stafav

Wilson Toussile

Université de Paris-Sud 11, France

wilson.toussile-fomazou@u-psud.fr

www.u-psud.fr/~toussile

Sujet de thèse : Interactions entre génomes de Plasmodium  et du moustique : sélection de variables et modèles de transmission.

Encadrement : Pr. Henri Gwet (ENSP Yaoundé, Cameroun), Dr. Isabelle Morlais (CR1, IRD), Pr. Elisabeth Gassiat (U. Paris-Sud 11).
Doctorat commencé en 2007.

Description : Les régions tropicales restent affectées par le paludisme à cause des échecs des programmes antérieurs de lutte contre cette maladie, échecs liés en grande partie à l'émergence de résistances de Plasmodium aux antipaludiques et des moustiques aux insecticides. De nouvelles initiatives de lutte contre la transmission de Plasmodium reposent sur des stratégies visant à bloquer le cycle de ce parasite chez le moustique. Ces initiatives nécessitent la compréhension des interactions génétiques entre le parasite et son vecteur.

L'identification et la modélisation des interactions génétiques parasite / vecteur dans un contexte où plusieurs populations de parasites et de vecteurs coexistent reste un chanllenge. Cette modélisation permettrait pourtant de mieux comprendre l'épidémiologie de la transmission de Plasmodium et d'améliorer les stratégies de lutte contre le paludisme et d'autres maladies transmises à l'homme par les moustiques.

Mon travail de thèse consiste à  modéliser et caractériser les interactions génétiques du système "parasite/vecteur" en partant du cas spécifique du paludisme.

Axes de recherche : 

1 - Classification non surpervisée.

2 - Sélection de variables : critères asymptotiques, critères non-asymptotiques.

Logiciel : MixMoGenD (Mixture Model for Genotype Data)

Il s'agit d'un logiciel développé en c++ permettant de faire la sélection de variables dans une classification non-supervisée à partir de données génétiques multi-locus. Les versions pour les SE Windows et linux sont téléchargeables gratuitement ici, ainsi que des exemples de données simulées qui montrent que la procédure de sélection de variables améliore de façon significative l'inférence sur le nombre de clusters.