• Titre : « EAGLE - Intelligence artificielle pour la génétique translationnelle en agronomie », Université de Toulouse & INRAE ;
• Doctorant : Noémien Maillard.
• Unité de rattachement : INRAE, GenPhySE (Génétique et Physiologie des systèmes d'Elevage).
• Co-encadrement :
  • Raphael Mourad, Université de Toulouse, MIAT (Mathématiques et Informatique Appliquées de Toulouse) ;
  • Julie Demars, INRAE, GenPhySE (Génétique et Physiologie des systèmes d'Elevage).
• École doctorale : SEVAB, Université de Toulouse.
• Durée du projet : 2023 - 2026.

La caractérisation génomique et fonctionnelle des animaux d’élevage apparait comme un levier pour la transition agroécologique via, entre autres, l’identification des liens génotype-phénotype. Les études d'association pangénome ont identifié des milliers de variants associés à des caractères agronomiques complexes. Cependant, la majorité de ces variants ont été trouvés dans des régions génomiques non codantes, empêchant la compréhension du mécanisme biologique sous-jacent. Prédire les processus moléculaires basés sur la séquence d'ADN à l’aide des méthodes par apprentissage profond représente une approche prometteuse pour comprendre le rôle de ces variants non codants. L'apprentissage classique, supervisé, nécessite des séquences d'ADN associées à des données fonctionnelles pour l'entraînement, dont la quantité est fortement limitée par la taille finie du génome humain. Cependant, les approches d’augmentation des données par orthologie permettraient d’enrichir considérablement les jeux de données d’entraînement et améliorer ainsi la capacité prédictive des modèles. Le projet vise à optimiser et utiliser des modèles d'apprentissage profond, entraînés sur des données humaines et murines, sur des données génomiques porcines acquises dans un dispositif expérimental, afin d’identifier l’architecture moléculaire de phénotypes d’intérêt. Cette stratégie de biologie prédictive translationnelle contribuera à l’amélioration des caractères agronomiques pour un élevage durable.