Thèse Biophysique des Processus d'Adaptation dans la Physiologie des Tissus H/F - 74

Établissement : Ecole normale supérieure - PSL
École doctorale : Physique en Ile de France
Laboratoire de recherche : Laboratoire de Physique de l'École normale supérieure
Direction de la thèse : Thierry MORA
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-08-31T23:59:59

(se référer à l'original en anglais SVP)
À tous les stades de la santé et dans des conditions physiopathologiques, les modifications de la régulation des gènes et des protéines induisent des changements d'état cellulaire, permettant ainsi la diversification physiologique nécessaire à la vie multicellulaire. Ces changements sont pilotés par l'environnement cellulaire local qui, dans le cas des tissus multicellulaires, comprend des signaux mécaniques et biochimiques provenant des cellules environnantes ainsi que du milieu extracellulaire. La manière dont les signaux environnementaux locaux, agissant par mécanotransduction et réseaux de signalisation biochimique à des échelles de temps de quelques secondes à quelques minutes, modifient les changements transcriptionnels à long terme reste mal comprise. Dans le cadre de notre collaboration, l'équipe de Margaret Gardel à l'Université de Chicago produira des données d'expression unicellulaire à partir de tissus endothéliaux afin de comprendre comment le transcriptome cellulaire influence la dynamique morphologique.

Le/la doctorant(e) développera une méthode théorique et d'analyse de données pour interpréter les données unicellulaires issues de tissus endothéliaux et élaborer un modèle fonctionnel de la manière dont les changements phénotypiques se produisent à long terme. Pour ce faire, nous nous appuierons sur une représentation globale de la dynamique stochastique de l'expression génique, inférée à partir des données grâce à des techniques modernes d'apprentissage automatique. Les résultats nous renseigneront sur la manière dont les processus se déroulant sur différentes échelles de temps se coordonnent pour aboutir à la diversité des réponses cellulaires observées.

Single-cell data now makes possible to explore the exploration and dynamics of cell fate quantitatively. However, despite large amounts of data, gene expression space is very high dimensional and complex, which is well suited for study by statistical physics, in particular the physics of stochastic processes on complex landscapes that can be learned using modern machine techniques.