Missions :
La personne recrutée sera amenée à effectuer un doctorat codirigée par S. Peres, W. Liebermeister et Alberto Tonda
Pour une meilleure connaissance du sujet de recherche proposé :
Les communautés microbiennes jouent un rôle central dans de nombreux processus naturels et artificiels, notamment les écosystèmes du sol, la santé humaine et la production alimentaire. Malgré leur importance, notre capacité à prédire, contrôler et concevoir rationnellement ces communautés demeure limitée. La plupart des approches de modélisation existantes reposent soit sur des observations empiriques, soit sur des cadres d'analyse par contraintes, tels que l'analyse des flux métaboliques, qui supposent généralement une fonction objectif prédéfinie au niveau de la communauté ou de l'organisme. De ce fait, ces approches n'offrent qu'une vision partielle de la diversité des interactions métaboliques possibles et des mécanismes sous-jacents à la structure et à la stabilité des communautés. Ce projet vise à développer un nouveau cadre informatique pour l'analyse systématique et mécaniste des communautés microbiennes, basé sur le concept de modes élémentaires de flux de communauté (ECFM). Les ECFMs étendent la notion de modes de flux élémentaires (EFMs) du métabolisme d'un seul organisme aux systèmes multi-espèces. Les EFMs constituent un cadre puissant pour l'analyse exhaustive du réseau métabolique d'un organisme en identifiant toutes les voies minimales possibles au sein du système. Les ECFM décrivent des ensembles minimaux d'activités métaboliques coordonnées entre plusieurs organismes, permettant une fonction donnée au niveau de la communauté, sans supposer d'optimalité. Ceci les rend particulièrement adaptés à l'exploration des interactions métaboliques possibles et à la mise en évidence de la coopération et de la compétition microbiennes. L'application des ECFM s'est jusqu'à présent limitée à de petits systèmes de validation de principe en raison d'importants défis de calcul.
L'objectif principal de ce projet doctoral est d'étendre cette analyse basée sur les EFM à des communautés microbiennes réalistes en s'attaquant aux principaux obstacles méthodologiques et de calcul. Le projet s'appuiera sur nos travaux antérieurs sur l'énumération des modes de flux élémentaires par programmation logique, ainsi que sur une collaboration existante avec l'INRAE concernant la liaison des flux métaboliques aux coûts enzymatiques et aux taux de croissance. De plus, leur expertise en optimisation et en intelligence artificielle contribuera au développement de stratégies d'exploration évolutives pour de vastes espaces combinatoires. Un premier volet du projet sera consacré au développement d'algorithmes pour le calcul des ECFM dans les réseaux métaboliques multi-espèces. En nous appuyant sur les approches de programmation par ensembles de réponses précédemment appliquées à des systèmes mono-organismes, nous concevrons des méthodes pour énumérer et filtrer les ECFM en tenant compte de contraintes biologiquement pertinentes, notamment la faisabilité thermodynamique et les limitations de ressources. Un second volet sera consacré à l'analyse et à l'interprétation de grands ensembles de modèles de flux d'équilibre (ECFM). Le nombre de modes possibles pouvant croître de manière combinatoire avec la taille du réseau, l'énumération brute seule est insuffisante. Nous développerons donc des méthodes pour caractériser les ECFM à partir de caractéristiques biologiques interprétables, telles que l'utilisation des substrats, les profils d'échange de métabolites et les propriétés énergétiques ou thermodynamiques. Ces représentations permettront de définir des mesures de similarité entre les ECFM et de construire des représentations structurées (par exemple, des graphes) qui rendent compte de l'organisation de l'espace des solutions. Des techniques d'apprentissage automatique, notamment des méthodes de clustering et de réduction de dimensionnalité, seront utilisées pour obtenir des résumés concis et informatifs des espaces d'ECFM et pour orienter leur exploration vers des régions biologiquement pertinentes.
Collaboration :
- Supervisors: S. Peres, INRIA (co-directrice); W. Liebermeister, INRAE (co-directeur); Alberto Tonda,
INRAE (co-encadrant; Envisaged co-supervisor (co-encadrant): Alberto Tonda, MIA-Saclay, INRAE;
machine learning, evolutionary optimization algorithms)
- Experimental collaborators: Francoise Irlinger, Sandra Helinck, Eric Dugat-Bony (Équipe CoMiAl, UMR
SayFood, INRAE)
- External collaborators: Jürgen Zanghellini and Diana Széliová, University of Vienna, Austria
(Expertise: elementary flux modes for microbial communities)
