Société Française de Bioinformatique

Mots-Clés

éléments cis-régulateurs transcriptome machine learning statistiques analyse des séquences

Description

INTRODUCTION ET CONTEXTE SCIENTIFIQUE
Le déficit hydrique affecte fortement les performances du maïs fourrage en réduisant la
production de biomasse et en altérant sa digestibilité. Il modifie également la composition de
la paroi cellulaire, notamment les composés phénoliques, tels que l’acide p-coumarique, via
des adaptations biochimiques dépendantes du génotype qui influencent à la fois la tolérance
au stress et la qualité du fourrage. Cependant, les déterminants moléculaires sous-jacents à
la variation de ces caractères complexes restent mal compris.
Dans le cadre du projet AMAIZING, sept génotypes de maïs contrastés ont été caractérisés
dans des conditions d’irrigation normale et de déficit hydrique modéré en utilisant le
phénotypage végétal à haut débit, des analyses biochimiques des parois et des profils
transcriptomiques collectés à partir de trois entrenœuds de tige par plante. Des analyses
intégratives ont permis d’identifier 260 gènes candidats associés aux interactions génotype x
déficit hydrique et ont révélé un réseau génétique hautement interconnecté sous-jacent au
remodelage de la paroi et à la digestibilité du fourrage en situation de déficit hydrique.
Bien que ces gènes représentent des cibles prometteuses, les éléments cis-régulateurs (CRE)
contrôlant leur expression restent largement inexplorés. Or la variation des CRE est de plus en
plus reconnue comme un déterminant majeur de la diversité phénotypique chez le maïs. Dans
ce contexte, ce stage de Master 2, mené dans le cadre du projet PRECURSOR-2
(métaprogramme INRAE DIGIT-BIO), vise à étudier les séquences proximales de ces 260 gènes
candidats afin d’identifier les CREs associés à leur expression et d’évaluer leur potentiel pour
prédire les valeurs des caractères phénotypiques du maïs fourrage par des approches de
machine learning.

PROPOSITION DE RECHERCHE

L’hypothèse de travail est que les combinaisons de CRE associés aux 260 gènes candidats
contiennent une information suffisante pour prédire la variation du rendement digestible sous
des régimes hydriques contrastés. Le stage s’articulera autour de deux objectifs principaux :
1. Construction des jeux de données rassemblant les informations issues des séquences
proximales des 260 gènes candidats, les données transcriptomiques et les caractères
phénotypiques associés. Ces jeux seront structurés afin de faciliter les analyses
réalisées dans le cadre de l’’objectif 2.
2. Etude des séquences proximales des gènes candidats à l’aide d’approches de
comparaison de séquences et de représentations vectorielles (embeddings) afin
d’identifier des CRE potentiellement associés à la variation des caractères
phénotypiques du maïs fourrage.

COMPETENCES RECHERCHEES
Ce stage mobilise des compétences en bioinformatique des séquences, ainsi qu’en statistiques
et en machine learning appliqués à la génomique. La maîtrise d’un langage de programmation
est nécessaire et un intérêt pour la biologie végétale est fortement souhaité.

Ce stage se dérouelra entre l’IPS2 (Gif-sur-Yvette) et l’IJPB(Versailles) et
peut évoluer vers la construction d’un projet de doctorat.

REFERENCES

1. Main,O., López-Malvar,A., Meunier,F., Guillaume,S., Jacquemot,M.-P., Lopez-Marnet,P.-L.,
   Barotin,C., Marmagne,A., Cézard,L., Fargier,S., et al. (2025) Targeting enhanced digestibility:
   Prioritizing low pith lignification to complement low p-coumaric acid content as
   environmental stress intensity increases. PLOS ONE, 20, e0338077.

2. Cuello,C., Baldy,A., Brunaud,V., Joets,J., Delannoy,E., Jacquemot,M.-P., Botran,L.,
   Griveau,Y., Guichard,C., Soubigou-Taconnat,L., et al. (2019) A systems biology approach
   uncovers a gene co-expression network associated with cell wall degradability in maize. PLoS
   One, 14, e0227011.

3. Galli,M., Chen,Z., Ghandour,T., Chaudhry,A., Gregory,J., Feng,F., Li,M., Schleif,N., Zhang,X.,
   Dong,Y., et al. (2025) Transcription factor binding divergence drives transcriptional and
   phenotypic variation in maize. Nat. Plants, 11, 1205–1219.

4. Rozière,J., Guichard,C., Brunaud,V., Martin,M.-L. and Coursol,S. (2022) A comprehensive
   map of preferentially located motifs reveals distinct proximal cis-regulatory sequences in
   plants. Frontiers in Plant Science, 13.

5. Peleke,F.F., Zumkeller,S.M., Gültas,M., Schmitt,A. and Szymański,J. (2024) Deep learning the
   cis-regulatory code for gene expression in selected model plants. Nat Commun, 15, 3488.