Modélisation prédictive de l’expression génique des plantes par l’IA, via l’analyse de la séparation de phases et de la structure de la chromatine. – PlantSCAPE

Répondre aux besoins nutritionnels d'une population mondiale qui augmentera de 2,4 milliards de personnes d'ici trente ans représente un défi majeur pour l’agriculture. Cette croissance nécessitera une augmentation significative de la productivité agricole, tout en tenant compte des impacts croissants du changement climatique. Les vagues de chaleur perturbent gravement les rendements, notamment en interférant avec la floraison et la fertilisation, processus cruciaux pour la production de graines et de fruits. Par ailleurs, les sécheresses aggravées réduisent la viabilité des terres agricoles marginales.

Si les progrès passés reposaient sur la sélection variétale, la mécanisation et l’irrigation, l’ère génomique actuelle permet d’explorer les réseaux génétiques régulant les caractères agronomiques. Pour adapter l’agriculture aux défis climatiques, il devient essentiel d’identifier les bases génétiques de la tolérance au stress et de comprendre les mécanismes d’adaptation des plantes à des environnements hostiles.

Les plantes, étant fixes, ont développé des mécanismes sophistiqués pour percevoir et s’adapter aux stress environnementaux. Parmi eux, la régulation au niveau de la chromatine joue un rôle clé dans l’ajustement dynamique de l’expression génique. L’attention s’est récemment portée sur l’architecture tridimensionnelle du génome, qui influence la régulation des gènes en réponse à des signaux environnementaux ou développementaux. Un processus émergent au cœur de cette organisation est la séparation de phase liquide-liquide (LLPS), qui permet la formation de condensats biomoléculaires concentrant protéines et acides nucléiques, modifiant la structure de la chromatine et régulant finement l'expression génique.

Cependant, bien que des avancées aient été réalisées, exploiter pleinement ces connaissances reste difficile, notamment en raison de la complexité des données issues du séquençage à haut débit. C’est ici que l’intelligence artificielle (IA) peut jouer un rôle transformateur en permettant l’intégration et l’interprétation de ces données complexes.

Dans ce contexte, notre projet vise à exploiter le potentiel de l’IA pour identifier et caractériser les protéines associées à la chromatine impliquées dans la formation de condensats biomoléculaires, afin de contrôler précisément l’expression des gènes chez les plantes. Pour ce faire, nous avons fondé le consortium PlantSCAPE-FK (Plant chromatin Structure, Condensates, and AI-driven Prediction and Exploration), réunissant une équipe française et une équipe Corréenne.

Grâce à l’intelligence artificielle, le projet ambitionne de construire une plateforme prédictive capable d’identifier des protéines régulatrices dans divers génomes végétaux. Des modèles seront utilisés pour détecter les propriétés biophysiques favorisant la séparation de phase. Parallèlement, des modèles d’expression génique basés sur les données de structure chromatinienne seront développés, permettant de prédire l’activité transcriptionnelle selon l’architecture du génome, y compris en conditions de stress.

Ces découvertes seront suivies d'une validation expérimentale des régulateurs identifiés. À long terme, le projet explorera la conception d’outils de biologie synthétique basés sur la LLPS pour moduler finement l’expression des gènes. En réunissant intelligence artificielle, biologie de la chromatine et ingénierie génétique, ce projet vise à poser les bases d’un cadre innovant pour la régulation génique chez les plantes.