Thèse soutenue

Développement de méthodes statistiques pour l'identification de gènes d'intérêt en présence d'apparentement et de dominance, application à la génétique du maïs
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Fabien Laporte
Direction : Tristan Mary-Huard
Type : Thèse de doctorat
Discipline(s) : Mathématiques appliquées
Date : Soutenance le 13/03/2018
Etablissement(s) : Université Paris-Saclay (ComUE)
Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....)
Partenaire(s) de recherche : établissement opérateur d'inscription : Université Paris-Sud (1970-2019)
Laboratoire : Laboratoire Mathématiques et Informatique Appliquées (Paris) - Génétique quantitative et évolution-Le Moulon (Gif-sur-Yvette, Essonne ; 2002-....)
Jury : Président / Présidente : Elisabeth Gassiat
Examinateurs / Examinatrices : Tristan Mary-Huard, Elisabeth Gassiat, Grégory Nuel, Mathieu Emily, Brigitte Mangin, Christophe Ambroise
Rapporteurs / Rapporteuses : Grégory Nuel, Mathieu Emily

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

La détection de gènes est une étape importante dans la compréhension des effets de l'information génétique d'un individu sur ses caractères phénotypiques. Durant mon doctorat, j'ai étudié les méthodes statistiques pour conduire les analyses de génétique d'association, avec les hybrides de maïs comme modèle d'application. Je me suis tout d'abord intéressé à l'estimation des paramètres d'apparentement entre individus à partir de données de marqueurs bialléliques. Cette estimation est réalisée dans le cadre d'un modèle de mélange paramétrique. J'ai étudié l'identifiabilité de ce modèle dans un cadre général mais aussi dans un cadre plus spécifique où les individus étudiés étaient issus de croisements entre lignées, cadre représentatif des plans de croisement classiquement utilisés en génétique végétale. Je me suis ensuite intéressé à l'estimation des paramètres des modèles mixtes à plusieurs composantes de variance et plus particulièrement à la performance des algorithmes pour tester l'effet de très nombreux marqueurs. J'ai comparé pour cela des logiciels existants et optimisé un algorithme Min-Max. La pertinence des différentes méthodes développées a finalement été illustrée dans le cadre de la détection de QTL à travers une analyse d'association réalisée sur un panel d'hybrides de maïs.