables et faciles à suivre, capables d'améliorer à la fois la détection précoce et le suivi des maladies neurodégénératives, et pouvant être appliqués au niveau individuel.Il est largement reconnu que la MA et la MP présentent, tout au long de leur évolution, une perturbation progressive et multifactorielle des réseaux cérébraux, étroitement liée au phénotype clinique [4]. Dans la recherche de ces biomarqueurs, l'introduction de techniques d'imagerie non invasives, telles que l'imagerie par résonance magnétique fonctionnelle (IRMf) et l'imagerie pondérée par diffusion (DWI), a conduit à des découvertes majeures, permettant d'établir une cartographie complète des connexions neuronales, appelée le connectome. L'application des sciences des réseaux à l'analyse du connectome offre de nouvelles perspectives sur les perturbations spécifiques des réseaux, caractéristiques de certaines pathologies cérébrales [5].La modélisation mathématique basée sur la théorie des graphes, introduite en neuroimagerie au début de ce siècle, fournit des outils quantitatifs puissants pour analyser les réseaux cérébraux complexes [6][7]. La connectivité cérébrale non dirigée a été classée en deux catégories : (i) la connectivité structurelle estimée par DWI, où les liens représentent les axones ou la densité de fibres neuronales ; (ii) la connectivité fonctionnelle (mesurée, par exemple, avec l'IRMf) où les liens représentent des dépendances statistiques entre signaux cérébraux de différentes régions, telles que les corrélations, la cohérence ou l'entropie de transfert.Cependant, les études antérieures se sont principalement concentrées sur la comparaison entre des patients atteints de MA ou de MP et des sujets sains. En conséquence, la pertinence des altérations de réseaux cérébraux rapportées peut être limitée par un manque de spécificité. En effet, les caractéristiques extraites, sensibles à la MA ou à la MP, peuvent refléter des processus neurodégénératifs communs, et donc manquer de spécificité vis-à-vis de la physiopathologie propre à chaque maladie au niveau individuel. L'intégration simultanée de ces modalités pourrait fournir un outil puissant pour approfondir nos connaissances sur le cerveau et mettre en évidence des biomarqueurs robustes de la MA et de la MP, plus sensibles aux changements physiopathologiques.Objectifs scientifiques du projet : L'objectif scientifique principal de ce postdoctorat est de développer des méthodes innovantes d'apprentissage automatique, adaptées à des caractéristiques multimodales originales, permettant de découvrir des biomarqueurs spécifiques et précis pour chaque stade de la maladie d'Alzheimer et de Parkinson, en analysant les connectomes cérébraux à l'aide de données d'imagerie fonctionnelle et structurelle.Références :
[1] G. M. McKhann et al., « The diagnosis of dementia due to Alzheimer's disease: recommendations from the National Institute on Aging-Alzheimer's Association workgroups on diagnostic guidelines for Alzheimer's disease », Alzheimer's & dementia, vol. 7, no 3. p. 263 269, 2011.
[2] I. Liepelt-Scarfone, A. Ophey, et E. Kalbe, « Cognition in prodromal Parkinson's disease », Progress in brain research, vol. 269, no 1. p. 93 111, 2022.
[3] R. Brookmeyer, S. Gray, et C. Kawas, « Projections of Alzheimer's disease in the United States and the public health impact of delaying disease onset », American journal of public health, vol. 88, no 9. p. 1337 1342, 1998.
[4] C. Hohenfeld, C. J. Werner, et K. Reetz, « Resting-state connectivity in neurodegenerative disorders: Is there potential for an imaging biomarker? », NeuroImage: Clinical, vol. 18. p. 849 870, 2018.
[5] A. Fornito, A. Zalesky, et M. Breakspear, « The connectomics of brain disorders », Nature Reviews Neuroscience, vol. 16, no 3. p. 159 172, 2015.
[6] E. Bullmore et O. Sporns, « Complex brain networks: graph theoretical analysis of structural and functional systems », Nature Reviews Neuroscience, vol. 10, no 3. p. 186 198, 2009.
[7] A. W. Toga, K. A. Clark, P. M. Thompson, D. W. Shattuck, et J. D. Van Horn, « Mapping the human connectome », Neurosurgery, vol. 71, no 1. p. 1 5, 2012.
[8] Z. Hammoud et F. Kramer, « Multilayer networks: aspects, implementations, and application in biomedicine », Big Data Anal., vol. 5, no 1, p. 2, déc. 2020, doi: 10.1186/s41044-020-00046-0.ActivitésAu lieu de recourir à la comparaison traditionnelle entre des groupes de témoins sains et de patients, l'approche proposée consiste à développer des modèles de classification multiclasses. Le ou la postdoctorant·e appliquera l'approche développée à deux grandes cohortes de patients, puis évaluera l'efficacité des biomarqueurs candidats spécifiques à chaque maladie sur une nouvelle cohorte locale multimodale innovante, comprenant des patients avec ou sans troubles cognitifs, à différents stades des maladies.CompétencesNous recherchons des candidats hautement motivés, passionnés par des thématiques de recherche stimulantes en apprentissage automatique, neuroimagerie, applications cliniques et imagerie par résonance magnétique (IRM). Nous ciblons des candidats titulaires d'un doctorat en imagerie biomédicale, neuroimagerie ou apprentissage automatique. Des connaissances de base en traitement d'images seraient un atout. Une bonne maîtrise des aspects informatiques est également indispensable, notamment en Python et Matlab.Contexte de travailLa personne recrutée travaillera à Inria/IRISA, UMR CNRS 6074, au sein de l'équipe Empenn U1228. Le travail se fera en étroite collaboration avec Pierre-Yves Jonin, neuropsychologue au CHU de Rennes, ainsi qu'avec des neurologues spécialisés dans les maladies d'Alzheimer et de Parkinson.A propos du laboratoirewww.irisa.fr
L'IRISA est aujourd'hui l'un des plus grands laboratoires de recherche français (plus de 850 personnes) dans le domaine de l'informatique et des technologies de l'information. Structuré en sept départements scientifiques, l'IRISA est un laboratoire d'excellence dont les priorités scientifiques sont la bioinformatique, la sécurité des systèmes, les nouvelles architectures logicielles, la réalité virtuelle, l'analyse des big data et l'intelligence artificielle. Tourné vers l'avenir de l'informatique et nécessairement tourné vers l'international, l'IRISA est au cœur même de la transition numérique de la société et de l'innovation au service de la cybersécurité, de la santé, de l'environnement et de l'écologie, des transports, de la robotique, de l'énergie, de la culture et de l'intelligence artificielle.Présentation du CNRS en tant qu'employeur : https://www.cnrs.fr/fr/le-cnrs
Présentation de l'IRISA comme laboratoire d'affectation : https://www.irisa.fr/umr-6074Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.

CNRS

Postuler