Thèse Modèles de Langage Génomiques et Réseaux de Régulation Génique pour la Prédiction d'Éléments Cis-Régulateurs Fonctionnels chez les Plantes H/F - doctorat.gouv.fr

  • CDD
  • Montpellier 34
  • Mode
Thèse Modèles de Langage Génomiques et Réseaux de Régulation Génique pour la Prédiction d'Éléments Cis-Régulateurs Fonctionnels chez les Plantes H/F doctorat.gouv.fr · Montpellier - 34 · CDD

Les missions du poste


Établissement : Université de Montpellier École doctorale : I2S - Information, Structures, Systèmes Laboratoire de recherche : DIADE - Diversité, Adaptation et DEveloppement des plantes Direction de la thèse : Pierre LARMANDE ORCID 0000000229239790 Début de la thèse : 2026-12-15 Date limite de candidature : 2026-12-06T23:59:59 L'expression des gènes chez les plantes est contrôlée par des éléments cis-régulateurs (CRE), comme les promoteurs et les enhancers. Ces éléments agissent avec les facteurs de transcription (TF) au sein de réseaux de régulation génique (GRN). Décrypter ce code régulateur est essentiel pour relier génotype et phénotype, et pour orienter l'amélioration variétale. Les modèles de langage génomiques ont récemment montré leur capacité à identifier des motifs régulateurs dans les séquences d'ADN. En revanche, ils ne tiennent pas compte de la structure des réseaux de régulation. Prédire l'expression spatio-temporelle des gènes reste donc un défi.

Cette thèse propose un cadre intégratif qui couple des modèles de langage génomiques à des approches d'apprentissage sur graphes. Le développement racinaire d'Arabidopsis thaliana et du riz (Oryza sativa) sert de système modèle. Un jeu de données de référence sera d'abord constitué, associant CRE et profils d'expression. Les modèles de langage seront ensuite évalués pour identifier les représentations de séquence les plus informatives. Ces représentations seront intégrées dans des modèles de graphes (GNN, Graph Transformers) pour prédire l'expression à partir du réseau CRE-TF-gène. Enfin, les modèles seront interprétés pour identifier les modules régulateurs déterminants, et leur transfert vers d'autres céréales sera évalué. Le benchmark, le code et les modèles seront diffusés en open source. Chez les plantes, l'expression des gènes résulte de l'action combinée des éléments cis-régulateurs (CRE) et des facteurs de transcription (TF). Les CRE sont des promoteurs, des enhancers ou des silencers. Avec les TF, ils s'organisent en modules cis-régulateurs au sein de réseaux de régulation génique (GRN). Ce code régulateur est particulièrement complexe chez les plantes. Leurs génomes comportent de larges régions non codantes et des enhancers distaux encore peu caractérisés. Leurs programmes d'expression varient selon les tissus, les stades de développement et les stress. Décrypter ce code est un prérequis pour relier génotype et phénotype, interpréter les variants non codants et cibler l'édition du génome régulateur en amélioration variétale.

Ces dernières années ont profondément transformé le domaine. On dispose désormais de données d'accessibilité de la chromatine (ATAC-seq), de catalogues de sites de fixation des TF et de modèles de langage génomiques, comme Evo2, AgroNT ou PlantCAD2. Entraînés sur de grandes quantités de séquences d'ADN, ces modèles produisent des représentations capables de capter des motifs régulateurs. Des travaux préliminaires menés à l'UMR DIADE ont confirmé leur capacité à distinguer les CRE des séquences non régulatrices chez plusieurs espèces végétales.

Ces approches présentent toutefois deux limites. D'une part, elles prédisent surtout la présence de CRE ou l'accessibilité de la chromatine, et non le niveau d'expression d'un gène dans un tissu ou à un stade donné. D'autre part, elles traitent les séquences isolément et ignorent la structure des réseaux de régulation. Coupler les représentations de séquence et la topologie des GRN, avec l'expression spatio-temporelle comme signal d'apprentissage, constitue un cadre encore inexistant chez les plantes. C'est ce verrou que cette thèse propose de lever. L'objectif principal de la thèse est de prédire l'expression spatio-temporelle des gènes chez les plantes à partir de leurs éléments cis-régulateurs. La thèse cherche aussi à identifier les modules régulateurs clés, avec des modèles explicables et un benchmark reproductible. Ce travail s'appuie sur le développement racinaire d'Arabidopsis thaliana et du riz.

Cinq objectifs spécifiques en découlent :

- Constituer un benchmark associant des éléments cis-régulateurs et des profils d'expression spatio-temporels chez Arabidopsis et le riz.

- Évaluer les modèles de langage génomiques afin d'identifier les représentations de séquence les plus informatives pour prédire l'expression.

- Développer des modèles d'apprentissage sur graphes intégrant ces représentations dans les réseaux de régulation génique.

- Interpréter les modèles pour identifier les modules régulateurs TF-CRE déterminants, les confronter aux données disponibles et évaluer leur transférabilité à d'autres céréales.

- Diffuser les résultats en mettant le benchmark, le code et les modèles à disposition en open source. Le programme est structuré en cinq work packages, du benchmark de données vers les modèles intégratifs, puis la validation et la diffusion.

- WP1 - Construction du benchmark (année 1). Constitution d'un jeu de données de référence associant éléments cis-régulateurs et profils d'expression spatio-temporelle chez Arabidopsis et le riz, à partir de données publiques et des données du laboratoire. Ce benchmark servira de socle à l'évaluation des modèles dans la suite du projet.

- WP2 - Évaluation des LLM génomiques (années 1-2). Évaluation des LLM génomiques généralistes et spécialisés plantes pour la prédiction CRE expression, comparés à des approches ML classiques. Différentes stratégies d'adaptation (embeddings gelés, fine-tuning) seront explorées afin de déterminer les représentations les plus informatives pour la suite du projet.

- WP3 - Apprentissage sur graphes de régulation (année 2). Modélisation des GRN sous forme de graphes hétérogènes intégrant les représentations LLM des séquences régulatrices. Les architectures de graphes (GNN, Graph Transformers) seront explorées pour prédire l'expression spatio-temporelle à partir du réseau CRE-TF-gène.

- WP4 - Explicabilité et validation (années 2-3). Interprétation des modèles afin d'identifier les modules régulateurs TF-CRE déterminants pour les programmes d'expression étudiés. Ces prédictions seront confrontées aux connaissances et données expérimentales disponibles, et leur transférabilité vers d'autres céréales sera évaluée.

- WP5 - Diffusion (année 3). Benchmark, code et modèles sur GitHub/Zenodo ; interface web légère pour interroger les prédictions par gène ou région.

Le profil recherché

Le ou la candidat(e) est titulaire d'un Master ou d'un diplôme d'ingénieur en bioinformatique, en informatique (intelligence artificielle, apprentissage automatique) ou en biologie computationnelle.

Compétences attendues :

- Maîtrise de Python et d'un framework d'apprentissage profond (PyTorch).
- Connaissances solides en apprentissage automatique et en deep learning (Transformers, apprentissage de représentations).
- Connaissances en génomique et en manipulation de données de séquençage (formats NGS, outils bioinformatiques).
- Une expérience en apprentissage sur graphes (PyTorch Geometric, DGL) ou avec les modèles de langage (Hugging Face) sera appréciée.
- Anglais scientifique, à l'écrit comme à l'oral.

Qualités personnelles : curiosité scientifique, goût pour l'interdisciplinarité entre informatique et biologie végétale, autonomie, rigueur, esprit d'équipe et capacités de rédaction.

Parcourir plus d'offres d'emploi