Thèse Modifications de l'Épitranscriptomique de l'Arn Ribosomique à Travers l'Ensemble des Aspects de la Biologie Musculaire de la Myogenèse Normale à la Myogenèse Pathologique H/F - Doctorat.Gouv.Fr

Établissement : Université Claude Bernard Lyon 1 École doctorale : CanBioS - Cancérologie, Biologie, Santé de Lyon Laboratoire de recherche : CRCL - CENTRE DE RECHERCHE EN CANCÉROLOGIE DE LYON Direction de la thèse : Virginie MARCEL ORCID 0000000295578221 Début de la thèse : 2027-01-04 Date limite de candidature : 2026-09-30T23:59:59 Le/la doctorant/e recruté/e développera les aspects computationnels et bioinformatiques d'un projet collaboratif visant à étudier comment les modifications chimiques de l'ARN ribosomique (c'est-à-dire l'épitranscriptomique de l'ARN ribosomique), guidées par de petits ARN non codants (snoARN), contribuent à la biologie musculaire en situation de santé et de maladie. Ce projet comble une lacune fondamentale : alors que l'hétérogénéité des ribosomes s'est imposée comme un mécanisme de régulation essentiel dans le développement et le cancer, son rôle dans l'ensemble des pathologies musculaires - de la différenciation myogénique normale au cancer pédiatrique en passant par les maladies musculaires héréditaires - reste inexploré.
Le/la doctorant/e aura pour mission :
1. D'identifier les altérations des profils épitranscriptomiques de l'ARN ribosomique à partir de tumeurs de patients atteints de rhabdomyosarcome à fusion négative (FNRMS), de muscle squelettique pédiatrique normal et d'échantillons provenant de patients atteints de dystrophie musculaire (ensembles de données RiboMethSeq et HydraPsiSeq). Les signatures de modification associées aux résultats cliniques dans le FNRMS (survie, récidive, réponse au traitement), ou au développement normal et aux maladies dégénératives, seront identifiées grâce à la modélisation statistique et à l'apprentissage automatique. L'analyse inclura le profilage de différents états cellulaires myogéniques (prolifératifs, de type progéniteur, en cours de différenciation) afin de déterminer si l'hétérogénéité ribosomique est à l'origine du blocage de la différenciation caractéristique du FNRMS.
2. Déduire l'expression des snoARN à partir de données épitranscriptomiques afin de déterminer l'origine des altérations épitranscriptomiques de l'ARNr. Intégrer des ensembles de données multi-omiques (épitranscriptomique, transcriptomique, méthylation de l'ADN, données cliniques) à l'aide de méthodes (mixOmics, WGCNA, MOFA) pour déchiffrer les réseaux de régulation contrôlant l'hétérogénéité des modifications de l'ARNr, y compris l'expression des snoARN, l'analyse de l'épissage alternatif et l'identification des facteurs épigénétiques.
3. Développer des modèles prédictifs pour la stratification des patients et identifier les candidats snoARN hautement prioritaires pour un ciblage thérapeutique, sur la base de données cliniques, moléculaires et fonctionnelles intégrées.
Des ensembles de données sont déjà disponibles pour 30 échantillons de FNRMS et 10 échantillons de muscle squelettique pédiatrique normal.
Le/la doctorant/e sera co-encadré/e au Centre de recherche sur le cancer de Lyon (CRCL) par l'équipe de V. Marcel (spécialisée en biologie des ribosomes et en analyse épitranscriptomique) et l'équipe de M. Castets (spécialisée dans le rhabdomyosarcome et la biologie musculaire). Un post-doctorant en bioinformatique (H. Paraqindes), possédant une double expertise en épitranscriptomique et en cancérologie pédiatrique, assurera un encadrement quotidien.

Biologie du Cancer

Master ou équivalent en bioinformatique, biologie computationnelle
ou dans un domaine connexe.
- Expérience dans au moins l'un des domaines suivants : biologie de l'ARN, cancer, physiologie musculaire
- Vif intérêt pour la biologie de l'ARN, le cancer et la recherche translationnelle
- Une excellence académique avérée est une condition préalable
- Excellentes compétences en organisation et en communication, ainsi qu'un esprit de collaboration
- Flexibilité et esprit de coopération, avec un mode de travail structuré et autonome
- La maîtrise de l'anglais écrit et parlé est indispensable
Ces compétences/expériences sont indispensables :
- Maîtrise de la programmation en R et/ou Python pour l'analyse de données
- Connaissance de la ligne de commande Linux/Unix et des environnements HPC
- Contrôle de version (Git) et workflows reproductibles (Snakemake, Nextflow, R Markdown, Quarto)
- Connaissances en statistiques (modèles de régression, tests d'hypothèses) ; apprentissage supervisé et non supervisé
- Compétences avancées en visualisation de données (ggplot2, plotly, seaborn)
- Solide expérience de l'analyse de données NGS (RNA-seq, ATAC-seq ou autres techniques NGS similaires)
Les compétences/expériences suivantes constituent un atout :
- Expérience pratique en milieu de laboratoire
- Expérience des méthodes d'intégration de données multi-omiques (mixOmics, MOFA), de l'analyse de réseaux (WGCNA, réseaux de régulation génique) et des outils d'enrichissement des voies métaboliques
- Expérience préalable avec des données cliniques/patients : analyse de survie (modèles de Kaplan-Meier, de Cox), découverte de biomarqueurs, stratification des patients

• Statistiques
• Python
• Anglais
• UNIX
• Analyse de données
• Git
• Linux
• Bio-informatique
• Visualisation de données