Mots-Clés

Predictions Modélisations Machine Learning omics agricole

Description

Ce projet de doctorat vise à développer des modèles prédictifs avancés pour optimiser la production de pommes de terre en intégrant des données multi-omiques des sols, des données physico-chimiques et climatiques, ainsi qu'une classification des régies agricoles durables. L'objectif principal est d'améliorer la prise de décision en agriculture en fournissant aux producteurs un outil d'aide à la décision basé sur des connaissances scientifiques solides et une interface intuitive.  Ce projet financé par le programme fédéral s'inscrit dans un contexte d'agriculture durable et de recherche de solutions innovantes pour faire face aux défis climatiques et environnementaux.

Les principaux objectifs comprennent:

• Modèle prédictif: Développer des modèles prédictifs de rendement et de qualité de la pomme de terre en utilisant des techniques d'apprentissage automatique (machine learning) et d'apprentissage profond (deep learning). Ces modèles intégreront des données omiques (métagénomique, métabolomique, etc.) des sols, des données physico-chimiques (pH, nutriments, texture, etc.), des données agronomiques (génotypes des cultures, pratiques agricoles,etc.) et des données climatiques (température, précipitations, rayonnement solaire, etc.).
• Classification des pratiques agricoles:  Établir une classification des régies agricoles durables (par exemple, rotation des cultures, utilisation d'engrais verts, travail réduit du sol, gestion intégrée des maladies et des ravageurs) pertinentes pour la production de pommes de terre.  Cette classification sera basée sur la littérature scientifique, les données expérimentales et les connaissances d'experts.
• Intégration dans un Graphe de Connaissances:  Construire un graphe de connaissances qui relie les modèles prédictifs, les pratiques agricoles durables, les données omiques, physico-chimiques, agronomiques et climatiques. Ce graphe permettra de visualiser les interactions complexes entre ces différents facteurs et de faciliter l'interprétation des résultats.

Responsabilités:

   Le/la candidat(e) sélectionné(e) sera responsable de :

• Rassembler et analyser les données omiques, physico-chimiques, agronomiques et climatiques issues de plusieurs équipes impliquées dans ce projet multidisciplinaire.
• Développer, entraîner et valider les modèles prédictifs en utilisant des langages de programmation tels que Python et R, et des bibliothèques d'apprentissage automatique (e.g., scikit-learn, TensorFlow, PyTorch).
• Concevoir et implémenter le graphe de connaissances en utilisant des technologies appropriées (e.g., Neo4j, RDF, SPARQL).
• Rédiger des articles scientifiques pour publication dans des revues à comité de lecture.
• Écrire une thèse de doctorat présentant les résultats de la recherche.
• Présenter les résultats dans des conférences nationales et internationales.

Qualifications:

Les candidats idéaux pour ce poste devront posséder :

• Un diplôme de 2e cycle (M.Sc ou équivalent) en bioinformatique, informatique, agronomie, sciences du sol, sciences de l'environnement, intelligence artificielle, ou dans un domaine connexe.
• De solides compétences en programmation, en particulier en Python et R.
• Une expérience avec l'analyse de données, l'apprentissage automatique et/ou la modélisation.
• Une connaissance de base des données omiques (génomique, métagénomique, métabolomique, etc.) et de leur analyse est un atout important.
• Une connaissance de base des systèmes de production agricole, et en particulier de la production de pommes de terre, est un atout.
• Une expérience préalable avec les graphes de connaissances est un plus, mais n'est pas obligatoire.
• Un vif intérêt pour l'agriculture durable et l'application de l'intelligence artificielle à la résolution de problèmes concrets.

Informations additionnelles:

Réussir un doctorat nécessite plus que des compétences techniques et académiques ; cela demande aussi :

• Une forte motivation et une passion pour la recherche et l’innovation.
• La capacité à travailler de manière autonome tout en collaborant efficacement au sein d’une équipe multidisciplinaire.
• Une excellente capacité d’organisation et de gestion du temps.
• De solides compétences en communication, tant à l’écrit qu’à l’oral, pour présenter les résultats de manière claire et convaincante. 

Une persévérance et une résilience pour surmonter les défis de la recherche.