Bourses

Bourse postdoctorale Géométrie et apprentissage en profondeur pour les reconstructions de formes biologiques en 3D

Bourse postdoctorale Géométrie et apprentissage en
profondeur pour les reconstructions de formes
biologiques en 3D : Révéler les protéines
membranaires avec la microscopie cryoélectronique,
États-Unis
Contact:
Nina Miolane, UCSB ( ninamiolane@ucsb.edu ).
Cornelius Gati, USC ( gati@usc.edu ).
Les candidatures seront acceptées jusqu’à ce que le poste soit pourvu. Cependant, nous
vous recommandons de postuler avant le 1er octobre 2021 afin d’être pleinement pris en
considération. La date de début est flexible, à partir du 1er novembre 2021, pour une
durée de 3 ans. L’emplacement principal est UC Santa Barbara, Californie, États-Unis.
Portée:
Alors que le développement de la cryo-microscopie électronique (cryo-EM) s’est déjà
avéré révolutionner le domaine de la biologie structurale en imageant des biomolécules en
solution, la grande majorité des protéines ne peuvent pas être reconstruites à une
résolution satisfaisante. Parmi elles, les protéines membranaires restent un immense
défi d’imagerie pour les biologistes – voir le modèle simulé sur la figure 1 (A). Leur
flexibilité inhérente, ainsi que le contraste limité provenant de la micelle entourant les
domaines transmembranaires hydrophobes, en font un objet difficile à imager.
Parallèlement, les protéines membranaires sont des cibles privilégiées pour plus de 50
% des médicaments délivrés sur ordonnance sur le marché pharmaceutique, y
compris les médicaments ciblant le traitement des troubles neurologiques et des cancers .
Dans ce contexte, les limites technologiques de l’imagerie cryo-EM limitent notre
compréhension des conformations 3D des protéines, et par conséquent, notre
connaissance des mécanismes thérapeutiques associés – voir reconstruction sur la figure
1 (B). L’amélioration de la résolution des formes 3D des protéines membranaires est
cruciale pour les applications médicales et pharmacologiques, et opportune compte tenu
des constructions accélérées d’installations cryo-EM dans le monde et de l’explosion
associée des données cryo-EM – voir Figure 1 (C).
L’objectif de ce projet est de développer une nouvelle méthode mathématique et
statistique qui améliore la résolution des reconstructions cryo-EM, en ciblant
en particulier les protéines membranaires. Le candidat retenu revisitera le
paradigme de la reconstruction de forme biomoléculaire 3D à partir de cryo-EM 2D brut
1
2/3
– voir la figure 1 (D). Pour atteindre cet objectif, le candidat retenu utilisera des outils d’
apprentissage en profondeur non supervisé , tels que des auto-encodeurs
(variationnels) et/ou des réseaux antagonistes génératifs – voir Figure 2.
Ces outils seront combinés à une implémentation de la géométrie des espaces de
formes . Une telle approche permettra un démêlage précis et robuste des paramètres de
forme, de mouvement et d’imagerie, une exigence difficile pour accéder aux territoires
inexploités de l’imagerie des protéines membranaires.
Équipe
Le candidat retenu sera principalement situé à Santa Barbara, Californie, États-Unis. Le
candidat retenu fera partie d’une équipe internationale de collaborateurs, travaillant avec
Nina Miolane (Ingénierie électrique et informatique, UCSB, Santa Barbara), Cornelius
Gati (Biologie structurelle, USC, Los Angeles), Khanh Dao Duc (Mathématiques,
University of British Columbia, Vancouver, Canada), Frédéric Poitevin (Biological
Imaging, Stanford SLAC, Palo Alto) et Claire Donnat (Statistics, University of Chicago,
Chicago). Les frais de déplacement correspondants seront pris en charge et le candidat
aura la possibilité de travailler avec des étudiants en master et en doctorat des équipes
respectives.
Qualifications
Nous recherchons des candidats dont les intérêts de recherche sont liés à l’apprentissage
en profondeur, à la géométrie et à l’analyse de formes 3D et possédant les qualifications
suivantes :
doctorat dans des domaines liés aux mathématiques appliquées, à la géométrie
différentielle, à l’informatique, à l’apprentissage automatique, etc.
Expérience logicielle en Python, machine learning, deep learning et traitement
d’images,
Capacité démontrée à diriger des travaux d’ingénierie et de recherche indépendants.
Une expérience et des contributions antérieures dans les domaines de l’apprentissage
profond non supervisé pour l’analyse d’images cryo-EM seront un plus.
Processus de demande
Les candidats intéressés sont invités à envoyer un CV détaillé, 2 contacts de référence, des
liens vers leurs 5 contributions les plus significatives et à répondre à quelques questions,
en remplissant le formulaire sur ce lien :
https://forms.gle/xg27Ly87wvUVrqye6 .
Nous nous engageons en faveur de l’équité, de la diversité et de l’inclusion. Tous les
candidats qualifiés seront pris en considération pour un emploi sans distinction d’âge, de
race, de couleur, de religion, de sexe, d’orientation sexuelle, d’identité de genre ou
3/3
d’origine nationale, de statut de handicap, de statut d’ancien combattant protégé ou de
toute autre caractéristique protégée par la loi.
Publications représentatives de la recherche connexe

  1. Taco S. Cohen, Max Welling, Propriétés de transformation des représentations
    visuelles apprises , 2015.
  2. Luca Falorsi, Pim de Haan, Tim R. Davidson, Nicola De Cao, Maurice Weiler,
    Patrick Forré et Taco S. Cohen. Explorations en auto-encodage variationnel
    homéomorphe , 2018.
  3. Jasenko Zivanov, Takanori Nakane, Bjorn Forsberg, Dari Kimanius, Wim JH
    Hagen, Erik Lindahl et Sjors HW Scheres. Relion-3 : nouveaux outils pour la
    détermination automatisée de la structure cryo-em haute résolution. bioRxiv,
    2018.
  4. Nina Miolane, Frédéric Poitevin, Yee-Ting Li et Susan Holmes. Estimation des
    paramètres d’orientation et de caméra à partir d’images de cryomicroscopie
    électronique avec des autoencodeurs variationnels et des réseaux contradictoires
    génératifs , 2019.
  5. Harshit Gupta, Michael T. McCann, Laurene Donati et Michael Unser. Cryogan : un
    nouveau paradigme de reconstruction pour cryo-em à particule unique via un
    apprentissage contradictoire profond . bioRxiv, 2020.
  6. Ellen D. Zhong, Tristan Bepler, Joseph H. Davis et Bonnie Berger. Reconstruire les
    distributions continues de la structure des protéines 3D à partir d’images cryo-em ,
    2020.
  7. Youssef SG Nashed, Frédéric Poitevin, Harshit Gupta, Geoffrey Woollard, Michael
    Kagan, Chuck Yoon et Daniel Ratner. Apprentissage simultané de bout en bout de
    l’orientation d’une particule unique et de la reconstruction de cartes 3D à partir de
    données de microscopie cryoélectronique, 2021.
    suivez nous sur facebook
    https://web.facebook.com/EtudesNonStop
    Tags: Bourse d’étude

Laisser un commentaire