Thèse en machine learning à l'université d'angers

Thèse en machine learning à l'université d'Angers

CDD·Thèse·36 moisBac+5 / MasterUniversité d'Angers·Beaucouzé (France)grille fonction publique

Date de prise de poste : 1 novembre 2025

machine learning, apprentissage statistique, prédiction génomique, duplications entières du génomes


Titre de la Thèse : Machine Learning pour l’exploration de la sous-dominance dans les génomes polyploïdes


Laboratoire d’accueil : IRHS (Institut de Recherche en Horticulture et Semence)


Coencadrement : LAREMA (Laboratoire Angevin de Recherches en MAthématiques)


Contexte scientifique :

Les duplications entières du génome (WGD), très fréquentes chez les plantes, semblent correspondre à des périodes d’extinction ou de changement global. Le pommier a subi une WGD
datée à 27 Mya, et comme des traces de cette WGD persistent dans les génomes des variétés actuelles de pommiers, le pommier est un organisme de choix pour étudier l’évolution des
gènes et des familles de gènes post-WGD. D’une manière générale, la compréhension du rôle des chromosomes dupliqués et de leur contribution à l’élaboration du phénotype est un enjeu
majeur dans le contexte de changements climatiques.


Questions biologiques :

Deux gènes dupliqués sonts dits ohnologues si ils résultent d’un évènement de WGD. Dans Lallemand et al. (2003), nous avons montré, par une approche alliant bioinformatique et
méta-analyse, qu’il existait un déséquilibre entre fragments ohnologues : certains fragments de chromosome contribuent plus que leurs ohnologues à la variation phénotypique des individus.
Nous avons baptisé ce phénomène sous-dominance chromosomique. Les questions scientifiques posées sont les suivantes :
• Peut-on confirmer et capter ce déséquilibre grâce au machine learning et notamment la prédiction génomique?
• Peut-on exploiter la connaissance du déséquilibre afin de prédire plus finement le phénotype ?


Questions mathématiques :

• Ne pourrait-on pas au sein même d’un réseau de neurones injecter des lois de probabilités comme a priori sur certains paramètres, à l’instar des modèles mixtes traditionnellement utilisés par les généticiens en prédiction génomique ? Une telle modélisation permettrait une meilleure compréhension du biais de l’Intelligence Artificielle et des décisions de l’algorithme, et de pouvoir ainsi améliorer les prédictions.
• Ne pourrait-on pas améliorer les prédictions à travers une version génomique des Forêts aléatoires prenant en compte la covariance génomique entre individus lors de la constrution des arbres de classification ?


Principales étapes de la thèse et méthodologie envisagée :

On procèdera tout d’abord à une étude par simulation in silico à partir de la population de pommiers publiée par Jung et al (2022). On dispose ainsi de données SNPs de haute-
densité (303 329 SNPs) pour 534 individus répartis dans six pays européens. On simulera le phénotype en considérant différents liens possibles (e.g additivité, épistasie, dominance, non linéarité …)
entre phénotype et génotype aux QTLs (QTL= position du génome ayant une influence sur la variation d’un caractère quantitatif). En termes de machine learning, les méthodes privilégiées seront le Genomic BLUP, les forêts aléatoires, le Lasso, l’Elastic-Net, les SVM, les RKHS, les réseaux de neurones. Pour chaque architecture de trait simulée, on pourra ainsi extraire la meilleure méthode d’apprentissage statistique capable de capter le
déséquilibre entre fragments ohnologues. Dans un deuxième temps, on cherchera à améliorer les méthodes statistiques existantes en prédiction génomique, afin d’améliorer la prédiction du phénotype tout en exploitant
le déséquilibre. Etant donnée la proximité entre les modèles mixtes en génomique et en statistique spatiale, on s’inspirera de récents résultats mathématiques en statistique spatiale (Wikle et Zammit-Mangion, 2023). A titre d’exemple on pourra s’intéresser aux réseaux de neurones et aux forêts aléatoires. Dans le cadre des réseaux de neurones, Chen et al. (2021) ont introduit DeepKriging, un réseau de neurones profond où la dépendance spatiale est modélisée par l’ajout d’une couche supplémentaire permettant d’approximer le processus spatial à l’aide d’une base de fonctions. Pour les forêts aléatoires, Saha et al. (2021) proposent, afin de construire un arbre de décision, de remplacer à chaque fractionnement de noeud, le critère de moindres carrés par une optimisation prenant en compte la structure de corrélation spatiale induite par un processus Gaussien.
Afin de se familiariser avec ces nouvelles méthodes, on prendra en main les packages associés : RandomForestsGLS (Saha et al., 2021), et le code Python de DeepKriging (https://github.com/aleksada/DeepKriging ). On cherchera à améliorer Deep Kriging (Chen et al., 2021) et les Forêts aléatoires (Saha et al., 2021), en développant des formules mathématiques propres à la génomique. On pourra notamment s’intéresser à l’erreur de prédiction, et également quantifier mathématiquement la perte d’information (en termes de précision de prédiction) lorsque les 2 chromosomes ohnologues (issus de la duplication entière du génome) ne sont pas inclus dans le modèle de prédiction (cf. Rabier et Grusea 2021, dans un autre contexte).


Compétences scientifiques et techniques requises pour le candidat :

* Apprentissage statistique (Forêts aléatoires, Réseaux de neurones, Lasso …), Statistique en grande dimension, Modèle mixte
* Maîtrise des langages de programmation en R et/ou Python
* Des connaissances en évolution ou en biologie végétale seraient un plus


Personnes à contacter :

Charles-Elie Rabier : charles-elie.rabier@univ-angers.fr
Claudine Landès : claudine.landes@univ-angers.fr
Fabien Panloup : fabien.panloup@univ-angers.fr

Procédure : envoyer un mail à charles-elie.rabier@univ-angers.fr, claudine.landes@univ-angers.fr, fabien.panloup@univ-angers.fr

Offre publiée le 19 juin 2025, affichage jusqu'au 15 septembre 2025

#J-18808-Ljbffr