Thèse en cours

Apprentissage automatique pour la surveillance de la biodiversité marine grâce au métabarcoding de l'ADNe

FR  |  
EN

Accès à la thèse

AttentionLa soutenance a eu lieu le 22/11/2024. Le document qui a justifié du diplôme est en cours de traitement par l'établissement de soutenance.
Auteur / Autrice : Letizia Lamperti
Direction : Stéphanie Manel
Type : Projet de thèse
Discipline(s) : Informatique, mathématique et applications
Date : Inscription en doctorat le 01/09/2021
Soutenance le 22/11/2024
Etablissement(s) : Université Paris sciences et lettres
Ecole(s) doctorale(s) : École doctorale de l'École pratique des hautes études
Partenaire(s) de recherche : Laboratoire : CEFE - Centre d'Ecologie Fonctionnelle et Evolutive
établissement opérateur d'inscription : École pratique des hautes études (Paris ; 1868-....)

Résumé

FR  |  
EN

Avec les menaces croissantes pesant sur la biodiversité mondiale, comprendre les variations spatio-temporelles des as- semblages écologiques est devenu essentiel pour la gestion des écosystèmes et la conservation de la biodiversité. Le metabarcoding de l'ADN environnemental (ADNe) est l'un des outils émergents prometteurs pour surveiller les change- ments de biodiversité, en particulier dans les écosystèmes marins. Cependant, les méthodes d'analyses traditionnelles peinent souvent à détecter et à visualiser ces variations et les patrons de diversité car les données liées, au metabarcoding de l'ADNe, sont des données très complexes. Cette complexité et les difficultés d'analyse limitent ainsi les interprétations écologiques et biogéographiques potentielles. Pour lever ces limites, cette thèse développe et applique des techniques avancées d'apprentissage automatique (ML) et d'apprentissage profond (DL) pour l'analyse des données du metabarcoding d'ADNe. Ces techniques permettent la détection des variations et des patrons de biodiversité, l'identification des interactions entre espèces et la surveillance des écosystèmes. Les approches ML et DL surpassent les méthodes traditionnelles dans la gestion des grands ensembles de données et dans la modélisation des relations non linéaires entre les données du metabarcoding d'ADNe. En conclusion, cette thèse représente une contribution significative à la conservation de la biodiversité, en particulier dans les écosystèmes marins. Les outils développés offrent de nouvelles possibilités pour le suivi de la biodiversité à partir du metabarcoding de l'ADNe, améliorant ainsi l'étude de la biodiversité et les stratégies de gestion de la biodiversité.