Apprentissage par renforcement pour la génération automatique de modèles en biosanté // Reinforcement learning for automatic generation of presonalised medicine models

Ce projet de thèse vise à intégrer l'intelligence artificielle (IA), l'apprentissage automatique et la modélisation mécanistique pour des applications cliniques, en combinant prédiction personnalisée et compréhension des mécanismes de progression des maladies. L'objectif est de développer des outils IA pour construire des modèles biomédicaux optimisant les traitements en fonction des caractéristiques spécifiques des patients.

Les modèles exploiteront la nature modulaire des systèmes biologiques, basés sur des réseaux de réactions biochimiques, générant des systèmes d'équations différentielles à simuler pour faire des prédictions.

L'approche adoptée dans cette thèse repose sur l'apprentissage par renforcement. Les modèles seront construits de manière incrémentale, en commençant par des modèles simples et en intégrant progressivement des données plus complexes. L'apprentissage par renforcement permettra de découvrir des modèles en maximisant une récompense. Cette méthode sera appliquée à des domaines médicaux tels que les troubles du spectre autistique, l'inflammation et les infections.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project aims to integrate artificial intelligence (AI), machine learning, and mechanistic modeling for clinical applications, combining personalized prediction and understanding of disease progression mechanisms. The goal is to develop AI tools to construct biomedical models that optimize treatments based on the specific characteristics of patients.

The models will exploit the modular nature of biological systems, based on biochemical reaction networks, generating systems of differential equations that can be simulated to make predictions.

The approach used in this thesis relies on reinforcement learning. The models will be built incrementally, starting with simple models and progressively incorporating more complex data. Reinforcement learning will allow the discovery of models by maximizing a reward. This method will be applied to medical fields such as autism spectrum disorders, inflammation, and infections.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://systems-biology-lphi.cnrs.fr/

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université de Montpellier

166 I2S - Information, Structures, Systèmes

Processus stochastiques, intelligence artificielle, analyse de données. Le candidat doit faire preuve d'une grande curiosité, être rigoureux et fiable, capable d'acquérir rapidement de nouvelles techniques, et de s'intégrer dans une équipe de recherche.
Stochastic processes, artificial intelligence, data analysis. The candidate must demonstrate great curiosity, be rigorous and reliable, capable of quickly acquiring new techniques, and able to integrate into a research team.