Doctorant F/H - Technopole de Sophia Antipolis, France - INRIA

Description

Contexte et atouts du poste

La thèse se déroulera à l'Inria Sophia Antipolis, conformément à la réglementation du centre. Les rémunérations en vigueur seront appliquées. De plus, le doctorant bénéficiera d'avantages tels que la restauration sur place et le remboursement partiel des frais de transport, entre autres.

Les communautés microbiennes revêtent une importance capitale en écologie, particulièrement dans les écosystèmes marins. Les microalgues, algues microscopiques capables de photosynthèse, jouent un rôle crucial dans la capture d'au moins 50% du CO2 produit par les activités humaines. Ces microorganismes forment des écosystèmes dynamiques qui coopèrent, se renouvellent et s'adaptent. Selon les principes de l'évolution darwinienne, il est postulé que ces populations ont affiné leurs capacités d'adaptation pour prospérer dans leurs environnements respectifs. Ainsi, les organismes les mieux adaptés tendent à persister dans le temps, tandis que ceux moins capables de gérer efficacement leurs ressources sont voués à une disparition progressive. Par conséquent, explorer les dynamiques de ces microorganismes et leurs interactions, notamment la compétition pour des ressources limitées, revient à investiguer un problème d'optimisation de leur capacité de survie et d'adaptation (fitness).
L'objectif de cette thèse est d'analyser les dynamiques de compétition entre populations microbiennes au sein d'un écosystème donné, confrontées à des ressources limitées et affectées par des facteurs environnementaux fluctuants, notamment la température, un facteur crucial dans le contexte du changement climatique. Nous prévoyons d'améliorer et d'élargir les modèles mathématiques existants, formulés à travers des équations différentielles ordinaires (EDOs) et, potentiellement, des EDOs à retards, pour modéliser la dynamique des populations en compétition. Un aspect central de cette recherche sera l'étude des systèmes chemostats multi-espèces ([1]), qui prennent en compte diverses sources de nutriments pouvant être complémentaires ou substituables ([2]). À partir de ces modèles classiques, nous envisageons d'élargir notre étude pour inclure les impacts de la température et de la lumière sur les microalgues ([3-7]).

Références citées :
[1] Smith, H.L. and Waltman, P., 1995. The theory of the chemostat: dynamics of microbial competition (Vol. 13). Cambridge university press.
[2] León, J.A. and Tumpson, D.B., 1975. Competition between two species for two complementary or substitutable resources. Journal of theoretical Biology, 50, pp
[3] Béchet, Q., Coulombier, N., Vasseur, C., Lasserre, T., Le Dean, L., Bernard, O. . Full-scale validation of an algal productivity model including nitrogen limitation. Algal research, 31,
[4] Béchet, Q., Moussion, P., Bernard, O., 2017. Calibration of a productivity model for the microalgae Dunaliella salina accounting for light and temperature. Algal Research, 21, pp
[5] Bernard, O., 2011. Hurdles and challenges for modelling and control of microalgae for CO2 mitigation and biofuel production. Journal of Process Control, 21, pp
[6] Blanken, W., Postma, P.R., Winter, L., Wijffels, R. H., Janssen, M. . Predicting microalgae growth. Algal research, 14, 28-38.
[7] Darvehei, P., Bahri, P. A., Moheimani, N. R. . Model development for the growth of microalgae: A review. Renewable and Sustainable Energy Reviews, 97,

