Nous cherchons un postdoctorant motivé qui souhaiterait rejoindre notre équipe dans l’unité Génétique Quantitative et Évolution – Le Moulon (GQE), située sur le campus de l’Université Paris-Saclay, au sud de Paris. Le candidat retenu pourra proifter d’un environnement scientifique dynamique et de la communauté Saclay Plant Science (SPS).
Projet et Responsabilités Le travail du•de la postdoctorant•e s’intègrera dans le projet ANR JCJC NETWITS mené par M. Fagny qui porte sur le rôle de la régulation de l’expression des gènes dans la réponse du maïs au déficit hydrique. GQE rassemble de nombreux experts des bases moléculaires de la réponse du maïs au déficit hydrique, incluant des spécialistes de la génétique d’association et de l’inférence des réseaux de régulation. Nous avons identifié de nombreux locus candidats, gènes et éléments régulateurs, impliqués dans la réponse du maïs au déficit hydrique.
Le•la postdoctorant•e, spécialiste en génétique quantitative, sera responsable du développement d’une méthode de prédiction du rendement du maïs en condition de déficit hydrique qui s’appuiera sur les données disponibles au laboratoire. L’objectif sera d’intégrer dans le modèle des informations biologiques issues des études déjà réalisées sur la régulation de l’expression des gènes et la sélection naturelle en réponse au déficit hydrique. En collaborant étroitement avec les membres du projet NETWITS et d’autres membres du laboratoire, il•elle sera responsable de :
-
Catégoriser les polymorphismes selon leur importance dans le réseau de régulation, les résultats d’études d’associations et de génétique des populations.
-
Utiliser des méthodes intégrant des données biologiques a priori comme (Bertolini 2025), GFBLUP (Edwards 2016, Fang 2017), or BayesRC+ (Fikere 2018, Mollandin 2022) pour intégrer les résultats existants dans le modèle.
-
Éventuellement, implémenter une méthode d’apprentissage par réseaux de neurones pour intégrer directement les informations de régulation dans le modèle (NetGP, Zhao 2025; DLGBLUP, Shokor 2025).
La puissance prédictive de ces modèles pourra ensuite être comparée à celle des modèles de référence comme GBLUP dans différents scénarios de prédiction, impliquant potentiellement des interaction génotypes x environnement. Pour cela, le•la postdoctorant•e sera responsable de designer des scenarios de cross-validation à partir de données obtenues dans un essai multi-environnement de 250 lignées de maïs hybrides évaluées dans 25 environnements. Il•Elle se concentrera en particulier sur la prédiction du rendement de matériel génétiquement distant. Toutes les données nécessaires sont déjà disponibles au laboratoire.
Le•la postdoctorant•e sera encadré•e par Maud Fagny (GEvAD), Renaud Rincent et Tristan Mary-Huard (GQMS). Il•Elle travaillera en étroite collaboration avec les autres participants de NETWITS, afin d’intégrer leurs résultats dans le modèle. Il•Elle sera aussi responsable de l’encadrement de stagiaires de niveau licence et/ou master et participera à la formation scientifique de l’étudiant en thèse.
Formations et compétences recherchées
- Formation : le candidat doit être titulaire d’un doctorat.
- Des connaissances avancées en génétique quantitative sont requises, une expérience avec l’apprentissage par réseaux de neurones sera un plus. Des connaissances en génomique des systèmes/réseaux de régulation des gènes seront appréciées mais pas indispensables.
- Bioinformatique : des compétences de programmation en R ou python sont indispensables, Des compétences en shell et en utilisation de clusters de calculs gérés par SLURM seront appréciées. Une connaissance basique des principes FAIR et de l’utilisation de git est requise, tous les scripts développés seront rendus publics suivant les principes de gestion de données FAIR.
- Communication : Rédaction d’articles scientifiques, préparations de présentations et de posters pour valoriser les résultats scientifiques. Anglais écrit et parlé : niveau B1 à B2 (cadre européen commun de référence pour les langues) minimum requis.
- Un intérêt pour l’encadrement d’étudiants sera un plus.
Environnement de travail
- Durée : 12 mois (renouvelable une fois)
- Plein temps, 38.5 heures par semaine, télétravail possible 2 jours par semaine
- Salaire : Salaire de chercheur en CDD, selon la grille d’INRAE et l’expérience du candidat
- Ressources disponibles : ordinateur portable et serveurs de calcul
- Date de début : Flexible, le plus rapidement possible, idéalement avant le 1er Avril 2026. Les candidatures seront évaluées au file de l’eau.
Candidature
Merci d’envoyer à maud.fagny@inrae.fr un seul fichier PDF contenant
- Un CV détaillé (incluant une liste de publication et de contribtions à des logiciels le cas échéant)
- Une lettre de motivation
- (Facultatif) Les contacts de deux personnes pouvant vous recommander
- (Facultatif) Un exemple de publication
Bibliographie
Bertolini E., et al., 2024. Genomic prediction of cereal crop architectural traits using models informed by gene regulatory circuitries from maize. Genetics 228(4): iyae162. https://doi.org/10.1093/genetics/iyae162
Edwards, S. M., Sorensen, I. F., Sarup, P., Mackay, T. F., & Sorensen, P. (2016). Genomic prediction for quantitative traits is improved by mapping variants to gene ontology categories in Drosophila melanogaster. Genetics, 203(4), 1871–1883. https://doi.org/10.1534/genetics.116.187161
Fang L., et al., 2017. Use of biological priors enhances understanding of genetic architecture and genomic prediction of complex traits within and between dairy cattle breeds. BMC Genomics 18:604. https://doi.org/10.1186/s12864-017-4004-z
Fikere M., et al., 2018. Genomic Prediction Using Prior Quantitative Trait Loci Information Reveals a Large Reservoir of Underutilised Blackleg Resistance in Diverse Canola (Brassica napus L.) Lines. The Plants Genome 11:170100. https://doi.org/10.3835/plantgenome2017.11.0100
Zhao L., et al., 2025. Genomic Prediction with NetGP Based on Gene Network and Multi-omics Data in Plants. Plant Biotechnology Journal 23:1190-1201. https://doi.org/10.1111/pbi.14577
Mollandin F., et al., 2022. Accounting for overlapping annotations in genomic prediction models of complex traits. BMC Bioinformatics 23(1):365. https://doi.org/10.1186/s12859-022-04914-5
Shokor, F., Croiseau, P., Gangloff, H., Saintilan, R., Tribout, T., Mary-Huard, T., & Cuyabano, B. C. D. (2025). Deep learning and genomic best linear unbiased prediction integration: An approach to identify potential nonlinear genetic relationships between traits. Journal of Dairy Science 108(6) :6174-6189. https://doi.org/10.3168/jds.2024-26057