Soutenance de thèse

Sthyve Tatho soutiendra sa thèse intitulée "Intégration de données multi-omiques pour l’analyse de la dynamique de communautés microbiennes" le 03/12/2026 à 9h30  dans la salle Ada Lovelace (centre Inria de l'Université de Bordeaux) devant un jury composé d'Anne Goelzer (INRAE, rapportrice), Andrea Rau (INRAE, rapportrice), Etienne Birmelé (U.Strasbourg), Loïc Paulevé (CNRS), Olivier Bernard (Inria), Florence Bansept (CNRS), Valentina Baldazzi (INRAE,co-directrice) et Simon Labarthe (INRAE, co-directeur).

Résumé

Les communautés microbiennes sont des écosystèmes complexes impliqués dans de nombreux processus d’intérêt, de la fermentation alimentaire et du traitement des eaux usées à la biotechnologie, la médecine, la protection des cultures et la santé animale. Leur fonctionnement reste difficile à caractériser en raison de la complexité des interactions métaboliques et des mécanismes d’assemblage communautaire. Les avancées en séquençage haut débit et en technologies analytiques permettent désormais de collecter des données multi-omiques longitudinales à l’échelle communautaire, incluant abondances, métabolomique et métatranscriptomique. Cependant, les cadres de modélisation capables d’intégrer ces données hétérogènes pour inférer l’activité métabolique des communautés restent limités. Nous introduisons ici community Metabolic Flux Inference (comFI), un cadre d’inférence informé par la biologie permettant d’intégrer des séries temporelles multi-omiques afin d’inférer les flux métaboliques aux niveaux communautaire et spécifique à chaque espèce. comFI quantifie la contribution de chaque membre à la consommation et à la production de métabolites extracellulaires ciblés, tout en reconstruisant des flux intracellulaires cohérents avec les données transcriptomiques et les dynamiques observées. La robustesse de comFI a été évaluée sur des jeux de données synthétiques couvrant différentes interactions écologiques, tailles de communautés, niveaux de bruit et incertitudes transcriptomiques. La méthode reconstruit précisément les flux métaboliques, avec un coefficient moyen de détermination (R2) de 94.16% pour les échanges observés et de 94.83% pour les flux intracellulaires non observés, tout en atteignant de faibles taux de faux positifs et de faux négatifs pour la prédiction des réactions actives (2% et 5%). comFI a ensuite été appliquée à deux jeux de données expérimentaux : une communauté synthétique de dénitrification, pertinente pour le cycle global de l’azote, et une communauté contrôlée de fermentation fromagère impliquant trois espèces. Dans les deux cas, la méthode retrouve des interactions connues et fournit des informations quantitatives sur les échanges métaboliques et la physiologie microbienne, en accord avec les données de métabolomique et de métatranscriptomique. En parallèle, cette thèse aborde l’intégration numérique de modèles dFBA, où l’un des défis est de préserver la positivité des concentrations et des biomasses sans réduire l’ordre de convergence de l’intégrateur en temps. Nous introduisons pour cela une extension SOURCE/SINK rendant l’état dFBA conservatif, ce qui permet l’utilisation de schémas modified Patankar Deferred Correction (mPDeC), qui préservent la positivité à ordre arbitraire pour des systèmes production–destruction réguliers.