Computational analysis of mRNA degradation

• Auteur / Autrice : Yao Agbedoga
• Direction : Delphine Ropers, Muriel Cocaign-bousquet
• Type : Projet de thèse
• Discipline(s) : MBS - Modèles, méthodes et algorithmes en biologie, santé et environnement
• Date : Inscription en doctorat le 01/09/2025
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale ingénierie pour la santé, la cognition, l'environnement
• Partenaire(s) de recherche : Laboratoire : Centre de recherche Inria de l'Université Grenoble Alpes

Mots clés

Mots clés libres

Statistiques

Modèles non linéaires

Biologie systémique

Modélisation déterministe

Inférence statistique

Statistics

Nonlinear models

Systems biology

Deterministic modelling

Statistical inference

Résumé

Résumé du sujet de thèse : Computational analysis of mRNA degradation Cette thèse s'inscrit dans le cadre du projet ANR RECOM et vise à étudier, par des approches computationnelles et statistiques, les mécanismes de dégradation de l'ARN messager (ARNm) chez la bactérie Escherichia coli. L'objectif principal est de développer et d'adapter des modèles mécanistiques dynamiques, couplés à des méthodes d'inférence statistique, pour estimer les paramètres de dégradation de l'ARNm à partir de données transcriptomiques dynamiques, principalement issues de RNA-Seq et de RT-qPCR. Le projet repose sur les travaux antérieurs de l'équipe MICROCOSME montrant l'intérêt de combiner modélisation mécanistique et statistiques (notamment à l'aide de modèles non linéaires à effets mixtes – NLME) pour interpréter les profils temporels d'expression des gènes et identifier des mécanismes de régulation post-transcriptionnelle, notamment les effets compétitifs dans la dégradation des ARNm. Il s'agira de : développer des stratégies d'estimation adaptées aux données disponibles (réduction de modèles, NLME) ; évaluer la pertinence de ces méthodes pour différents types de données (RNA-Seq, RT-qPCR) ; appliquer ces méthodes à des données expérimentales collectées chez E. coli dans des conditions variées ; interpréter biologiquement les résultats en collaboration avec les partenaires expérimentateurs du Toulouse Biotechnology Institute ; et proposer, le cas échéant, des expériences pour valider les prédictions issues des modèles. Cette thèse, à l'interface entre biologie, mathématiques appliquées et analyse de données, propose une approche interdisciplinaire visant à mieux comprendre les mécanismes régulateurs qui influencent la stabilité de l'ARNm et, plus largement, l'expression génique dans les cellules bactériennes.

This PhD thesis is part of the ANR RECOM project and aims to study, using computational and statistical approaches, the mechanisms of messenger RNA (mRNA) degradation in the bacterium Escherichia coli. The main objective is to develop and adapt dynamic mechanistic models, coupled with statistical inference methods, to estimate mRNA degradation parameters from dynamic transcriptomic data, primarily obtained from RNA-Seq and RT-qPCR experiments. The project builds on previous work by the MICROCOSME team, which demonstrated the value of combining mechanistic modeling and statistics (notably using nonlinear mixed-effects models – NLME) to interpret gene expression time profiles and identify post-transcriptional regulatory mechanisms, including competitive effects in mRNA degradation. The PhD work will consist of: developing estimation strategies adapted to the available data (model reduction, NLME approaches); assessing the relevance of these methods for various data types (RNA-Seq, RT-qPCR); applying these methods to experimental datasets collected in E. coli under different conditions; biologically interpreting the results in collaboration with experimental partners from the Toulouse Biotechnology Institute; and, if needed, proposing new experiments to validate the predictions made by the models. This thesis, at the crossroads of biology, applied mathematics, and data analysis, offers an interdisciplinary approach aiming to better understand the regulatory mechanisms that influence mRNA stability and, more broadly, gene expression in bacterial cells.