l'imagerie, du métabolisme, de la médecine clinique et de l'environnement. Bien que des initiatives récentes aient montré
l’intérêt des graphes de connaissances (Knowledge Graph, KG) pour cartographier les interactions bactéries-hôtes et les
liens entre microbiome, pathologies et environnements, ces travaux restent fragmentés et concentrés sur des grands types
de microbiomes. De plus, les dynamiques spatio-temporelles à différentes échelles ne sont encore que partiellement mo-
délisées. Pour répondre à ce double défi d’intégration et de modélisation, nous proposons la modélisation conceptuelle et
l’implémentation d'un KG, intégrant les différentes entités d’un microbiome ainsi que leur dynamique spatio-temporelle.
Ce projet vise à proposer une méthodologie permettant d’intégrer des données issues d’écosystèmes dynamiques et hé-
térogènes, dans un contexte de Santé Unique (One Health). Étant donnée la complexité de l’intégration des données multi-
omiques, agronomiques, environnementales et atmosphériques, notre objectif est de concevoir, via une collaboration in-
ter-disciplinaire, un schéma de KG complexe, évolutif et interopérable où les annotations spatio-temporelles rendront ex-
plicite la dynamique des écosystèmes. Les participants identifieront les KG existants et les entités clé, puis définiront leurs
relations sémantiques formelles en s‘appuyant sur des ontologies de référence. Le KG sera validé par des cas d’usage ci-
blant (i) l’identification et les dynamiques des taxons et fonctions et (ii) la dissémination spatio-temporelle des gènes an-
timicrobiens. Ces deux cas d’usage seront appliqués à des microbiomes variés (air/nuage, phytotelmes, holobiontes de
plantes, biomasses résiduelles en agriculture, aliments fermentés). En offrant un cadre formalisé, ce projet permettra aux
chercheurs d'harmoniser les KG existants, d’améliorer l’interopérabilité technique et sémantique d’informations d’origine
et de types divers, et de faciliter l’exploration de questions scientifiques transversales. Ces KG pourront alimenter égale-
ment des IA génératives, par l’intermédiaire de techniques de génération à enrichissement contextuel (RAG) pour dévelop-
per des agents conversationnels dédiés à l’étude des microbiomes.