Explainable ai For Molecules-Data Scientist H/F - 95

À propos du poste
Le poste consiste à devenir Doctorant au sein du Réseau Doctoral AiChemist, un programme Horizon
Europe Marie Skodowska-Curie Actions. Affilié académiquement à l'École normale supérieure (ENS)
Paris-PSL et co-encadré par Sanofi, le candidat se spécialisera dans l'intelligence artificielle
explicable pour la découverte de médicaments. La thèse se concentre sur le développement de
descripteurs quantiques explicables pour prédire la toxicité et le métabolisme des médicaments. Au
sein du Réseau Doctoral, le candidat combinera 18 mois en tant qu'employé de l'ENS avec 18 mois
en tant qu'employé de Sanofi, le positionnant à la pointe de la chimie computationnelle et de
l'innovation pharmaceutique en Europe.

Êtes-vous prêt à façonner l'avenir de la médecine ? La course est lancée pour accélérer la découverte
et le développement de médicaments afin de trouver des solutions pour les patients et leurs familles.
Vos compétences pourraient être essentielles pour aider nos équipes à accélérer les progrès.

Rejoignez notre groupe CADD en tant que Doctorant et vous rendrez l'Intelligence Artificielle
Moléculaire plus explicable pour aider à découvrir de nouveaux médicaments plus rapidement.

Principales responsabilités :
- Développer un pipeline computationnel pour générer une description par Fonction de Localisation
Électronique (ELF) de petites molécules en utilisant des calculs de Mécanique Quantique et extraire
les descripteurs correspondants.
- Construire des représentations graphiques moléculaires qui vont au-delà de la connectivité atome liaison, en intégrant des points critiques et des caractéristiques dérivées de l'ELF pour encoder les
liaisons, les doublets non liants et la délocalisation électronique.
- Implémenter des Réseaux de Neurones Graphiques (GNN) qui encodent ces descripteurs pour
produire des prédictions interprétables alignées avec le raisonnement chimique, particulièrement
pour les mécanismes de réactivité et de toxicité.
- Évaluer ces GNN en termes de performance prédictive et d'explicabilité sur plusieurs jeux de
données internes.
- Développer un pipeline computationnel pour générer des approximations de bonne qualité des
descripteurs ELF avec un haut débit.

À propos de vous
- Expérience : Parcours international, connaissance des molécules à potentiel médicamenteux
- Compétences techniques et transversales : Chémo-informatique, programmation Python
- Formation : Diplôme de Master en Pharmacie ou Chimie Computationnelle
- Langues : Anglais (obligatoire), Français (souhaitable)