Illustration thèse INRAE

Thèses

Metaprogramme DIGIT-BIO
Rubriques verticales
Nos actions
Thèses

Nos thèses

DIGIT-BIO soutient des thèses interdisciplinaires, répondant à ses objectifs scientifiques.
Retrouvez l'ensemble des thèses co-financées ou labellisées par le métaprogramme.

Le cofinancement de contrats doctoraux

Thèse co-financée

Le métaprogramme DIGIT-BIO co-finance chaque année deux contrats doctoraux, à hauteur de 50%. Les sujets de thèse soutenus par les métaprogrammes doivent être construits dans un contexte interdisciplinaire : ces thèses sont classiquement co-encadrées par des chercheurs de deux disciplines différentes, et traitent de questions d'interface. 

 

  • En savoir plus sur les demandes de co-financement de thèse par le métaprogramme : Intranet INRAE (accès réservé)

 

La labellisation de sujets de thèses

Thèse labellisée

Le métaprogramme peut également labelliser des sujets de thèses qui s’inscrivent dans ses thématiques de recherche.

La labellisation permet au doctorant et à ses encadrants d’être intégrés dans la communauté scientifique de DIGIT-BIO (participation aux séminaires et animations organisées par le métaprogramme) et offre au doctorant la possibilité de bénéficier d’un soutien financier ponctuel pour certaines actions.

Dans ce dossier

En savoir plus
Cette thèse, vise à développer des méthodes d’analyse statistique efficaces pour explorer la diversité génétique au sein d’un ensemble de sous-populations (races d’animaux de ferme, écotypes végétaux)
En savoir plus
Thèse de Maud Hofmann (MICALIS, 2023-2026). Ce travail de thèse vise à développer des méthodes expérimentales et théoriques pour mesurer le coût du maintien et de l'exécution des circuits génétiques synthétiques à l'intérieur des cellules. Les résultats permettront une meilleure compréhension des fonctions de l'écosystème dans les communautés microbiennes ou de la division du travail dans les organismes multicellulaires.
Illustration thèse confinancée
En savoir plus
Thèse Sihan Xie (GABI, 2023-2026). Les méthodes de Deep learning (DL) commencent à être utilisées comme modèle de prédiction des phénotypes à partir des génotypes dans le cas de maladies chez l’homme et de caractères de production en sélection génomique animale. Ces modèles nécessitent un apprentissage avec de nombreuses données, qui ne sont pas toujours disponibles. Le projet de cette thèse consistera à contourner cette limite.
Illustration thèse confinancée
En savoir plus
Thèse Sahak YEGHIAZARYAN (LBE, 2023-2026). Dans ce projet de thèse, nous proposons de développer des modèles métaboliques sous contraintes thermodynamiques, pour le développement de modèles de méthanisation plus robustes et prédictifs, en accord avec les besoins actuels en ingénierie.
Illustration thèse confinancée
En savoir plus
Thèse Cannelle Armengaud (IPSiM, 2023-2026). L’objectif de cette thèse, qui s'inscrit dans la suite du projet ALGOROOT, est de mieux comprendre et modéliser le comportement du système racinaire des plantes face à un choix entre des milieux qui diffèrent pour leur disponibilité en nutriments.
En savoir plus
Thèse d'Antoine Bourlier (PRC, 2022-2025). L’essor de méthodes d’imagerie cérébrale génère une masse considérable de données morphologiques et fonctionnelles. Pour autant, leur exploration puis leur comparaison au cours du temps pour un individu, entre individus, et plus encore entre espèces différentes n’ont pu être que partielles.
Illustration thèse confinancée
En savoir plus
Thèse d'Elfried Salanon (UNH, 2022-2025). Cette thèse vise à étudier les trajectoires d’installation du syndrome métabolique (SMet), devenu un enjeu important de santé publique du fait de sa prévalence croissante, en particulier dans la population âgée souffrant de maladies chroniques.
En savoir plus
Thèse de Felicia Maviane-Macia (LIMPE, 2022-2025). Ce travail vise à développer des outils logiciels afin de mieux comprendre la dynamique d’apparition des symptômes foliaires causés par des microorganismes pathogènes sur Arabidopsis et sur la vigne
En savoir plus
These de Justine Drouault (LEPSE, 2022-2025) Flowering time is fundamental to the local adaptation and productivity of crop species. The timing of flowering is determined by rates of development and phase transitions, which are controlled by integrated networks of external (environment) and internal (plant) signals. Domesticated maize, derived from teosinte (Z. mays ssp. parviglumus), was spread globally by adapting its flowering time to novel environments.
En savoir plus
Thèse de Clémentine Borrelli (SVQV, 2022-2025). La viticulture française doit aujourd’hui faire face aux effets du changement climatique avec une contrainte croissante portant sur la diminution de l’utilisation des produits phytosanitaires. Une des solutions pour y parvenir est la création de nouvelles variétés résistantes aux maladies. L’objectif de cette thèse est de mettre au point des modèles de prédiction de la valeur génétique de ces variétés résistantes.
  • 1 (page)

Date de modification : 06 mai 2024 | Date de création : 06 janvier 2022 | Rédaction : Com