Mission confiée

L'analyse des comportements de ces modèles et la prédiction des résultats des interactions compétitives, dans divers contextes, sont d'une importance capitale, en particulier pour les applications biotechnologiques où ces microorganismes sont cultivés dans des écosystèmes artificiels. L'objectif est de contrôler ces systèmes, décrits par des modèles mathématiques, afin de moduler la compétition, privilégiant ainsi les espèces les plus bénéfiques pour des applications spécifiques en biotechnologie, avec pour finalité l'optimisation des rendements de ces cultures. Dans le cadre de cette thèse, nous explorerons l'application d'une pression de sélection optimale (par le biais de la température ou de la lumière, mais aussi du taux de dilution, qui sont des variables contrôlables dans un photobioréacteur), pour favoriser les espèces de microalgues qui maximisent la transparence (améliorant ainsi la pénétration de la lumière et, par conséquent, la productivité) ou celles qui accumulent les contenus en lipides les plus propices pour l'extraction de biocarburants ([5,11,14]). Ce problème de sélection optimale d'espèces représente un défi d'optimisation à la fois original et complexe. Il peut être envisagé comme ayant un objectif à deux niveaux : d'une part, le critère de performance à optimiser (tel que la productivité sous certaines conditions) n'est pas nécessairement celui directement ciblé dans un contexte de stress et de séparation d'espèces ; d'autre part, notre but lors de la phase de sélection est d'optimiser et de favoriser une espèce spécifique, en veillant à ce qu'elle réponde également à des critères supplémentaires essentiels (comme augmenter la productivité grâce à une transparence accrue, ou améliorer le rendement en biocarburants grâce à une composition lipidique optimale). Cette dualité dans
les objectifs, et cette structure particulière du problème de contrôle optimal, ainsi que la méthodologie en découlant, constituent des aspects forts de ce projet de thèse.

Il est important de souligner que l'optimisation de ces systèmes représente un défi majeur en biotechnologie. Les difficultés rencontrées découlent de la complexité inhérente à la modélisation de microorganismes vivants et de l'interaction entre la biologie et la physique, qui se manifeste de manière particulièrement complexe ([3-7]). Des outils de contrôle, d'optimisation et de contrôle optimal géométrique ([8,9]) seront intensivement développés et appliqués, à la fois sur le plan théorique et numérique, pour aborder et résoudre les défis soulevés. L'un des principaux objectifs de cette thèse, suivant la phase de modélisation mathématique, consiste à étudier les questions d'optimisation des cultures. Ces questions sont formulées dans le cadre de problématiques de contrôle optimal diversifiées (similaires aux problèmes étudiés dans [10-13]), englobant plusieurs espèces, sources de compétition, et vecteurs de contrôle. Nous nous concentrerons sur les problèmes de contrôle optimal visant à mieux comprendre la compétition et d'autres interactions entre espèces microbiennes, évoluant dans un milieu contenant différents substrats et sous l'influence de variations de température et de lumière. L'analyse portera sur les modèles dynamiques pour examiner leur convergence, les états d'équilibre et les comportements asymptotiques, évaluer la contrôlabilité des systèmes, déterminer des cibles spécifiques dans les problèmes d'optimisation, et explorer théoriquement la faisabilité de les atteindre. Les problèmes de contrôle optimal sélectionnés viseront à maximiser des indicateurs clés tels que la productivité des cultures. Nous chercherons à caractériser les stratégies optimales pour promouvoir les espèces les plus avantageuses pour les applications biotechnologiques, en appliquant par exemple le principe de Pontryagin ([8-13]) pour établir les conditions nécessaires des contrôles optimaux et en résolvant numériquement les problèmes de contrôle optimal identifiés.

