Thèse IA Explicable pour la Conception Accélérée de Mofs Bio-Inspirés à Visée Anticancéreuse de la Prédiction des Structures à l'Optimisation de la Synthèse H/F - Doctorat.Gouv.Fr

Établissement : Université de Picardie - Jules Verne École doctorale : Sciences, Technologie, Santé Laboratoire de recherche : LG2A - Laboratoire de Glycochimie des Antimicrobiens et des Agro-Ressources Direction de la thèse : Adam DUONG ORCID 0000000249273603 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-17T23:59:59 Le projet de thèse s'inscrit dans le cadre du consortium MAIA et vise à accélérer la découverte de Metal-Organic Frameworks (MOFs) bio-inspirés à visée anticancéreuse grâce à l'intelligence artificielle explicable. Ces matériaux poreux, constitués de noeuds métalliques et de ligands organiques, présentent un fort potentiel pour la vectorisation ciblée et la libération contrôlée de médicaments. L'objectif est de développer une approche intégrée combinant des réseaux neuronaux sur graphes 3D et des modèles génératifs pré-entraînés (MOFGPT, MOFormer, MOFTransformer) afin de concevoir automatiquement des structures optimisées selon des critères de porosité, biocompatibilité et fonctionnalisation. En parallèle, des modèles prédictifs seront développés pour relier les propriétés structurales aux performances biologiques (cytotoxicité, relargage, ciblage tumoral), avec un accent particulier sur l'explicabilité des résultats. En s'appuyant sur les expertises complémentaires du LG2A (UPJV) en chimie verte et matériaux bio-inspirés et du CRIL (ULCO) en intelligence artificielle explicable, ce projet vise à établir une plateforme interprétable pour la conception accélérée de MOFs thérapeutiques durables, contribuant à la médecine de précision et aux objectifs de carboneutralité. Les Metal-Organic Frameworks (MOFs) constituent une classe de matériaux poreux particulièrement étudiée en raison de leur grande modularité structurale et de leurs nombreuses applications potentielles, notamment en stockage, séparation et délivrance contrôlée de molécules actives. Dans le domaine biomédical, ils apparaissent comme des candidats prometteurs pour la vectorisation ciblée de médicaments anticancéreux et la libération contrôlée de principes actifs.
Cependant, leur conception reste largement limitée par la complexité de l'espace chimique accessible et par des approches expérimentales encore majoritairement empiriques. Par ailleurs, la sélection de structures optimales répondant simultanément à des critères de biocompatibilité, d'efficacité et de stabilité demeure un défi majeur.
En parallèle, les progrès récents de l'intelligence artificielle, et en particulier des modèles génératifs et de l'apprentissage profond, ouvrent de nouvelles perspectives pour accélérer la découverte de matériaux. Néanmoins, le manque d'interprétabilité de ces approches limite encore leur adoption dans des domaines sensibles tels que la chimie des matériaux pour la santé.
Dans ce contexte, le projet vise à combiner intelligence artificielle explicable et chimie des matériaux bio-inspirés afin de rationaliser la conception de MOFs thérapeutiques et d'accélérer leur développement vers des applications anticancéreuses.Metal-Organic Frameworks (MOFs) are a class of porous materials that have attracted significant interest due to their high structural tunability and wide range of potential applications, particularly in storage, separation, and controlled delivery of active molecules. In the biomedical field, they appear as promising candidates for targeted anticancer drug delivery and controlled release of therapeutic agents.

However, their design remains largely limited by the complexity of the accessible chemical space and by predominantly empirical experimental approaches. In addition, selecting optimal structures that simultaneously meet biocompatibility, efficiency, and stability criteria remains a major challenge.

In parallel, recent advances in artificial intelligence, particularly generative models and deep learning, open new perspectives for accelerating materials discovery. Nevertheless, the lack of interpretability of these approaches still limits their adoption in sensitive fields such as materials chemistry for healthcare applications.

In this context, the project aims to combine explainable artificial intelligence and bio-inspired materials chemistry to rationally design therapeutic MOFs and accelerate their development toward anticancer applications. L'objectif global est de développer une plateforme intelligente et automatisée pour la découverte de MOFs thérapeutiques bio-inspirés, intégrant la génération, la synthèse et la validation expérimentale.
Les objectifs spécifiques sont :
a. Génération automatique de structures de MOFs bio-inspirés (à l'aide de modèles génératifs et de réseaux neuronaux sur graphes) répondant à des critères de biocompatibilité, de porosité et de capacité de vectorisation de médicaments.
b. Optimisation de la synthèse à partir d'un espace combinatoire de ligands naturels (basés sur des saccharides fonctionnalisés) et de métaux biocompatibles (Zn, Fe, Ca, Mg).
c. Conception d'un modèle prédictif utilisant des données de caractérisation (IR, DRX, MEB, BET) afin de prédire les propriétés biologiques (cytotoxicité, relargage du médicament, ciblage tumoral).
d. Explicabilité : développement d'un algorithme d'explicabilité permettant d'interpréter les relations (identifiées par le modèle prédictif) entre la structure des données et les performances biologiques.

The overall objective is to develop an intelligent and automated platform for the discovery of bio-inspired therapeutic MOFs, integrating generation, synthesis, and experimental validation.

The specific objectives are:
a. Automatic generation of bio-inspired MOF structures (using generative models and graph neural networks) that meet criteria of biocompatibility, porosity, and drug delivery capability.
b. Optimization of synthesis from a combinatorial space of natural ligands (based on functionalized saccharides) and biocompatible metals (Zn, Fe, Ca, Mg).
c. Design of a predictive model using characterization data (IR, XRD, SEM, BET) to predict biological properties (cytotoxicity, drug release, tumor targeting).
d. Explainability: development of an explainability algorithm to interpret the relationships (identified by the predictive model) between data structure and biological performance.

Le projet s'adresse à un(e) candidat(e) curieux(se), motivé(e) et attiré(e par la recherche interdisciplinaire et l'innovation scientifique. Une ouverture d'esprit et un intérêt pour les interfaces entre chimie, santé et intelligence artificielle seront des atouts importants.

Le travail en équipe et la capacité à évoluer dans un environnement collaboratif et international sont essentiels. Le(la) candidat(e) devra faire preuve d'autonomie progressive, de rigueur et d'un goût pour l'apprentissage de nouvelles approches.

Une aisance en communication scientifique est souhaitée, notamment dans le cadre de présentations orales et d'échanges au sein du consortium.

La maîtrise de l'anglais est appréciée afin de faciliter les interactions scientifiques et la valorisation des résultats à l'international.

Les candidatures issues de profils variés sont encouragées, dans une démarche d'équité, de diversité et d'inclusion (EDI).