Apprentissage - Data Scientist - Modèles de Fondation H/F

Description

Détail du poste Lieu de l'apprentissage : Valbonne (06) L'organisation Virtual Twin for Human de Dassault Systèmes créé des prototypes logiciels pour soutenir l'évolution des pratiques médicales basées sur l'utilisation du jumeau virtuel. Vous ferez partie d'une équipe multidisciplinaire et dynamique, sur des sujets innovants. Au sein de l'équipe « Clinical Decision », nous travaillons sur le développement de méthodes statistiques, mathématiques et d'apprentissage automatique destinées à soutenir la prise de décision clinique - en particulier dans le domaine de l'oncologie. Nos projets visent à transformer des données hétérogènes (cliniques, biologiques, transcriptomiques - notamment bulk RNA-seq, imagerie - notamment histopathologie) en outils concrets d'aide à la décision thérapeutique et pronostique. Dans le cadre actuel de nos recherches, nous explorons les modèles de fondation appliqués aux données transcriptomiques, en explorant leur adaptabilité, leur interprétabilité et leur pertinence clinique [Boming et al., 2025]. [Boming et al., 2025] Kang, Boming, et al. "A large-scale foundation model for bulk transcriptomes." BioRxiv (2025): 2025-06. Vos missions Lors de votre apprentissage, vous travaillerez sur la mise en place de modèles de fondation et leur intégration dans des algorithmes pronostiques. Vous assisterez l'équipe sur : - la réalisation d'une revue de littérature sur les modèles de fondation (en particulier pour les données transcriptomiques et/ou les données histopathologiques) ; - leur expérimentation sur des jeux de données publics ou autre, en évaluant non seulement leur performance, mais aussi leurs limites biologiques, computationnelles et cliniques ; - leur intégration dans des architectures internes existantes, ainsi que leur évaluation en termes de gain de performance, tout en garantissant l'interprétabilité de ces algorithmes ; - l'amélioration continue des architectures développées dans l'équipe suivant les besoins. Vous devrez comprendre