biology-systems-ecology

name	biology-systems-ecology
description	Compétence niveau expert en biologie computationnelle des systèmes et écologie. Couvre la biologie systémique ML, les réseaux de régulation génique, la signalisation cellulaire, l'écologie des communautés, la phylogénie, la macroécologie, la biogéographie, la biologie évolutive, la biologie synthétique, et la modélisation multi-échelle du vivant.
category	research
domain	biology

Biologie Computationnelle des Systèmes & Écologie

Présentation

Ce skill couvre l'application de l'intelligence artificielle, du machine learning et de la modélisation computationnelle à la biologie des systèmes et à l'écologie. Il aborde la biologie systémique, l'écologie des communautés, la phylogénie et l'évolution, la macroécologie et la biogéographie, la biologie évolutive computationnelle, et la biologie synthétique.

1. Biologie des Systèmes

Réseaux de Régulation Génique (GRN)

• Network inference ML: inférence de réseaux de régulation à partir de données transcriptomiques
• Boolean networks: modèles booléens de GRN, attracteurs, basins
• Dynamical systems: modèles ODE de réseaux géniques, bifurcations
• Single-cell GRN: inférence de réseaux à partir de données single-cell RNA-seq

Signalisation Cellulaire et Métabolismes

• Signalisation cellulaire: modélisation de voies de signalisation (MAPK, PI3K, Wnt)
• Fluxomics: analyse de flux métaboliques, 13C-MFA
• Metabolic modeling: modèles GEM (Genome-scale metabolic models)
• Protein-protein interaction: prédiction ML d'interactions protéine-protéine

Interactome

• Interactome networks: reconstruction du réseau global d'interactions
• Multi-omics integration: intégration de données transcriptomiques, protéomiques, métabolomiques
• Network perturbation analysis: analyse des perturbations et knock-out

2. Écologie des Communautés

Réseaux Trophiques

• Food web inference: reconstruction de réseaux trophiques par ML
• Trophic dynamics: modélisation des dynamiques prédateur-proie (Lotka-Volterra ML)
• Stability analysis: analyse de stabilité des réseaux écologiques

Théories de Coexistence

• Coexistence theory: modèles modernes de coexistence (structural stability)
• Neutral theory: modèles neutres de biodiversité
• Metacommunity theory: modèles de métacommunautés (patch dynamics, species sorting)

Analyse de Biodiversité

• Beta diversity ML: modélisation de la diversité bêta avec ML
• Ordination: analyses multivariées (NMDS, PCA, CA, RDA) augmentées par ML
• Gradient analysis: modélisation des gradients environnementaux
• Species distribution modeling: MaxEnt, SDM deep learning, ensemble models

3. Phylogénie et Évolution

Arbres Phylogénétiques

• Phylogenetic trees: reconstruction ML d'arbres phylogénétiques
• Maximum likelihood: IQ-TREE, RAxML-NG optimisation par ML
• Bayesian phylogenetics: BEAST, MrBayes avec accélération ML
• Ancestral state reconstruction: reconstruction d'états ancestraux par ML

Macroévolution

• Diversification rates: estimation ML des taux de spéciation et d'extinction
• Selection detection ML: détection de sélection positive et négative
• Convergent evolution: détection d'évolution convergente via ML
• Phylogenetic signal: mesure du signal phylogénétique dans les traits

4. Macroécologie et Biogéographie

Patterns Globaux

• Species richness: modélisation de la richesse spécifique globale
• Range dynamics: dynamique des aires de répartition sous changement climatique
• Island biogeography: modèles ML d'équilibre insulaire (ETIB)

Règles Macroécologiques

• Rapoport's rule: validation computationnelle des règles biogéographiques
• Latitudinal gradients: analyse des gradients latitudinaux de biodiversité
• Species-area relationship: modélisation de la relation espèces-surface
• Macroecological ML: deep learning pour patterns macroécologiques à grande échelle

5. Biologie Évolutive Computationnelle

Fitness et Adaptation

• Fitness landscapes: reconstruction et analyse de paysages adaptatifs
• Evolutionary simulation: simulations évolutionnaires (Avida, digital evolution)
• Adaptive dynamics: modèles de dynamiques adaptatives
• Phylogenetic comparative methods: méthodes comparatives phylogénétiques ML

Trait Evolution

• Trait evolution: modélisation de l'évolution des traits
• Phylogenetic regression: régression phylogénétique (PGLS)
• Evolutionary rates: estimation de taux d'évolution
• Trait-environment correlations: corrélations trait-environnement

6. Biologie Synthétique

Conception Génétique

• BioBricks: design assisté par IA de biobriques
• Genetic circuits: conception de circuits génétiques synthétiques
• Directed evolution ML: apprentissage pour évolution dirigée (protein engineering)
• Genome design: design de génomes minimaux

Applications

• Metabolic engineering: optimisation de voies métaboliques par ML
• Minimal genome: identification du génome minimum
• Synthetic ecosystems: construction d'écosystèmes synthétiques
• Cell-free systems: optimisation de systèmes acellulaires

Catégories

• q-bio.QM (Quantitative Methods): modélisation systémique
• q-bio.GN (Genomics): GRN, génomique
• q-bio.MN (Molecular Networks): réseaux, interactome
• cs.LG (Machine Learning): inférence, prédiction
• cs.AI (Artificial Intelligence): biologie synthétique