Post-doctorant-e - Fonds National

Description du poste

La Faculté de médecine de l'Université de Genève bénéficie d'un environnement multiculturel riche, auquel elle contribue activement à travers l'enseignement, la recherche, et son partenariat avec les Hôpitaux Universitaires de Genève (HUG).

Le Département de radiologie et d'informatique médicale recherche un-e :

Post-doctorant-e

Sous la supervision du Prof. Douglas Teodoro (Science des données / IA) et de la Prof. Caroline Samer, MD (Pharmacologie clinique et toxicologie), le / la candidat-e sélectionné-e développera des recherches au sein du groupe Data Science for Digital Health (DS4DH) dans le cadre du projet financé par le FNS : AI-based Risk Assessment for Clinical Trials on Medicinal Products : A Large-Scale and Integrative Approach .

L'objectif principal de la recherche est de faire progresser le domaine des essais cliniques numériques en concevant, mettant en œuvre et validant une approche complète et intégrée basée sur l'IA pour l'évaluation des risques des essais cliniques. Cela implique :

Diriger le développement de modèles d'apprentissage profond robustes et évolutifs (réseaux neuronaux de graphes et modèles de langage basés sur les Transformers) pour la prédiction multi-tâches des risques de sécurité, d'efficacité et opérationnels.

Intégrer diverses modalités de données (structure moléculaire, texte libre, données hiérarchiques) afin de construire un ensemble de données de référence ouvert unique, et démontrer la capacité à généraliser des modèles.

Conduire l'évaluation prospective des modèles sur des essais cliniques en cours et coordonner la comparaison méthodologique entre le système d'IA et les simulations pharmacocinétiques basées sur la physiologie (PBPK) pour la prédiction des interactions médicamenteuses.

Le poste peut également impliquer la supervision d'étudiants et la présentation de séminaires spécialisés.

Titre et compétences exigés

Le / la candidat-e retenu-e est récemment titulaire d'un doctorat dans des domaines tels que l'informatique, le génie biomédical, le génie électrique, la physique, les statistiques ou des domaines STEM similaires et possède :

Des connaissances expertes et une expérience pratique des méthodologies modernes d'apprentissage profond, y compris la conception, l'entraînement et l'évaluation de modèles pour des ensembles de données de santé complexes et avec des déséquilibres de classes.

Une maîtrise démontrée du traitement du langage naturel (NLP), des modèles de langage (LM) et / ou des réseaux neuronaux de graphes (GNN) pour l'analyse des protocoles d'essais cliniques et des données textuelles riches dans le domaine de la santé.

Un solide dossier de publications pertinentes démontrant la capacité à mener et à diffuser des recherches à fort impact.

Des excellentes compétences en programmation et en génie logiciel pour développer et déployer des modèles d'apprentissage automatique open-source et évolutifs.

De l’expérience en biostatistique, en analyse de données cliniques et / ou en toxicologie computationnelle, en particulier concernant la modélisation pharmacocinétique (PBPK) ou des techniques similaires de simulation de médicaments, constitue un avantage significatif.

Fortement motivé-e à générer des connaissances exploitables afin d’optimiser la conception des essais cliniques et d’accélérer le développement de médicaments.