Estimation de paramètres génétiques du microbiote avec des modèles Poisson-Log Normaux

Depuis quelques années, il est reconnu que les bactéries commensales des individus ont un rôle important dans le déterminisme de leurs caractères. C'est en particulier le cas des bactéries du système digestif qui constituent le microbiote intestinal. Cependant, la composition de ce microbiote est elle-même influencée par les effets génétiques propres de l'individu. Du fait de ces interactions, le microbiote intestinal est un écosystème dynamique dont la composition peut co-évoluer avec son hôte.  L'objectif général de nos recherches est d'étudier cet écosystème, et plus spécifiquement le rôle que joue la génétique de l'hôte dans sa composition. Pour cela, nous avons fait évoluer pendant 5 générations deux populations expérimentales (lignées) de porcs, contrastées pour les compositions de leur microbiote intestinal (entérotypes). Deux entérotypes présentent des fréquences divergentes entre lignées. L'un est caractérisé par une surabondance des genres Prevotella et Mitsuokella (entérotype PM, lignée HPM pour High PM) et l'autre par une surabondance des genres Ruminococcus et Treponema (entérotype RT, lignée HRT pour High, RT).   L’un des attendus de cette expérience de sélection était d’apporter une démonstration expérimentale de la transmission des entérotypes de parents à descendants et d’estimer l'importance des facteurs génétiques dans la composition du microbiote. Au fil des générations de sélection, nous avons observé une augmentation de la proportion des animaux porteurs de l’entérotype PM dans la lignée HPM et de l’entérotype RT dans la lignée HRT à 60 jours. Nous avons pu montrer que l’entérotype PM est associé à une meilleure croissance jusqu’à 70 jours d’âge alors que l’entérotype RT est plus diversifié que l’entérotype PM, ce qui suggère une meilleure résilience. Nos résultats révèlent ainsi un possible fragilité des animaux porteurs de l’entérotype PM même s’ils ont de meilleures performances de croissance.  Objectifs Jusqu'à présent, les données de microbiote acquises dans cette expérience ont été analysées avec des procédures de normalisations et des modèles statistiques simples. Par exemple, ces approches ne prenaient pas en compte la nature discrète (comptage) des données issues du séquençage du microbiote. L'objectif du stage est d'appliquer de nouveaux modèles statistiques développés récemment [1] pour mieux prendre en compte le type de données et estimer l'influence des facteurs génétiques sur la composition du microbiote.  L'objectif du stage est d'évaluer l'utilité des modèles Poisson-LogNormal (PLN) pour répondre à différentes questions : Quelle part de la variabilité intra-individuelle des microbiotes peut être attribuée à des facteurs génétiques ? Comment classifier les différents individus sur la base des ressemblances entre microbiotes (i.e. définir des "entérotypes" avec les PLN) ? Comment classifier les différentes espèces bactériennes à partir de leur abondance dans les microbiotes ? Quelles sont les espèces bactériennes qui permettent de classifier les individus par lignées et par génération ? Références  [1] Chiquet et al. The Poisson-Lognormal Model as a Versatile Framework for the Joint Analysis of Species Abundances. (2021) Front. Eco. Evo. https://doi.org/10.3389/fevo.2021.588292 Vous serez accueilli(e) au sein de l’équipe Chamade de l’unité GenPhySE d’INRAE de Toulouse et vous travaillerez en collaboration avec l’équipe Sesame. Lors du stage, les activités à mener seront : Analyser les données de microbiote à l'aide des différentes fonctions du package R (ou python) PLN Estimer les héritabilités des microbiotes Classifier les individus d'une part, et les espèces bactériennes d'autre part sur la base des données microbiote Produire un rapport d'analyse et une chaine de traitement pour faciliter l'application des méthodes mises en œuvre sur de nouveaux jeux de données Ces activités permettront au stagiaire d'apprendre à utiliser, comprendre et interpréter les résultats de modèles statistiques hiérarchiques. Ce type de modèles est très utilisé dans de nombreux contextes différents, à la fois en recherche et en industrie. Par ailleurs, le stagiaire sera formé à utiliser des outils de suivi (git) et de documentation (markdown, quarto) des analyses, assurant leur reproductibilité et la robustesse des résultats obtenus.