Références citées :
[1] Smith, H.L. and Waltman, P., 1995. The theory of the chemostat: dynamics of microbial competition (Vol. 13). Cambridge university press.
[2] León, J.A. and Tumpson, D.B., 1975. Competition between two species for two complementary or substitutable resources. Journal of theoretical Biology, 50, pp
[3] Béchet, Q., Coulombier, N., Vasseur, C., Lasserre, T., Le Dean, L., Bernard, O. . Full-scale validation of an algal productivity model including nitrogen limitation. Algal research, 31,
[4] Béchet, Q., Moussion, P., Bernard, O., 2017. Calibration of a productivity model for the microalgae Dunaliella salina accounting for light and temperature. Algal Research, 21, pp
[5] Bernard, O., 2011. Hurdles and challenges for modelling and control of microalgae for CO2 mitigation and biofuel production. Journal of Process Control, 21, pp
[6] Blanken, W., Postma, P.R., Winter, L., Wijffels, R. H., Janssen, M. . Predicting microalgae growth. Algal research, 14, 28-38.
[7] Darvehei, P., Bahri, P. A., Moheimani, N. R. . Model development for the growth of microalgae: A review. Renewable and Sustainable Energy Reviews, 97,
[8] Schättler, H. and Ledzewicz, U., 2012. Geometric optimal control: theory, methods and examples (Vol. 38). New York: Springer.
[9] Vinter, R.B., 2000. Optimal Control. Birkhäuser, Boston.
[10] Bayen, T. Mairet, F., 2014. Optimization of the separation of two species in a chemostat. Automatica, 50, pp
[11] Djema, W., Bayen, T., Bernard, O., 2022. Optimal Darwinian Selection of Microorganisms with Internal Storage. Processes, 10, p.461.
[12] Djema, W., Giraldi, L., Maslovskaya, S. Bernard, O., 2021. Turnpike features in optimal selection of species represented by quota models. Automatica, 132, p
[13] Caillau, J.B., Djema, W., Gouzé, J.L., Maslovskaya, S. and Pomet, J.B., 2022. Turnpike property in optimal microbial metabolite production. Journal of Optimization Theory and Applications, 194, pp
[14] Bonnefond, H., Grimaud, G., Rumin, J., Bougaran, G., Talec, A., Gachelin, M., Boutoute, M., Pruvost, E., Bernard, O., Sciandra, A., 2017. Continuous selection pressure to improve temperature acclimation of Tisochrysis lutea. PloS one, 12, p.e

Principales activités

A. Calendrier prévisionnel en début de thèse :
Tâche 1. Etude bibliographique et formation théorique - Examiner les travaux existants relatifs aux modèles chemostat et à l'optimisation des cultures microbiennes, se former aux outils de modélisation mathématique, d'optimisation, et de contrôle optimal géométrique.
Tâche 2. Développement et approfondissement des modèles mathématiques - Modéliser les microorganismes et leurs interactions selon les besoins de la thèse, identifier les variables contrôlables (température, lumière, taux de dilution, etc.) dans photobioréacteur, et définir les objectifs d'optimisation.
Tâche 3. Analyse des modèles dynamiques - Étudier la convergence asymptotique et les états d'équilibre des modèles mathématiques, évaluer la contrôlabilité des systèmes selon le choix des cibles d'optimisation. Examiner l'attaignabilité des cibles définies.
Tâche 4. Application des modèles au problème spécifique - Appliquer les modèles au contexte de la sélection d'espèces de microalgues et utiliser les outils adéquats de contrôle optimal, tant théoriques (e.g., principe de Pontryagin) que numériques (méthodes d'optimisation directes).
Tâche 5. Simulations numériques et rédaction des premiers résultats - Réaliser des simulations numériques pour tester les modèles développés et les stratégies de contrôle, explorer la pression de sélection optimale et envisager son utilisation concrète, affiner ces approches en fonction des données recueillies, ajuster les stratégies de contrôle, rédiger les résultats obtenus sous forme de publications, préparer les étapes suivantes et d'autres publications potentielles basées sur les résultats obtenus.

B. Suivi continu tout au long de la thèse :

• Réunions régulières avec les encadrants

• Participation à des formations scientifiques et transversales

• Rédaction de publications, participation aux conférences et workshops

• Forte interaction avec les partenaires de l'équipe Biocore, notamment avec les startups Inalve et DareWin issues des projets de l'équipe, spécialisées dans la production de microalgues et la sélection des espèces les plus favorables

Avantages

Rémunération

Durée: 36 mois
Localisation: Sophia Antipolis, France
Rémunération: 2100€ brut mensuel (année 1 & 2) et 2190€ brut mensuel (année 3)