Analyse du comportement d’un invertébré d’eau douce, la planaire, exposée à différents contaminants Encadrants : - Caroline Vignet, MCF en écotoxicologie à l’université d’Albi caroline.vignet@univ-jfc.fr - Thierry Montaut, PRAG en Maths et info à l’université d’Albi thierry.montaut@univ-jfc.fr - Lucia Rejo, doctorante en Biologie à l’université d’Albi lucia.rejo@univ-jfc.fr Laboratoire d’accueil : EA 7417 Biochimie et Toxicologie des Substances Bioactives, Albi Durée : 8 semaines - non rémunéré- entre mi-avril et mi-juillet à définir Contexte : Déjà utilisé comme modèle pour la régénération, la planaire émerge comme un modèle simplifié d’étude du système nerveux (SN), qui présente toutes les caractéristiques du système nerveux des vertébrés et invertébrés supérieurs. L’équipe BTSB étudie l’effet de différents neurotoxiques sur le comportement des planaires en étudiant les mécanismes sous-jacents. Les planaires répondent par des comportements stéréotypés qu’il faut caractériser manuellement. L’objectif de ce stage est donc de développer un programme d’analyse d’image afin de caractériser les réponses comportementales de la planaire à partir de photos d’une base de données. Dans un premier temps, le stage consistera à perfectionner la base de données, puis dans un deuxième temps, à développer le programme d’analyse. En effet, parmi les différents biomarqueurs utilisés en écotoxicologie, le comportement est un élément intégrateur qui permet de détecter de manière rapide et non invasive les effets de molécules sur le système locomoteur et/ou nerveux. Ce programme pourra donc être utilisé dans le futur pour de nombreux tests et sera coencadré par une biologiste et un informaticien. Objectifs et contenu du stage : - Développer un programme d’IA pour identifier de manière automatisée les stéréotypies chez la planaire. Compétences demandées : • Autonomie, rigueur et organisation. • Maîtrise autonome des méthodes et algorithmes classiques d'apprentissage automatique, notamment les méthodes de clustering, de réduction de dimension et l'apprentissage des réseaux de neurones artificiels. • Bonne connaissance d'une bibliothèque de machine learning (scikit-learn, tensorflow). Dossier de candidature : CV + lettre de motivation dans laquelle vous expliquerez en quoi vous êtes autonome et organisé dans votre travail ou dans vos expériences passées. Candidature souhaitée avant le 1 avril 2022 à envoyer à Thierry Montaut, Lucia Rejo et Caroline Vignet thierry.montaut@univ-jfc.fr et caroline.vignet@univ-jfc.fr et lucia.rejo@univ-jfc.fr