2 postes de doctorat à 100 %
Universität Bern
Bern
Infos sur l'emploi
- Date de publication :15 octobre 2025
- Taux d'activité :100%
- Lieu de travail :Bern
Centre pour l'IA en radiothérapie oncologique (CAIRO) – Oncologie numérique pédiatrique
Durée : 3-4 ans
Date de début : Dès que possible, au plus tard en mars 2026
Le Centre pour l'IA en radiothérapie oncologique (CAIRO) est un groupe de recherche nouvellement créé au sein du Département de radiothérapie oncologique de l'Inselspital et affilié à l'Université de Berne, Département de médecine numérique. Le Centre se concentre sur le développement de modèles basés sur les données et mécanistiques pour améliorer le diagnostic, la planification du traitement et la prédiction des résultats en radiothérapie oncologique.
Soutenu par une bourse de démarrage du Fonds national suisse de la recherche scientifique, CAIRO étudie comment l'intelligence artificielle peut soutenir la thérapie de précision en oncologie pédiatrique, avec un accent particulier sur le gliome diffus de la ligne médiane (DMG) – une tumeur cérébrale rare et difficile à traiter chez l'enfant. Notre équipe interdisciplinaire combine une expertise en science des données, physique médicale, biologie computationnelle et oncologie clinique, travaillant en étroite collaboration avec des partenaires nationaux et internationaux pour soutenir ces projets. Nous invitons actuellement les candidatures pour deux postes de doctorat axés sur des aspects complémentaires de l'oncologie numérique pédiatrique.
Projets
Projet 1 : Modélisation prédictive pour l'identification de biomarqueurs et la conception de thérapies in silico dans le gliome diffus de la ligne médiane pédiatrique
Contexte :
Les avancées récentes en neuro-oncologie pédiatrique ont rendu disponibles de nouvelles thérapies, telles que l'antagoniste DRD2 Modeyso (ONC201), pour les enfants atteints de DMG. Cependant, les réponses individuelles varient considérablement, et il est nécessaire d'avoir des outils informatiques pour prédire les résultats du traitement et identifier les biomarqueurs de résistance et de sensibilité.
Description du projet :
Ce projet de doctorat développera et validera des modèles prédictifs basés sur l'IA qui relient les profils moléculaires tumoraux à la réponse aux médicaments, en intégrant des données multi-omiques (transcriptomique, méthylation, CNV, données mutationnelles) et les résultats de criblages précliniques. L'objectif est d'établir un cadre cliniquement pertinent pour prédire la réponse au traitement et pour l'identification in silico de thérapies combinées dans le DMG pédiatrique. Ce projet propose de comparer deux pistes possibles pour évaluer la généralisation du modèle : les modèles fondamentaux et l'apprentissage mécanistique pour guider la sélection des régimes d'entraînement, des caractéristiques incluses et la conception de l'architecture basée sur la compréhension actuelle du mécanisme d'action du médicament.
Méthodes et données :
- Intégration de données multi-omiques provenant de bases de données pédiatriques et pan-cancer incluant des données publiques et privées fournies par nos collaborateurs
- Approches d'apprentissage profond et d'IA explicable pour la prédiction de la réponse aux médicaments
- Évaluation comparative des modèles fondamentaux vs. approches d'apprentissage mécanistique pour la modélisation de la réponse aux médicaments
- Interprétation des modèles pour identifier les déterminants moléculaires de la sensibilité et de la résistance au traitement afin de recommander des thérapies combinées
Profil du candidat :
- Master en informatique, science des données, bioinformatique ou domaine connexe
- Expérience en biologie computationnelle et traitement de différents types de données omiques
- Intérêt pour les applications translationnelles de l'IA en oncologie pédiatrique
Projet 2 : Radiothérapie personnalisée pour le gliome diffus de la ligne médiane pédiatrique
Contexte :
La radiothérapie reste la pierre angulaire de la palliation et de l'amélioration de la survie globale pour le DMG, mais son effet varie largement entre les patients. Prédire la réponse individuelle avant le traitement et optimiser la délivrance de la thérapie pourrait améliorer à la fois la survie et la qualité de vie.
Description du projet :
Ce projet vise à développer et tester des modèles computationnels qui prédisent la réponse individuelle à la radiothérapie basée sur les données d'imagerie pré-traitement et à explorer des adaptations personnalisées de la fractionnement et de la distribution de dose. En combinant la modélisation mécanistique avec l'analyse d'images basée sur l'IA, le projet contribuera à un cadre pour la planification individualisée de la radiothérapie dans les tumeurs cérébrales pédiatriques. Les défis clés, tels que les données limitées, impliquent un schéma d'entraînement dédié et l'exploration de scénarios pertinents d'apprentissage par transfert à partir des données GBM adultes disponibles à la fois publiquement et à l'Inselspital.
Méthodes et données :
- Prédiction de la réponse à la radiothérapie basée sur l'IRM utilisant des modèles fondamentaux d'IRM
- Cadres d'apprentissage mécanistique pour la modélisation de la croissance tumorale et de la radiosensibilité
- Simulations contrefactuelles de schémas de fractionnement alternatifs
- Modélisation générative spatio-temporelle pour la prédiction anatomique de la récidive tumorale pour un plan de traitement radiothérapeutique donné
Profil du candidat :
- Master en physique (médicale), génie biomédical, vision par ordinateur ou discipline connexe
- Expérience en analyse d'images médicales et/ou modélisation générative
- Intérêt pour la modélisation de la radiothérapie et l'imagerie quantitative
Exigences générales pour les candidats
- Master dans un domaine pertinent (par exemple biologie computationnelle, informatique, science des données, physique, génie biomédical)
- Compétences solides en programmation Python ; expérience avec des frameworks d'apprentissage automatique (PyTorch, TensorFlow, MONAI)
- Motivation à travailler dans un environnement collaboratif et interdisciplinaire impliquant cliniciens et data scientists
- Bonnes compétences en communication et maîtrise de l'anglais
Nous offrons
- Un poste de doctorat entièrement financé de 3,5 ans (projet 1) et 4 ans (projet 2) au sein de la Faculté de médecine et du Département de médecine numérique, Université de Berne
- Intégration dans une équipe pluridisciplinaire à l'interface de la médecine, de la physique et de l'informatique
- Accès à des ensembles de données pédiatriques uniques grâce à des collaborations internationales
- Soutien à la participation aux conférences et opportunités d'enseignement et de mentorat
- Accès à des environnements de calcul haute performance et de données cliniques au sein de l'Inselspital et de l'Université de Berne
Instructions pour la candidature
Veuillez soumettre en un seul PDF :
- Curriculum Vitae
- Lettre de motivation décrivant votre motivation et le projet préféré (1 à 2 pages)
- Relevés de notes académiques (Bachelor et Master)
- Coordonnées de deux références ou lettres de recommandation pertinentes
Date limite de candidature : 30 novembre 2025 (les candidatures seront examinées au fur et à mesure jusqu'à ce que les postes soient pourvus)
Veuillez envoyer votre candidature à sarah.brueningk@unibe.ch avec pour objet :
"Candidature doctorat – Oncologie numérique pédiatrique"
Note sur l'utilisation des LLM. Nous comprenons que ces outils sont largement utilisés. Cependant, veuillez vous assurer que vos documents, en particulier votre lettre de motivation, reflètent votre propre voix, vos expériences et votre motivation spécifique pour ces projets. Les lettres génériques ou non spécifiques qui ne traitent pas de l'adéquation avec notre travail axé sur la pédiatrie ne seront pas prises en compte.
