Thèse Méthode Bayésienne de Réduction de Dimension dans le Cadre de Modèles Multivariés à Effets Aléatoires Application à l'Étude de la Dynamique Évolutive des Interactions Génétique X Environneme H/F - Doctorat.Gouv.Fr

Établissement : Université de Montpellier École doctorale : I2S - Information, Structures, Systèmes Laboratoire de recherche : AMAP - botAnique et Modélisation de l'Architecture des Plantes et des végétations Direction de la thèse : Frédéric MORTIER ORCID 000000015473709X Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-04T23:59:59 Que ce soit dans les domaines de la médecine, de l'agronomie ou de l'écologie, une compréhension des processus physiologiques (croissance, floraison, sénescence, ...) est cruciale surtout dans le contexte du changement climatique. Ces processus sont gouvernés par des facteurs environnementaux et des mécanismes biologiques complexes. Une approche communément utilisée consiste à identifier les régions du génomes impliquées dans la variabilité du processus en utilisant des données génomiques (marqueurs moléculaires, expression de gènes, ...) et des caractéristiques environnementales (pluviométrie, température, types de sol,...). Depuis quelques années, ces données sont toujours plus abondantes allant par exemple jusqu'à des dizaines de milliers de marqueurs génétiques. Dans ce contexte, grande dimension, il est primordial de développer des méthodes statistiques efficaces qui permettent de réduire ces dimensions et de régulariser les modèles utilisés.

Récemment, deux approches innovantes (Heuclin et al., 2023 ; 2026) ont été développées pour d'une part sélectionner l'information génétique pertinente et d'autre part les conditions environnementales. La première repose sur le couplage d'un modèle linéaire mixte avec une méthode bayésienne de sélection des effets aléatoires. La seconde sur des méthodes de détection de rupture dans les séries temporelles environnementales.
La première approche considère chaque région génomique comme un effet aléatoire où la matrice de variance-covariance est calculée à partir du sous-ensemble de marqueurs disponibles sur une région donnée. Cette méthode soulève trois difficultés : (i) les marqueurs sont redondants et réduire la dimension de la matrice s'avère important d'un point de vue biologique mais aussi computationnel, (ii) le choix de la métrique utilisée pour le calcul de cette matrice ne prend pas en compte la qualité d'ajustement du modèle aux données et enfin (iii) sélectionner les régions pertinentes et les facteurs environnementaux imultanément est crucial. La seconde méthode, quant à elle, permet de prendre en compte les dépendances au sein des séries temporelles de chaque variable environnementale mais ne tient pas compte des dépendances en ces variables.

Ce sujet de thèse en statistique appliquée a pour objectifs : (i) de combiner les approches pour prendre en compte simultanément les facteurs génétiques et environnementaux, (ii) de proposer une métrique d'apparentement génétique qui tienne compte de la qualité d'ajustement du modèle aux données dans des environnement donnés, (iii) de prendre en compte les dépendances entre facteurs environnementaux et génétique (interactions) et (iv) d'étendre au multi-caractères (multivariables) les concepts originaux pour l'étude des effets pléiotropes ou dynamiques des gènes sur les caractères d'intérêts Face au changement climatique, adapter les cultures et les pratiques est un enjeu agroécologique majeur. Cela nécessite de modéliser et d'estimer avec une certaine précision les effets des facteurs environnementaux et biologiques qui influencent la dynamique de processus écophysiologiques clés. Or le nombre et la complexité des liens potentiels rend d'une part illusoire une approche seulement paramétrique et impose d'autre part une pproche parcimonieuse. Ce travail de recherche a pour objectif de proposer des méthodes bayésiennes innovantes de régularisation et de sélection d'effets fixes et aléatoires dans le cadre de modèles semi-paramétriques multivariés Ce travail se propose de développer des outils mathématiques et statistiques pour évaluer les capacités adaptives des cultures pérennes et promouvoir des pratiques agroécologiques durables Régularisation et sélection d'effets fixes et aléatoires dans le cadre de modèles semi paramétriques

Le/La candidat(e) devra être détenteur d'un master en Statistiques et Probabilités et présentant une appétence pour l'écologie et la génétique