Thèse en bioinformatique et numérique machine learning épigénétique

Le site de la SFBI est en cours de traduction en anglais.


Opération de maintenance

En raison d'une opération de maintenance chez notre hébergeur, le site de la SFBI sera interrompu du 7 au 9 avril.


Thèse en bioinformatique et numérique machine learning épigénétique

Date de prise de poste : 1 octobre 2025

Machine learning agroécologie épigénétique génomique bioinformatique statistique

Apprentissage automatique et épigénotypage :
un nouveau levier pour améliorer la prédiction des phénotypes chez les plantes dans un contexte agroécologique.

Pitch : Offre de thèse (3 ans, financement déjà obtenu via le PEPR Agroécologie et numérique) en machine learning à l’interface avec l’amélioration agronomique et l’épigénétique chez les plantes, co-encadrée par Agrocampus Rennes et Université/INRAE Orléans.

La thèse proposée se déroulera dans le cadre du programme national de recherche PEPR « Agroécologie et Numérique : données, agroéquipements et ressources génétiques au service de la transition agroécologique et de l’adaptation aux aléas climatiques » qui est une des mesures de la stratégie d’accélération SADEA (Systèmes agricoles durables et équipements agricoles contribuant à la transition écologique) de France 2030. Il est doté d’un budget de 65 millions d’euros pour une durée de huit ans et copiloté par INRAE et Inria.

Plus précisément, la thèse se déroulera dans le cadre du Projet lauréat de l’appel 2023 intitulé ADAAPT pour Agroécologie et Agriculture numérique via l’épigénétique des animaux et des plantes. Quatre thèses sur quatre espèces différentes (dont la thèse proposée ici) seront financées dans le cadre de ce projet (2025-2030) avec diverses interactions.

Contexte et problématique : Les transitions agroécologiques des systèmes agroalimentaires actuels se déroulent dans un contexte de pression croissante due aux changements climatiques. Pour améliorer la durabilité de nos systèmes agricoles, il est essentiel de comprendre comment les individus peuvent s’adapter aux changements environnementaux.

La sélection génétique ne représente qu’une partie de la variation phénotypique et les modèles actuels supposent que le classement des individus n’est pas affecté par les conditions environnementales. Or, il a été démontré que les perturbations environnementales peuvent influencer l’épigénome et les caractères phénotypiques des organismes.

Face à ces défis, de nouveaux outils de phénotypage doivent être développés pour surveiller l’adéquation de l’individu (plante ou animal) et de son environnement (exposome). Les modifications épigénétiques, telles que la méthylation de l’ADN, sont des marques moléculaires impactant la diversité phénotypique des organismes.

Objectifs : Le défi scientifique du projet est d’utiliser des technologies numériques de type apprentissage automatique pour exploiter les données épigénétiques afin d’optimiser l’utilisation des ressources génétiques végétales, y compris leur microbiote, dans une perspective agroécologique.

Ses objectifs spécifiques incluent :

1. La caractérisation des profils épigénétiques des ressources génétiques conservées en France.
2. L’intégration des données génomiques, transcriptomiques, épigénétiques, spectrales et du microbiote pour la modélisation agricole.

Le projet ADAAPT propose de relever ces défis en fusionnant des compétences concernant les cultures, leur microbiote, physiologie, génétique, épigénétique, épigénomique et technologies numériques pour l’agriculture, issues de 13 laboratoires différents. Cela offre un cadre particulièrement favorable à l’innovation.

Plan de travail : Des données de méthylome, génome, transcriptome, de phénotypes, mais également spectrales (NIRS) sur plus de 200 individus provenant de populations naturelles de peuplier seront analysées au cours de cette thèse.

Profil du candidat : Une formation en statistique et/ou bioinformatique, avec des notions avancées en code R et Python seront souhaitables. Des notions de biologie et/ou génomique et bioinformatique seraient un plus.

Conditions : CDD de 3 ans débutant fin 2025 (Octobre à Décembre). Rémunération mensuelle brute du PEPR Agroécologie et numérique projet ADAAPT : ~1750 €.

Co-directeur de thèse : Mathieu Emily (Professeur Institut Agro Rennes-Angers)
Co-encadrant : Harold Duruflé (Chargé de Recherche INRAE, BioForA Orléans)
Localisation : Institut Agro (Rennes)

Procédure : Pour candidater, merci de transmettre les éléments ci-dessous :

1. Une lettre faisant état de vos motivations pour ce projet.
2. Un Curriculum Vitae avec les notes L3, M1, M2 (semestre 1).
3. Les informations de contact de 1 à 2 personnes référentes.

Offre publiée le 4 avril 2025, affichage jusqu'au 31 mai 2025.

#J-18808-Ljbffr