Mots-Clés

machine-learning écologie métabolomique périphyton

Description

Contexte du stage

Face à la contamination chimique des milieux aquatiques, les communautés microbiennes aquatiques périphytiques (i..e périphyton) sont utilisées de manière croissante pour comprendre le lien entre l’exposition aux contaminants chimiques et les impacts sur les écosystèmes, en raison de leur diversité et de leur rôle clef dans les fonctions écosystémiques [Morin and Artigas, 2023]. Malgré l’accroissement des connaissances sur la réponse de ces communautés au stress chimique à partir d’expérimentations en conditions contrôlées, un vrai défi reste de mieux comprendre comment les facteurs environnementaux interagissent et modulent la réponse des communautés dans le monde réel [Ghiglione et al, 2016].

Le développement récent des omiques a montré la pertinence de ces technologies pour la caractérisation intégrée et sensible de la réponse des communautés microbiennes à leur environnement. En particulier, la méta-métabolomique est une approche de choix pour caractériser le phénotype moléculaire qui est très largement utilisé en écologie microbienne [Graham et al. 2018]. Si les mécanismes d’assemblage des méta-métabolome sont encore mal compris, le concept récent d’écologie des méta-métabolome devrait permettre d’apporter des connaissances sur ces processus [Dankazk et al. 2020].

Malgré sa pertinence, la métabolomique reste peu utilisée en écotoxicologie microbienne. En effet, des études récentes ont mis en lumière la plus grande sensibilité et précocité de cette approche en comparaison des descripteurs usuels mais aussi sa capacité à discriminer plusieurs facteurs de stress en conditions contrôlées [Creusot et al. 2022]. Néanmoins, l’extrapolation de ces réponses au monde réel dans un contexte de bio-surveillance requière une meilleure compréhension de l’hétérogénéité spatiale du méta-métabolome de ces communautés en lien avec les conditions environnementales et la qualité chimique et écologique de l’eau. Dans cette optique, la métabolomique prédictive (couplage métabolomique & machine learning) est prometteuse à travers sa capacité à identifier des métabolites prédictifs des fluctuations environnementales comme cela a pu être démontré chez les plantes [Dussarat et al. 2022]. Aussi son application au méta-métabolome du périphyton pourrait permettre (i) l’identification des facteurs environnementaux qui pilotent l’assemblage du métabolome de ces communautés tout en révélant des stratégies adaptives, (ii) l’identification de marqueurs capable de prédire une altération de traits écophysiologiques.

Objectifs et missions

A travers l’analyse intégrée de données de métabolomique, de traits phénotypiques et des données physicochimiques basée sur des approches de machine learning, vous aurez pour objectif d’identifier au sein du périphyton des marqueurs moléculaires prédictifs (i) des conditions environnementales et (ii) des traits phénotypiques .

Missions :

1. Recherche bibliographique sur les approches en métabolomique prédictive

2. Analyse des données disponibles

3. Mise en œuvre d’approche de machine learning

4. Rédaction d’un rapport

Lieu du stage

Vous serez accueilli(e) au sein de l’équipe META de l’UMR INRAE « Biologie du Fruit et Pathologie » (UMR 1332 BFP) rattachée à la plateforme Bordeaux Metabolome membre de MetaboHub. L’UMR 1332 BFP, acteur majeur de la recherche en biologie végétale dans la région Nouvelle-Aquitaine, est un partenariat entre les départements Biologie et Amélioration des Plantes (BAP) et Santé des Plantes et Environnement (SPE) d’INRAE et le département Sciences de l’Environnement de l'Université de Bordeaux. Au sein de cette UMR, l’équipe META est une équipe pluridisciplinaire (chimie analytique, biochimie, biologie moléculaire, physiologie, statistiques et bioinformatique) qui utilise des approches de biologie des systèmes pour comprendre le métabolisme et son rôle dans la performance des plantes. L’équipe, avec la plateforme Bordeaux Métabolome, génère de gros jeux de données qui servent à développer, paramétrer et valider des modèles prédictifs. Elle est notamment pionière dans le développement de la métabolomique prédictive appliquée aux plantes.

Références

Creusot, N., et al. Environ Sci Pollut Res Int, 2022.DOI: https://doi.org/10.1007/s11356-021-17072-7.

Danczak, R.E., et al. Nature Communications, 2020. 11(1): p. 6369.DOI: https://doi.org/10.1038/s41467-020-19989-y.

Dussarrat, T., et al. New Phytologist, 2022. 234(5): p. 1614-1628.DOI: https://doi.org/10.1111/nph.18095.

Ghiglione JF, Martin-Laurent F, Pesce S.. Environ Sci Pollut Res Int. 2016 https://doi.org/10.1007/s11356-015-5763-1 .

Graham, E.B., et al. Sci Total Environ, 2018. 642: p. 742-753.DOI: https://doi.org/10.1016/j.scitotenv.2018.05.256.

Morin S, Artigas J. Environ Toxicol Chem. 2023 https://doi.org/10.1002/etc.5708.