H/F Doctorant pour une thèse sur la Modélisation statistique des mécanismes de dégradation de l'ARN che

Sujet de thèse :
Dans toutes les cellules vivantes, l'information génétique régit la production des protéines, éléments essentiels au bon fonctionnement cellulaire, par l’intermédiaire de l’ARN messager. La première réponse d'une cellule à un environnement changeant repose sur la régulation de l'abondance de cet ARN, soit par sa production, soit par sa dégradation.
Chez les plantes, l’altération de certains acteurs clés de la dégradation de l’ARN affecte sévèrement leur développement et leur résilience aux stress environnementaux. Cependant, les outils actuels permettant d’évaluer, comparer et quantifier cette dégradation restent limités à certains tissus et conditions, freinant la compréhension des mécanismes impliqués dans de nombreux contextes biologiques.
L'objectif de la thèse consistera dans un premier temps à proposer un modèle statistique de l'effet des différents mécanismes de dégradation sur la taille des fragments d'ARN pouvant être mesurés par séquençage direct de l'ARN, et de proposer des algorithmes d'inférence associés.
Dans un second temps, les mécanismes de dé-adenylation des molécules d'ARN, ayant lieu en amont de la dégradation de ces derniers, seront également modélisés par des approches stochastique afin de comprendre les interactions clefs entre les différents acteurs de la régulation du cycle de l'ARN.
En utilisant la plante modèle Arabidopsis thaliana, nous explorerons les mécanismes compensatoires mis en place lorsque des composants essentiels de la voie principale de dégradation sont défaillants, en particulier en réponse aux stress environnementaux.
Contexte :
La thèse s'inscrit dans le financement MITI 80prime Indegra Plantes en partenariat avec des biologites des plantes à Strasbourg et un biologiste de l'ARN en Australie.
Le ou la candidat.e commencera par étendre le logiciel déjà développer INDEGRA à d'autres mécanismes de dégradation, et proposera des approches de choix de modèle pour identifier les mécanismes les plus probables.
Des modèles Bayésiens pourront être considérés, permettant par exemple de séparer les effets de la dégradation technique des effets de la dégradation biologique.
De même, pour les mécanismes de de-Adenylation, le ou la candidat.e pourra s'appuyer sur des modèles déterministes préalablement proposés pour développer un modèle compréhensif stochastique et étudier les interactions entre les différents acteurs.