Inférence de paramètres de dispersion et de densité à partir de données génomiques spatialisées, fondée sur l'apprentissage automatique à partir de simulations

Inference of dispersal and density parameters from spatial genomics data, using simulation-based machine learning methods

• Auteur / Autrice : Ghislain Camarata
• Direction : François Rousset, Raphael Leblois
• Type : Projet de thèse
• Discipline(s) : EERGP-Biologie et Ecologie Evolutives
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École Doctorale GAIA Biodiversité, agriculture, alimentation, environnement, terre, eau (Montpellier ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : ISEM - Institut des Sciences de l'Evolution -Montpellier
• Partenaire(s) de recherche : Equipe de recherche : Evolution et Démographie

Mots clés

Mots clés libres

Isolement par la distance

Biostatistique

Génomique des populations

Intelligence artificielle

Organismes d'intérêt agronomique

Biologie de la conservation

Isolation by distance

Artificial intelligence

Population genomics

Conservation biology

Organisms of agronomic interest

Biostatistics

Résumé

Le développement d'approches agro-écologiques pour la gestion des ravageurs et des auxiliaires, ainsi que de leurs vecteurs et antagonistes, nécessite une meilleure compréhension du fonctionnement démographique local de leurs populations. De même, la gestion des populations menacées nécessite une connaissance fine du statut démographique et génétique de ces populations : effectifs, fragmentation, dispersion, consanguinité... Parmi les facteurs clés à caractériser, les densités/tailles des populations et les caractéristiques de dispersion, à une petite échelle géographique, ainsi que leurs variations dans le passé récent, sont souvent mal connues alors que ces facteurs s'avèrent cruciaux pour mieux comprendre la dynamique de ces populations à l'échelle d'un paysage ou d'un bassin de production agricole [1,2]. Ces paramètres démographiques peuvent théoriquement être estimés par des approches démographiques de type capture - marquage- recapture, mais elles impliquent un investissement humain très important et ne donnent pas d'information sur les variations passées. Une alternative est d'utiliser des estimations 'indirectes' à partir de données de polymorphisme révélées sur une partie ou l'ensemble du génome, qui contiennent de l'information sur les paramètres démographiques des populations. Cependant les méthodes d'analyse actuelles, souvent basées sur des hypothèses peu réalistes (populations panmictiques de grandes tailles, dispersion faible et non spatialisée), ne permettent pas d'utiliser toutes l'information des données génomiques spatialisées pour faire des inférences sur les processus locaux et récents. L'objectif de ce projet est de combler cette lacune méthodologique en développant et testant de nouveaux outils méthodologiques pour estimer les paramètres démographiques locaux, ainsi que leurs variations récentes, à partir de données génomiques en utilisant des modèles démo-génétiques spatialisés. La possibilité de générer de gros jeux de données spatialisées (des génomes complets sur beaucoup d'individus), couplée au développement récent de méthodes d'inférence très performantes en génétique des populations, permet de s'intéresser maintenant à des signaux génétiques faibles et complexes laissés par des processus démographiques de plus en plus fins[ 3]. Dans la continuité de nos travaux actuels sur les modèles démo-génétiques spatialisés et le développement de méthodes d'inférence basées sur la simulation, le.la doctorant.e pourra se concentrer sur : (1) terminer l'implémentation des changements temporels des paramètres démographiques dans notre simulateur génomique spatialisé GSpace (Virgoulay et al. 2021); (2) développer un ensemble de nouvelles statistiques et/ou coupler des outils d'intelligence artificielle (IA) pour résumer l'information génomique pertinente en un certain nombre de statistiques pour l'inférence des paramètres d'intérêt ; (3) les coupler à de puissantes méthodes d'inférence basées sur la simulation comme le calcul bayésien approché basé sur les techniques de Random-Forest (ABC-RF, [16], [17]) ou les développements récents de la méthode de vraisemblance résumée (SL, Rousset et al. 2017) ; (4) tester les performances (précision et robustesse) de ces développements, notamment le niveau de complexité spatio-temporelle qui peut être considéré en fonction du type et de la quantité de données disponibles. Afin de valider leur intérêt pratique, ces développements seront pensés, testés et appliqués dans deux contextes bien différents : (1) l'étude et la gestion des organismes d'intérêt agronomique, à travers des collaborations internes au CBGP ; et (2) la biologie de la conservation, à travers le projet DevOCGen et ses collaborations («Développement et applications de nouveaux outils pour la gestion et la conservation des populations naturelles à partir de données génomiques», financé par la Région Occitanie 2022-2026). Ce sujet de thèse, à la frontière de plusieurs disciplines (génétique des populations, statistique inférentielle, informatique, écologie et agronomie) requiert de l'étudiant.e un intérêt pour tous ces domaines mais aussi un goût prononcé pour les approches computationnelles et la programmation.

The development of agro-ecological approaches for the management of pests and beneficials, as well as their vectors and antagonists, requires a better understanding of the local demographic functioning of their populations. Similarly, the management of threatened populations requires a detailed knowledge of the demographic and genetic status of these populations: numbers, fragmentation, dispersion, inbreeding, etc. Among the key factors to characterize, population densities/sizes and dispersal characteristics at a small geographic scale, as well as their variations in the recent past, are often poorly known, although these factors are crucial to better understand the dynamics of these populations at the scale of a landscape or an agricultural production basin [1,2]. These demographic parameters can theoretically be estimated by demographic approaches such as capture-mark-recapture, but they involve a very large human investment and do not provide information on past variations. An alternative is to use 'indirect' estimates from polymorphism data revealed on part or all of the genome, which contain information on the demographic parameters of populations. However, current analysis methods, often based on unrealistic assumptions (large panmictic populations, low and non-spatialized dispersal), do not allow to use all the information from spatialized genomic data to make inferences on local and recent processes. The objective of this project is to fill this methodological gap by developing and testing new methodological tools to estimate local demographic parameters, as well as their recent variations, from genomic data using spatialized demogenetic models. The possibility to generate large spatialized data sets (complete genomes over many individuals), coupled with the recent development of very powerful inference methods in population genetics, allows us to focus on weak and complex genetic signals left by increasingly fine demographic processes [3]. In continuation of our current work on spatialized demogenetic models and the development of simulation-based inference methods, the PhD student will be able to focus on: (1) completing the implementation of temporal changes in demographic parameters in our spatialized genomic simulator GSpace (Virgoulay et al. 2021); (2) developing a set of new statistics and/or coupling artificial intelligence (AI) tools to summarize relevant genomic information into a number of statistics for inference of the parameters of interest; (3) coupling them with powerful simulation-based inference methods such as approximate Bayesian computation based on Random-Forest techniques (ABC-RF, [16], [17]) or recent developments in the summarized likelihood method (SL, Rousset et al. 2017); (4) test the performance (accuracy and robustness) of these developments, including the level of spatio-temporal complexity that can be considered depending on the type and amount of data available. In order to validate their practical interest, these developments will be thought, tested and applied in two very different contexts: (1) the study and management of organisms of agronomic interest, through internal collaborations at the CBGP; and (2) conservation biology, through the DevOCGen project and its collaborations ('Development and applications of new tools for the management and conservation of natural populations based on genomic data', financed by the Occitanie Region 2022-2026). This thesis subject, at the frontier of several disciplines (population genetics, inferential statistics, computer science, ecology and agronomy) requires the student to have an interest in all these fields but also a strong taste for computational approaches and programming. Translated with www.DeepL.com/Translator (free version)