You are here

Inférence de métabolismes modèles pour la description fonctionnelle de communautés microbiennes non-cultivables

Team and supervisors
Department / Team: 
Team Web Site: 
https://www.irisa.fr/dyliss/
PhD Director
Anne Siegel
Co-director(s), co-supervisor(s)
Samuel Blanquart
Contact(s)
NameEmail addressPhone Number
Samuel Blanquart
samuel.blanquart@inria.fr
0299847318
PhD subject
Abstract

Compréhension des écosystèmes et enjeux : La connaissance des microbiotes (ensemble de micro-organismes) d’un écosystème et la compréhension de leurs interactions ouvrent d’importantes perspectives en santé, agriculture, environnement et industrie [1,2]. Les technologies de séquençage à haut débit permettent actuellement de mesurer le contenu génétique d’échantillons issus d’écosystèmes complexes et non-cultivables [3]. D’une part, le séquençage ciblé de fragments de gènes permet d’identifier les diverses familles présentes, mais pas leurs contenus respectifs en gènes. D’autre part le séquençage complet [4] estime l’intégralité du matériel génétique d’un échantillon, mais pas à quels organismes appartiennent les fragments de gènes. Le projet vise à définir des méthodes d’interprétation de ces données, acquises en routine dans les laboratoires partenaires, capables de modéliser et prédire les propriétés fonctionnelles des écosystèmes étudiés.

 

Caractérisation fonctionnelle des espèces non-cultivables : Une importante redondance fonctionnelle est observée dans les écosystèmes, où les espèces partagent des propriétés héritées durant leur évolution. L’objectif du projet est de pouvoir tirer profit de cette redondance génétique pour inférer les propriétés potentielles des espèces non-cultivables sachant celles, connues, des espèces cultivables les plus proches phylogénétiquement [5]. Les approches de génomique comparative (estimation du core-génome des clades : ensemble des gènes partagés [6]) permettront d’une part de définir des scores de conservation. La difficulté sera la normalisation des annotations fonctionnelles entre bases de données et leur complétion [7]. Les méthodes d’analyse phylogénétique (estimation de transferts, de duplications et de pertes de gènes ; de pressions de sélection) permettront d’autre part de définir des scores de divergence. La difficulté sera d’estimer l’impact induit par ces divergences génétiques sur les capacités spécifiques des organismes. L’objectif sera ensuite d’estimer pour quels clades la balance entre (i) les connaissances disponibles, (ii) la conservation et (iii) la divergence génétique permet la prédiction fiable d’un métabolisme modèle capable d’exprimer les capacités potentielles d’organismes non-cultivables apparentés.

 

Inférence du méta-métabolisme d’une communauté non cultivable : Ces prédictions de métabolismes modèles permettront enfin de construire des méta-métabolismes [8,9] représentant le fonctionnement global d’une communauté d’organismes et sur la base desquels il est possible de mener des raisonnements déductifs et d’optimisation combinatoire.

Bibliography

[1] Quigley ​ et al - Gastroenterology & hepatology, 2013.

[2] Berendsen ​ et al - Trends in Plant Science, 2012.

[3] Tringe ​ et al - Science, 2005.

[4] Segata ​ et al - Molecular Systems Biology, 2013.

[5] Aßhauer et al – Bioinformatics, 2015.

[6] Vernikos et al - Current Opinion in Microbiology, 2015.

[7] Aite et al - PloS Computational Biology, 2018.

[8] Budinich ​ et al - Plos one, 2017.

[9] Babaei et al - Nature Biotechnology, 2018.

Work start date: 
septembre 2019
Keywords: 
system ecology, meta-metabolisms, comparative genomics, phylogenetics
Place: 
IRISA - Campus universitaire de Beaulieu, Rennes