Méthodes statistiques vs apprentissage profond pour de l'inférence d'ascendance locale

 Stage · Stage M1  · 4 mois    Bac+4   CIRAD - UMR AGAP · Montpellier (France)

 Date de prise de poste : 1 mars 2027

Mots-Clés

Local Ancestry Inference Populations mosaïques Deep Learning

Description

Contexte

1- Contexte scientifique et enjeux du LAI

L’accès croissant à des données de génotypage à haut débit chez les espèces cultivées permet une caractérisation de plus en plus fine de la diversité génétique. L’Inférence d’Ascendance Locale (LAI), couplée à des approches statistiques et probabilistes, telles que l’estimation par noyau de densité (Kernel Density Estimation, KDE) dans un espace d’ACP locale (Santos et al., 2019) ou les Modèles de Markov Cachés (HMM), s’est imposée comme un outil clé pour détecter et caractériser des introgressions (récentes ou anciennes) au sein de vastes panels de diversité. Chez le riz asiatique, ces approches permettent d’assigner chaque segment du génome à l’un des grands groupes variétaux (indica, japonica, cAus, cBasmati), voire sous-groupes, définis à partir de la diversité du riz analysée sur les 3k (3 000 génomes de riz représentatifs de la diversité mondiale, Wang et al., 2018).

2- Le cas d’étude : les populations mosaïques de l’équipe GIV

L’équipe GIV, fortement impliquée dans des programmes d’amélioration variétale (notamment chez le riz), dispose de populations génétiques issues de programmes de sélection. Ces populations dites « mosaïques » sont le fruit de croisements répétés et de contraintes de sélection multiples contrôlées ou non. L’analyse fine de ces génomes vise à mettre en évidence des régions chromosomiques conservées, candidates potentielles pour porter des caractères d’adaptation.

3- Apport de l’apprentissage automatique et des Transformers

Des méthodes de LAI fondées sur l’apprentissage automatique se sont développées ces dernières années. Historiquement, nous avons utilisé KDE_classifier (Santos et al., 2019). Mais de nouveaux algorithmes apparaissent chaque année. G-Nomix, par exemple, combine des classifieurs locaux par fenêtre et un module de lissage le long du chromosome (Hilmarsson et al., 2021). Face aux limites des méthodes traditionnelles sur des structures de populations complexes, l’évaluation des architectures de type Transformer représente une piste novatrice et prometteuse pour ce type d’étude. Un premier prototype basé sur ModernBERT a déjà été développé et testé sur un jeu de données restreint, affichant des résultats préliminaires encourageants.

Objectifs du stage

Ce stage aura pour mission principale de réaliser un benchmark comparant une méthode classique de LAI (KDE) et une méthode d’apprentissage automatique (G-Nomix) aux performances d’un modèle de type transformer comme BERT. Ce benchmark sera réalisé sur un dataset inédit de 19 000 accessions de riz. La comparaison sera basée sur le chromosome painting réalisé avec chaque méthode sur ces populations mosaïques de riz. Les groupes de référence sont les grands groupes variétaux du riz asiatique (indica, japonica, cAus, cBasmati).

Travail à réaliser

Le stage comportera de l’analyse bio-informatique de données massives de riz et des itérations d’entraînement de petits modèles (ModernBert et/ou Jev et/ou autre). Une synthèse bibliographique permettra d’ajuster les travaux au préalable :

1- Caractérisation d’une population de riz asiatique : utiliser une méthode KDE pour faire du chromosome painting de cette population par rapport aux groupes de référence, adapter les scripts existants à la mise en évidence d’introgression (estimation des bornes). Appliquer en parallèle G-Nomix avec les mêmes données et les mêmes groupes de référence.

2- Utilisation du prototype ModernBERT sur de nouvelles données : entraîner ce réseau de neurones sur des données élargies (19k génomes), valider ses performances (introgressions synthétiques, annotations manuelles issues de travaux précédents).

3- Benchmark des 3 méthodes : comparer les résultats obtenus par les trois méthodes sur la population de lignées élite du programme de sélection de l’IRRI (ECP).

Profil du candidat

Étudiant de M1 en (bio)informatique ou IA.
Compétences attendues : programmation en Python, environnement Linux et calcul sur cluster (HPC).
Des notions de génétique des populations et d’apprentissage profond seront appréciées.

Candidature

Procédure : Envoyer mail à julien.frouin@cirad.fr

Date limite : 29 janvier 2027

Contacts

 Julien Frouin
 juNOSPAMlien.frouin@cirad.fr

Offre publiée le 17 novembre 2026, affichage jusqu'au 29 janvier 2027