Description du sujet de thèse

Le fonctionnement des écosystèmes marins est la résultante de nombreuses interactions entre espèces, déterminant directement ou indirectement certains services : régulation du climat et de la qualité des eaux, approvisionnement en produits marins.... Comprendre ces interactions est donc une clef pour déterminer l'évolution temporelle de tels écosystèmes. Le phytoplancton, compartiment à la base des réseaux trophiques (« chaînes alimentaires »), est extrêmement sensible aux variations environnementales pour lesquelles il peut donc servir d'indicateur. La création de modèles permettant de représenter les influences mutuelles entre les différentes espèces (comme la compétition) est donc d'un grand intérêt. De précédents travaux [Karasiewicz et al., 2018] ont pu établir la niche écologique abiotique d'espèces de micro-algues à partir de méthodes statistiques multi-variées, et ont suggéré le rôle prépondérant des interactions entre espèces sans toutefois pouvoir le caractériser.

À partir de données d'échantillonnage existantes [SRN, 2017], cette thèse a pour but de proposer une méthode de construction automatique de modèles d'interactions entre espèces. Pour cela, l'approche privilégiée sera Learning From Interpretation Transition [Ribeiro et al., 2021], une approche d'apprentissage permettant de produire des programmes logiques à partir d'observations, tout en assurant leur explicabilité, contrairement aux approches statistiques répandues. À partir de ces programmes logiques, il faudra extraire un réseau de réaction permettant soit de simuler temporellement le modèle, soit d'étudier les fluctuations annuelles des populations des différentes espèces de phytoplancton à l'aide de méthodes d'interprétation abstraites. Des améliorations théoriques de la méthode d'apprentissage sont aussi attendues, comme l'évaluation d'algorithmes approchés ou encore l'apprentissage à partir de sémantique Most Permissive [Paulevé et al., 2020].

[Karasiewicz et al., 2018] Stéphane Karasiewicz, Elsa Breton, Alain Lefebvre, Tania Hernández Fariñas, Sébastien Lefebvre. Realized Niche Analysis of Phytoplankton Communities Involving HAB: Phaeocystis Spp. as a Case Study. Harmful Algae 72, 2018. https://doi.org/10.1016/j.hal.2017.12.005
[SRN, 2017] SRN - Regional Observation and Monitoring program for Phytoplankton and Hydrology in the eastern English Channel: 1992-2016 dataset (2017). SEANOE. https://doi.org/10.17882/50832
[Ribeiro et al., 2021] Tony Ribeiro, Maxime Folschette, Morgan Magnin, Katsumi Inoue. Learning any memory-less discrete semantics for dynamical systems represented by logic programs. Machine Learning 11-12, 2021. https://doi.org/10.1007/s10994-021-06105-4
[Paulevé et al., 2020] Loïc Paulevé, Juraj Kolčák, Thomas Chatain, Stefan Haar. Reconciling qualitative, abstract, and scalable modeling of biological networks. Nature Communications 11(4256), 2020. https://doi.org/10.1038/s41467-020-18112-5

Contexte de travail

La personne recrutée rejoindra à titre principal l'équipe BioComputing du laboratoire CRIStAL, et sera hébergée dans le bâtiment ESPRIT du Campus Cité Scientifique de Villeneuve-d'Ascq. Cependant, cette thèse s'inscrit dans une collaboration interdisciplinaire avec le laboratoire LOG à Wimereux. La personne recrutée sera donc encadrée par des spécialistes du côté informatique (modélisation qualitative, apprentissage automatique par programmation logique inductive) comme du côté écologie (écosystèmes planctoniques). Une discussion continuelle entre les deux disciplines sera mise en place, sous la forme de réunions hebdomadaires et de visites sur place, permettant de valider régulièrement l'avancée des travaux, la pertinence des méthodes, et les résultats.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.