AgroStat
Statistiques pour l’évolution et la dynamique des populations et espèces d’intérêt agronomique
Axe Vivant
Mathématiques
∩ Biologie
Aperçu
Développer et appliquer des méthodes mathématiques et statistiques innovantes (modélisation et IA) pour étudier et protéger les agrosystèmes confrontés aux perturbations liées au changement global.
Mots clefs
Agrobiodiversité, agroécologie, changement global, biocontrol, espèces envahissantes, épidémiologie, santé des plantes, écologie des communautés, génétique des populations, génomique, phylogénie, systématique, réseaux de régulation génétique
Coordination
- Jean-Michel Marin (Mathématiques, Institut Montpelliérain Alexander Grothendieck (IMAG), UMR 5149, CNRS, Université de Montpellier)
- Arnaud Estoup (Biologie, INRAE)
Financement
- ≈ 1 million d’euros sur 5 ans
Résumé
L’objectif du projet ciblé AgroStat est d’intégrer et de développer des méthodes mathématiques et statistiques de pointe pour étudier et protéger les systèmes agronomiques face aux perturbations induites par le changement global.
Il s’agit d’un projet interdisciplinaire rassemblant des expertes et des experts en biologie/agronomie et en mathématiques/statistique. En s’appuyant sur des données variées – qu’il s’agisse de données génomiques, moléculaires, phénotypiques, environnementales ou observationnelles – les chercheuses et les chercheurs se proposent d’exploiter des techniques statistiques et de modélisation innovantes. Cela englobe, entre autres et pas uniquement, des méthodes issues des domaines de l’intelligence artificielle et de l’apprentissage automatique.
L’intersection entre la biologie/agronomie et les mathématiques/statistique, qui se trouve au cœur du projet, vise principalement à anticiper et évaluer les risques associés aux adaptations, qu’elles soient souhaitées ou non. Cela comprend les menaces liées aux invasions biologiques, à la propagation d’espèces nuisibles (notamment ravageurs des cultures), et aux épidémies. Ainsi, le projet AgroStat aspire à offrir des solutions prédictives pour garantir une agriculture durable et résistante (tout en étant moins dépendante des pesticides) face aux défis posés par le changement global.
- Développer des méthodes statistiques plus efficaces, utilisant des données de séquençage de nouvelle génération (NGS), pour reconstituer les voies d’invasion et d’adaptation des espèces exotiques de ravageurs.
- Nouveaux développements méthodologiques pour la prédiction au niveau de la population.
- Nouveaux développements méthodologiques pour la promotion de la diversification à l’intérieur des champs en tant que levier agro-écologique pour contenir les épidémies de ravageurs et exploiter la complémentarité des ressources.
- Nouvelles méthodes pour intégrer des données dynamiques, spatiales et environnementales (par exemple, le climat, le paysage et les pratiques agricoles) avec des données génétiques pour déduire l’histoire évolutive récente et locale des populations.
- Méthodes statistiques améliorées pour explorer la manière dont le paysage influence la propagation et l’impact des maladies ou des parasites sur les cultures.
- Développer de nouvelles méthodes basées sur l’IA pour optimiser l’analyse des données constituées d’images, y compris potentiellement d’images hyperspectrales, de données environnementales et d’ADN standard, d’enregistrements provenant de capteurs sonores et de divers facteurs environnementaux.
- Mieux détecter et surveiller les espèces nuisibles et bénéfiques, cf. détection précoce des bioagresseurs et réduction de l’utilisation des pesticides.
- Développer des méthodes statistiques d’IA pour l’analyse des données (Images, moléculaires, environementales, …) sur les maladies des plantes.
- Développer des nouveaux modèles mathématiques et de méthodes statistiques pour la compréhension et la description du mouvement des invertébrés suivis par phénotypage vidéo dans des microcosmes contrôlés.
- Développer des nouvelles techniques statistiques pour analyser les données transcriptomiques, métabolomiques et fonctionnelles des gènes d’espèces d’’intérêt agronomiques afin d’identifier les gènes clés et les voies à cibler pour limiter la propagation et/ou la reproduction des principaux ravageurs.
- Analyse de redondance, graphes d’admixture, méthode par simulation, ABC, random forest, modèles bayesiens hierarchiques, modèle bayesien phylodynamique, intelligence artificielle, réseau de neurone, méthodes hybrides, EDP
- ADN environnemental, données génomiques, données moléculaires, données phénotypiques, données environnementales, données observationnelles, images
- Compréhension, prévision et anticipation des risques : approfondir la compréhension de la manière de prévoir et d’anticiper les risques associés à une adaptation indésirable, aux espèces envahissantes et aux épidémies dans le cadre plus large des effets du changement global sur les agrosystèmes. Cet objectif va de pair avec la nécessité de tenir compte des contraintes pratiques, telles que les limitations de ressources et les environnements réglementaires. Un objectif majeur est de rendre l’agriculture et les agrosystèmes plus durables, plus résistants et moins dépendants des pesticides.
- Amélioration de la détection, de la caractérisation et du contrôle des bioagresseurs : capacités améliorées pour la détection, l’identification, la caractérisation et le contrôle des bioagresseurs. L’objectif est d’améliorer la gestion des bioagresseurs, en rendant ces processus plus efficaces et plus réactifs face à la complexité croissante des écosystèmes agricoles et à la pression exercée par l’arrivée d’espèces exotiques nuisibles.
- Création d’outils d’aide à la décision qui facilitent le suivi et le contrôle, le partage des données et l’exploitation de jumeaux numériques (potentiels) et de modèles de scénarios dans différents contextes agricoles.
- Les systèmes biologiques et agronomiques complexes étudiés devraient offrir un environnement riche et stimulant pour les mathématiciennes et les mathématiciens et les statisticiennes et les statisticiens. Cet environnement devrait catalyser l’innovation et le développement de nouvelles méthodes conçues pour l’analyse de types de données à grande échelle et souvent disparates/hétérogènes.
Recrutements envisagés
- 2 CDD CR (36 mois)
- 5 contrats doctoraux (72 mois)
- 1 CDD IR (12 mois)
- 1 CDD IE (16 mois)
- 1 CDD TR (6 mois)
- 8 stagiaires M2 (NA)
Plus de projets
