Intégré·e à l'équipe DEFI de l'UMR AGAP Institut en Guadeloupe, le/la volontaire de service civique scientifique contribuera aux activités d'analyse et d'intégration de données issues des travaux de recherche menés sur l'igname.

La mission consistera à exploiter et intégrer des jeux de données complexes et multi-sources, incluant :
• des données issues d'essais agronomiques sur l'igname ;
• des données de phénotypage haut débit (imagerie par drone, capteurs multispectraux, spectroscopie proche infrarouge) ;
• des données environnementales ;
• des données moléculaires.

Le/la volontaire de service civique scientifique participera à la structuration, la gestion et l'analyse de ces données, ainsi qu'au développement de pipelines d'analyse reproductibles.
Il/elle participera au développement et à l'application des méthodes d'analyse statistique avancée, de machine learning et d'intelligence artificielle afin de :
• analyser les performances agronomiques des variétés d'igname dans différents environnements ;
• explorer les interactions entre traits phénotypiques, variables environnementales et génétiques ;
• développer des modèles prédictifs de traits agronomiques à partir de données de phénotypage haut débit ;
• développer des approches d'intégration de données multi-sources pour améliorer la compréhension des systèmes biologiques étudiés.

La personne recrutée contribuera également à la mise en œuvre d'analyses de génétique quantitative, telles que des analyses GWAS ou QTL, afin d'identifier les déterminants génétiques de traits d'intérêt.

Enfin, il/elle apportera un appui méthodologique aux stagiaires impliqués dans le projet, notamment pour la collecte, la gestion et l'analyse des données expérimentales.

Formation
Master (M2) ou diplôme d'ingénieur en data science, bioinformatique, biostatistique, ou en agronomie avec forte composante analyse de données

Compétences techniques
• Analyse de données sous R et/ou Python
• Statistiques appliquées aux données biologiques ou agronomiques
• Manipulation et analyse de grands jeux de données
• Connaissances en machine learning et deep learning
• Visualisation et exploration de données

Compétences appréciées
• Connaissances en génétique quantitative (GWAS, QTL, prédictions génomique et phénomique)
• Expérience avec le phénotypage haut débit et imagerie
• Analyse de données de spectroscopie

Qualités personnelles
• Organisation et rigueur scientifique
• Autonomie et capacité d'initiative
• Bon relationnel et capacité à travailler dans un environnement multidisciplinaire
• Intérêt pour la biodiversité cultivée et les systèmes agricoles tropicaux