MALDIveS

Séquençage à ultra-haut débit, bioinformatique et machine learning comme outil de diagnostic de la santé des sols

Responsable du projet: Dr. Thierry Heger

Partenaires: HEIG-VD

Financement: HES-SO

2017 - en cours

Résumé

Le but général de notre projet interdisciplinaire est de concevoir une nouvelle méthode et un prototype d'outil de diagnostic permettant d'évaluer l'impact des pesticides et du système d'entretien du sol sur la santé et la qualité des sols de vigne, basé (i) sur des données de séquençage à ultra-haut débit et (ii) sur leur traitement par des méthodes prédictives de machine learning. En effet l'impact des modes d'exploitation agricoles et des pesticides sur la qualité et la santé des sols est une préoccupation croissante chez les consommateurs, exploitants et gestionnaires des sols.

Pour évaluer cet impact, des bio-indicateurs tels que les protistes ont un grand potentiel, mais leur utilisation reste limitée car les méthodes actuelles ne permettent pas d'analyser les échantillons de sol de manière détaillée et rapide.

Pour surmonter ces inconvénients, l'identification des espèces basée sur des séquences d'ADN («code-barres») couplée aux nouvelles techniques de séquençage à ultra-haut débit représente une approche prometteuse. Mais l'énorme quantité de séquences et leur grande complexité rend difficile leur traitement par des moyens conventionnels. Il devient donc essentiel de développer des méthodes mariant bioinformatique et machine learning pour (i) quantifier, analyser et traiter les séquences de protistes; (ii) identifier et sélectionner les bio-indicateurs (un sous ensemble de protistes (OTUs)) associés à différents facteurs de stress; mais également de (iii) modéliser leur abondance relative en fonction des différentes conditions, menant ainsi à la construction de modèles diagnostiques. Pour ce projet, nous proposons de développer une approche de biomonitoring dans les sols des vignes basée sur la quantification du metabarcoding de protistes et sur le pouvoir prédictif du machine learning.

Retour