Post-Doctoral Research Visit F/M Graph neural networks for predicting allosteric signaling

Le descriptif de l'offre ci-dessous est en Anglais

Type de contrat : CDD

Niveau de diplôme exigé : Thèse ou équivalent

Fonction : Post-Doctorant

Niveau d'expérience souhaité : De 3 à 5 ans

Contexte et atouts du poste

This 2-year postdoctoral position is funded by the prestigious Programme Inria Quadrant (PIQ) for the project DynaNova, which aims to advance our understanding of conformational dynamics and allosteric communication in macromolecular complexes. The successful candidate will develop novel graph neural network (GNN) architectures to learn dynamic information from molecular dynamics (MD) simulations of protein-protein and protein-nucleic-acid complexes.

You will join the Delta team at Inria (Université de Lorraine), working closely with Dr. Yasaman Karami, expert in conformational dynamics, allostery, and deep learning for structural biology. The team is growing and offers a highly interdisciplinary environment that brings together researchers in structural bioinformatics, computational chemistry, biophysics, and machine learning.

We have access to major national HPC facilities (Grid5000, Jean Zay, GENCI allocations), including large-scale GPU resources.

Mission confiée

Biomolecular function is driven by both structure and dynamics. Understanding long-range communication within macromolecular complexes is essential for deciphering molecular mechanisms and for developing therapeutic strategies. While deep learning has revolutionized structural prediction (e.g., AlphaFold2), allosteric signaling remains poorly understood, largely due to the scarcity of dynamic data.

Our group recently developed:

• DynaRepo, a database of molecular dynamics trajectories of more than 700 macromolecular complexes (~5.5 bilions of frames) [1]. DynaRepo is the first MDDB node in France: .
• ComPASS, a graph-based method for identifying communication networks in protein–protein and protein–nucleic-acid assemblies [2].
• DynamicGT, a dynamic-aware graph transformer for predicting binding sites in flexible and disordered regions [3].

Building on these foundations, DynaNova will leverage a large MD dataset (DynaRepo) and advanced GNN/Transformer models to uncover long-range communication pathways within macromolecular complexes.

The postdoctoral fellow will lead the development of an innovative deep learning framework to learn conformational heterogeneity and decode allosteric signaling.

[1] Mokhtari, O., Bignon, E., Khakzad, H., & Karami, Y DynaRepo: the repository of macromolecular conformational dynamics. Nucleic Acids Research, gkaf1130.

[2] Bheemireddy, S., González-Alemán, R., Bignon, E., & Karami, Y Communication pathway analysis within protein-nucleic acid complexes. Journal of Chemical Theory and Computation.

[3] Mokhtari, O., Grudinin, S., Karami, Y., & Khakzad, H DynamicGT: a dynamic-aware geometric transformer model to predict protein binding interfaces in flexible and disordered regions. bioRxiv.

Principales activités

• Design and implement novel graph neural network architectures (Message-passing GNNs, Graph Transformers, graph community-aware latent spaces).

• Integrate dynamic, geometric, and biophysical features extracted from large MD simulations.

• Train and benchmark models on state-of-the-art datasets.

• Collaborate with PhD and Master students, contributing to supervision and scientific guidance.

• Contribute to publications, open-source software development, and conference presentations.

• Participate in the preparation of a webserver and tools to disseminate the developed methods.

Compétences

• PhD in Computer Science, Machine Learning, Bioinformatics, Computational Biology, or related fields.
• Strong experience in deep learning, ideally with PyTorch.
• Proven experience with graph neural networks, geometric deep learning, or transformers is a major advantage.
• Practical knowledge of Python, clean coding practices, and reproducible ML workflows.
• Familiarity with protein structure, biophysics, or molecular modeling (MD, docking, etc.) is highly desirable.
• Ability to work independently, collaborate in a multidisciplinary environment, and communicate effectively in English.

Applications without a strong machine learning and/or computer science component cannot be considered.

Avantages

• Subsidized meals
• Partial reimbursement of public transport costs
• Leave: 7 weeks of annual leave + 10 extra days off due to RTT (statutory reduction in working hours) + possibility of exceptional leave (sick children, moving home, etc.)
• Possibility of teleworking (after 6 months of employment) and flexible organization of working hours
• Professional equipment available (videoconferencing, loan of computer equipment, etc.)
• Social, cultural and sports events and activities
• Access to vocational training
• Social security coverage

Rémunération

From 2788 € gross/month

Informations générales

• Ville : Villers lès Nancy
• Centre Inria : Centre Inria de l'Université de Lorraine
• Date de prise de fonction souhaitée :
• Durée de contrat : 2 ans
• Date limite pour postuler :

Attention: Les candidatures doivent être déposées en ligne sur le site Inria. Le traitement des candidatures adressées par d'autres canaux n'est pas garanti.

Consignes pour postuler

Sécurité défense :

Ce poste est susceptible d'être affecté dans une zone à régime restrictif (ZRR), telle que définie dans le décret n° relatif à la protection du potentiel scientifique et technique de la nation (PPST). L'autorisation d'accès à une zone est délivrée par le chef d'établissement, après avis ministériel favorable, tel que défini dans l'arrêté du 03 juillet 2012, relatif à la PPST. Un avis ministériel défavorable pour un poste affecté dans une ZRR aurait pour conséquence l'annulation du recrutement.

Politique de recrutement :

Dans le cadre de sa politique diversité, tous les postes Inria sont accessibles aux personnes en situation de handicap.

Contacts

• Équipe Inria : AT-LOR AE
• Recruteur :

Karami Yasaman /

A propos d'Inria

Inria est l'institut national de recherche dédié aux sciences et technologies du numérique. Il emploie 2600 personnes. Ses 215 équipes-projets agiles, en général communes avec des partenaires académiques, impliquent plus de 3900 scientifiques pour relever les défis du numérique, souvent à l'interface d'autres disciplines. L'institut fait appel à de nombreux talents dans plus d'une quarantaine de métiers différents. 900 personnels d'appui à la recherche et à l'innovation contribuent à faire émerger et grandir des projets scientifiques ou entrepreneuriaux qui impactent le monde. Inria travaille avec de nombreuses entreprises et a accompagné la création de plus de 200 start-up. L'institut s'efforce ainsi de répondre aux enjeux de la transformation numérique de la science, de la société et de l'économie.

---