Poste de doctorant en évaluation basée sur les données de la traduction animal-humain pour un développement de médicaments efficace et éthique à 100 %

Département de recherche clinique
Date de début de préférence dès que possible mais ouverte à la discussion (au plus tard printemps 2026).
La Faculté de médecine de l'Université de Berne est un environnement de recherche de haute qualité et tourné vers l'avenir. De fortes connexions entre la recherche fondamentale, les sciences de l'ingénieur et les hôpitaux universitaires permettent un cadre unique pour la recherche translationnelle et clinique centrée sur le patient. La faculté privilégie la recherche interdisciplinaire et la numérisation , favorisant l'innovation en sciences médicales. C'est l'une des plus grandes facultés de médecine en Suisse et elle est affiliée au plus grand complexe hospitalier du pays.

Le Département de recherche clinique (DCR) est une initiative conjointe de la Faculté de médecine de l'Université de Berne et de ses hôpitaux universitaires, dont l'Inselspital et les Services psychiatriques universitaires (UPD). Il soutient et professionnalise les collaborations en recherche clinique et translationnelle.

Nos divisions spécialisées assistent les chercheurs tout au long du processus de recherche, de la conception du projet à la diffusion des résultats. Nous proposons des programmes éducatifs et des événements adaptés à tous les aspects de la recherche clinique, équipant chercheurs et étudiants des compétences nécessaires pour mener des études efficaces et impactantes. Notre mission privilégie la recherche centrée sur le patient, garantissant que les perspectives des patients sont intégrées à notre travail.

Le groupe Medical Data Science, dirigé par le Professeur assistant Benjamin Ineichen, médecin titulaire d'un doctorat en neurosciences/pharmacologie, fait partie du DCR à l'Université de Berne. Le groupe, connu sous le nom de STRIDE-Lab (https://stride-lab.pages.uzh.ch/website/ ), est une équipe pluridisciplinaire avec une expertise en médecine, neurosciences, statistiques et informatique. Il se concentre sur le pont entre la recherche préclinique et clinique et, finalement, l'approbation des médicaments, afin de faire progresser le développement de thérapies pour les maladies humaines, avec un accent sur les neurosciences. En utilisant la synthèse de preuves et la science des données, le laboratoire vise à améliorer le bien-être des animaux expérimentaux tout en contribuant à de meilleurs traitements pour les patients.

Le développement de médicaments pour des applications cliniques est un défi, avec seulement environ 5 % des thérapies obtenant une approbation réglementaire (Ineichen et al., PLoS Biology, 2024) . Si certains échecs sont dus à la complexité des thérapies innovantes, d'autres proviennent de facteurs ajustables dans les tests de médicaments, tels que les mesures des résultats, la durée des essais et la sélection des modèles (Berg et al., eBiomedicine, 2024) . L'impact de ces facteurs est difficile à évaluer dans des essais individuels mais peut être révélé par une analyse à grande échelle des données d'essais cliniques (Ineichen et al., Nature Reviews, 2024).

Notre approche combine une expertise en médecine, synthèse de preuves et traitement automatique du langage naturel (TALN) (Doneva et al., EMNLP, 2024) avec le vaste paysage des essais cliniques de Berne et une infrastructure moderne de science des données. L'objectif est d'identifier les facteurs clés qui favorisent les approbations réussies de médicaments et d'utiliser ces connaissances pour optimiser la conception des essais cliniques. Cela sera réalisé en développant TrialSim, une plateforme numérique intégrant l'apprentissage profond pour organiser, intégrer et analyser des données à grande échelle d'essais de médicaments sur animaux et patients.
Votre projet de doctorat établira la branche préclinique de TrialSim en reliant des millions d'études sur les médicaments chez l'animal aux essais humains correspondants. Notre groupe a déjà construit une telle chaîne pour les neurosciences ; votre tâche sera de la perfectionner et de l'étendre à d'autres domaines médicaux. Un sous-projet clé portera sur les modèles animaux de maladies psychiatriques telles que la dépression et la schizophrénie : examiner quelles mesures des résultats sont utilisées et dans quelle mesure elles prédisent les résultats humains. Le but est de déterminer empiriquement quels résultats animaux prédisent le mieux une traduction réussie afin de rendre les tests sur animaux plus éthiques.

