Sujet : Nouveaux développements pour l’inférence de la démographie locale et récente des populations à partir de données génomiques et applications pour la gestion des populations menacées et des organismes d’intérêt agronomique.
École doctorale : Université de Montpellier, GAIA
Dates : 1er octobre 2023 – 30 septembre 2026
Encadrants CBGP : R. Leblois & A. Estoup

Le développement d’approches agro-écologiques pour la gestion des ravageurs et des auxiliaires, ainsi que leurs vecteurs et antagonistes nécessite de mieux connaître le fonctionnement démographique local de leurs populations. De même, la gestion des populations menacées nécessite une connaissance fine de l’état démographique et génétique de ces populations : effectifs, fragmentation, dispersion, consanguinité… Parmi les facteurs clés à caractériser, les densités/tailles de populations et les caractéristiques de dispersion, à petite échelle géographique, ainsi que leurs variations sur un passé récent, sont souvent mal connus mais cruciaux pour mieux appréhender la dynamique de ces populations. Les données génomiques spatialisées contiennent de l’information sur ces paramètres démographiques mais les méthodes d’analyse actuelles ne permettent pas d’utiliser toute cette information. De plus, les estimations qui en découlent concernent souvent de grandes échelles spatiales et temporelles d’un intérêt pratique limité. Le but de ce projet est de combler ce déficit méthodologique, en développant de nouveaux outils pour l’estimation de paramètres démographiques locaux, ainsi que leurs variations récentes, à partir de données génomiques en utilisant des modèles démo-génétiques spatialisés.

Dans la continuité de nos travaux actuels sur les modèles spatialisés de génétique des populations et sur le développement de méthodes d’inférences basées sur la simulation, Ghislain s’attachera à :

1. finaliser l’implémentation des changements temporels des paramètres démographiques dans notre simulateur génomique spatialisé GSpace ;
2. développer un ensemble de nouvelles statistiques ou coupler des outils d’intelligence artificielle, pour résumer l’information génomique pertinente pour l’inférence des paramètres d’intérêt ;
3. les coupler à des méthodes d’inférence par simulation performantes ;
4. tester le niveau de complexité spatio-temporelle pouvant être considéré en fonction du type et de la quantité de données disponibles.

Afin d’en valider l’intérêt pratique, ces développements seront pensés, testés puis appliqués dans deux contextes assez différents :

1. l’étude et la gestion d’organismes d’intérêt agronomique, à travers des collaborations internes au CBGP ;
2. la biologie de la conservation, à travers le projet DevOCGen et ses collaborations.