Drought and Heat Tolerance in Plants through AI-Assisted Long Noncoding RNAs Design – DHARP

Le riz est l’une des cultures alimentaires les plus importantes au monde, mais sa productivité est fortement menacée par les effets du changement climatique, en particulier par la fréquence croissante des épisodes de sécheresse et de chaleur extrême. Ces stress abiotiques, souvent combinés, ont un impact majeur sur les rendements et la sécurité alimentaire. Si les programmes classiques d’amélioration génétique ont permis des progrès en matière de tolérance au stress, ils restent longs à mettre en œuvre et limités par des compromis entre croissance et résilience. De nouvelles approches sont donc nécessaires pour permettre aux plantes de réagir plus rapidement et efficacement aux conditions environnementales changeantes.

Ce projet propose d’explorer le potentiel des longs ARN non codants (lncRNA), une classe encore peu étudiée de molécules d’ARN qui ne codent pas pour des protéines, mais sont de plus en plus reconnues comme de puissants régulateurs de l’expression des gènes. Les lncRNA peuvent en effet influencer finement la réponse des plantes au stress, ce qui en fait des leviers prometteurs pour contrôler des traits essentiels à la survie. Toutefois, leur prédiction fonctionnelle représente un défi scientifique majeur, en raison de l’absence de conservation de séquence caractéristique des gènes codants. Néanmoins, les lncRNA ayant des fonctions biologiques similaires partagent souvent de courts motifs conservés, liés à leurs interactions avec des partenaires protéiques. L’identification systématique de ces motifs reste néanmoins un défi computationnel considérable, du fait de leur variabilité, de leur brièveté, et de la complexité des paysages d’interaction ARN — protéines.

L’intelligence artificielle (IA) offre une opportunité unique d’identifier des motifs et signatures fonctionnelles au-delà des similarités de séquence. Nous proposons donc d’utiliser des approches d’apprentissage profond pour réaliser des “embeddings” ou ”incorporations” structurels des lncRNA du riz et de l’Arabidopsis, afin d’identifier ceux impliqués dans la régulation génique en réponse à la chaleur et à la sécheresse. En combinant ces prédictions avec des criblages fonctionnels à haut débit, nous pourrons sélectionner les lncRNA les plus efficaces et élucider leur rôle au sein des réseaux de réponse au stress.

L’objectif ultime est de transformer ces connaissances en outils pratiques, en concevant des lncRNA synthétiques administrés via une technologie innovante de pulvérisation d’ARN, pour améliorer la tolérance des plantes à la chaleur et au manque d’eau — sans recourir à la modification génétique.

Ce projet associe des méthodes d’intelligence artificielle de pointe à la biologie expérimentale végétale à haut débit, afin de poser les bases de nouvelles solutions agricoles intelligentes face au climat, fondées sur les ARN.