Le projet comporte trois composantes :

1. Revue systématique – Cartographier les mesures des résultats couramment utilisées dans les essais de médicaments animaux et cliniques via une revue systématique complète, formant la base de preuves pour les analyses ultérieures.
2. Développement de pipeline – Affiner et étendre un pipeline de données existant qui récupère, classe, extrait et agrège les informations des bases de données littéraires, avec visualisation en temps réel dans des applications web.
3. Analyse basée sur les données – Utiliser le jeu de données organisé pour identifier les résultats animaux qui prédisent le mieux une traduction humaine réussie.

Le projet est entièrement basé sur les données ; aucune étude animale ou humaine ne sera menée. Ses résultats contribueront à une recherche animale plus efficace et éthiquement optimisée en identifiant où les études animales sont les plus nécessaires et en réduisant le gaspillage de la recherche.

Durant votre doctorat, vous acquerrez une expertise en méthodologie de revue systématique, ingénierie des données pour des pipelines de texte et métadonnées à grande échelle, grands modèles de langage et autres approches TALN (y compris les LLMs agentiques), et rédaction scientifique. Le projet peut inclure des visites de recherche dans des groupes de premier plan aux USA et au Royaume-Uni. Vous serez inscrit dans un programme doctoral structuré (école doctorale). La contribution à l'enseignement et aux publications est bienvenue.

Nous recherchons des candidats avec un grand enthousiasme pour ce projet, y compris pour le bien-être animal, les essais cliniques et la science des données, appréciant le travail interdisciplinaire à l'intersection de la médecine et de l'informatique.

Qualifications académiques requises :

• Master en informatique, science des données médicales, informatique de la santé, statistiques, mathématiques, génie logiciel ou domaine connexe.

Qualifications techniques requises :

• Expertise en programmation Python et compétences en apprentissage automatique, y compris MLOps, MLflow et/ou Docker.
• Expérience en ingénierie des données et construction de pipelines de données.
• Exposition aux données de santé telles que données humaines ou animales.

Atout : expérience avec les modèles transformeurs (ex. BERT) ou LLMs génératifs pour la curation et l'extraction de données.
Compétences comportementales requises :

• Excellentes compétences organisationnelles et de planification.
• Fort esprit d'équipe : il est absolument central pour nous que vous vous intégriez bien dans notre équipe.

• Un travail porteur de sens visant à améliorer le bien-être animal et les soins aux patients et à faire progresser le traitement des maladies neurologiques (et autres).
• Une équipe pluridisciplinaire avec une expertise en médecine, neurosciences, statistiques et informatique.
• Horaires de travail flexibles.
• Opportunités de premier auteur et co-auteur sur des articles scientifiques évalués par des pairs dès que possible.
• Accès à une communauté dynamique d'apprentissage automatique à l'Université de Berne, avec un fort accent sur la numérisation ( voir la stratégie de numérisation ).
• Collaboration au sein de la plus grande faculté de médecine et complexe hospitalier de Suisse, offrant de vastes opportunités de réseautage ; mais aussi collaboration internationale.

Prof. Benjamin Ineichen Benjamin.ineichen@unibe.ch

Envoyez votre candidature ou toute question avant le 12 décembre 2025 : hr.dcr@unibe.ch
Documents de candidature requis :

• Lettre de motivation expliquant votre intérêt pour ce projet et cet environnement
• CV, incluant publications
• Relevé de notes académique

Note : Seules les candidatures complètes seront prises en compte. Nous inviterons les candidats prometteurs à un entretien.