Intelligence Artificielle pour la Génétique Translationnelle en Agronomie

Cependant, la majorité de ces variants ont été trouvés dans des régions génomiques non codantes, empêchant la compréhension du mécanisme biologique sous-jacent. Prédire les processus moléculaires basés sur la séquence d'ADN à l’aide des méthodes par apprentissage profond représente une approche prometteuse pour comprendre le rôle de ces variants non codants. L'apprentissage supervisé nécessite des séquences d'ADN associées à des données fonctionnelles pour l'entraînement, dont la quantité est fortement limitée chez les espèces d’élevage mais disponibles chez l’Homme. Ces espèces étant phylogénétiquement proches, on peut poser l’hypothèse que les mécanismes qui régulent leurs gènes sont proches. Le projet vise à :

1. évaluer différents réseaux de neurones entrainés chez l’homme et la souris pour prédire des annotations fonctionnelles chez les espèces d’élevage
2.  prédire l’impact de variants d’une région génomique associée à des caractères d’intérêt agronomique afin de prioriser ces variants pour validation fonctionnelle en laboratoire.

Contact

• Noémien Maillard
• Linkedin