Apprentissage automatique et épigénotypage haut-débit : un nouveau levier pour améliorer la prédiction des phénotypes chez le bovin

Résumé

Cette thèse propose d’évaluer le potentiel d’approches d’apprentissage automatique pour améliorer la prédiction phénotypique à partir de données de méthylation de l’ADN obtenues sur 6000 bovins, à l’aide d’une puce d’épigénotypage de première génération. Ce travail s’adosse au programme H2020 RUMIGEN, dans lequel s’intègrent le développement de la puce et l’acquisition des données. La construction d’une nouvelle collaboration associant des compétences en épigénétique (BREED, Eliance), modélisation et machine learning (MIA-PS, Eliance), génétique quantitative (GABI) ainsi qu’un accès aux ressources biologiques (Eliance), posent les conditions pour répondre à la fois au challenge méthodologique lié à la dimension, la structure et la distribution des données d’épigénotypage, ainsi qu’au challenge biologique lié au rôle de la méthylation de l’ADN dans la construction des phénotypes.

Cette thèse s'inscrit dans la continuité du parcours EPINUM, financé par DIGIT-BIO. Les résultats devraient permettre de développer des outils pour favoriser l’adaptation du cheptel laitier aux nouvelles conditions environnementales induites par la transition agroécologique et le changement climatique.

Contact :

• Alexandre Asset