Modelling and solving combinatorial optimisation problems for reverse ecology

Déterminer les conditions de culture des micro-organismes est un problème difficile et récurrent en microbiologie, qui nécessite d’identifier des besoins nutritionnels et caractériser le métabolisme. Les réseaux métaboliques à l’échelle du génome (GSMN) obtenus à partir de données génomiques permettent d’effectuer des simulations de la capacité métabolique d’un organisme à partir d’un environnement prédéfini. Nous avons développé des méthodes qui résolvent le problème inverse : la prédiction des nutriments sources, ou graines, à partir d’un GSMN et d’un objectif métaboliques. Les méthodes proposent des modèles hybrides, combinant une approximation Booléenne discrète et itérative de l’activité métabolique avec des contraintes numériques d’équilibre de flux (FBA). Appliquée à l’échelle d’une population individuelle sur des réseaux métabolique à l’échelle génomique, la méthode de modélisation logique est une bonne approximation des contraintes d’équilibre de flux. Le problème a dans un second temps été étendu aux communautés de micro-organismes. À cette échelle, il est nécessaire de considérer les transferts possibles entre réseaux, ce qui augmente la combinatoire du problème. Nous faisons l’hypothèse qu’il est pertinent d’identifier en priorité des ensembles minimaux de nutriments assurant la fonctionnalité du réseau métabolique, ce qui nous amène à hiérarchiser les optimisations sur les ensembles, en cherchant d’abord à minimiser les graines, puis les transferts. Trois algorithmes ont été mis en place, dont deux assurant la minimalité par inclusion. L’application des méthodes sur des petites communautés de réseaux révèle la complexité combinatoire, mais aussi la complémentarité des algorithmes.