École d’Été Peyresq 2025
Thème Quantification d’incertitude Le GRETSI et le GdR IASIS organisent depuis 2006 une École d’Été...
8 Janvier 2025
Catégorie : Stagiaire
Les représentations moléculaires traditionnelles, telles que SMILES (Simplified Molecular Input Line Entry System) ou les méthodes inspirées de Word2Vec, présentent des limitations dans leur capacité à capturer la stéréochimie moléculaire. Ces formats se concentrent principalement sur la connectivité atomique et les liaisons, sans inclure de détails sur l’arrangement tridimensionnel des atomes, qui est pourtant fondamental pour la stéréochimie. Ces lacunes sont particulièrement problématiques dans des domaines comme la pharmacologie ou en chimie en générale. Dans ce cadre, le projet de stage vise à développer des méthodes basées sur les Graph Neural Networks (GNN). L'objectif est d'incorporer des informations structurales 3D pour permettre une meilleure modélisation des stéréoisomères et une amélioration significative des prédictions des propriétés moléculaires.
Déroulement du stage :
Profil recherché :
Nous recherchons un(e) candidat(e), idéalement un(e) étudiant(e) en informatique, ayant une expérience préalable sur des projets ou stages en Deep Learning et maîtrisant la programmation en Python, notamment avec les frameworks tels que PyTorch, TensorFlow , Keras.
Localisation : LGI2A - Laboratoire de Génie Informatique et d’Automatique de l’Artois - UR 3926 Faculté des Sciences Appliquées Technoparc Futura 62400 - BÉTHUNE
Durée du stage : 4 mois
Date de début : Février / Mars 2025
Contact : merci d’adresser votre candidature (CV détaillé et lettre de motivation) à :
• Rachid Laref – rachid.laref@univ-artois.fr