L'évolution dirigée est une pierre angulaire de la biologie de synthèse, mais son succès reste fortement contraint par le génotype initial. Cette capacité latente d'innovation—appelée évoluabilité—varie considérablement d'une protéine ou d'une souche microbienne à l'autre, même lorsqu'elles sont proches, en raison de compromis biophysiques et de contingences historiques. Financée par le projet ANR ProtEvol, cette thèse vise à décrypter et à s'approprier les déterminants de l'évoluabilité à deux échelles biologiques. Au niveau macromoléculaire, nous développerons une nouvelle stratégie de diversification génomique sans plasmide afin de cartographier les trajectoires adaptatives de différents homologues de kinases de la famille ROK, en s'appuyant sur des collaborations en IA et en apprentissage automatique pour extraire les caractéristiques de séquence prédictives de la promiscuité fonctionnelle. Simultanément, à l'échelle de l'organisme, nous utiliserons la plateforme automatisée de culture continue GM3 pour évaluer comment des souches d'Escherichia coli ayant des profils d'assimilation du pyruvate divergents évoluent vers une formatotrophie synthétique basée sur les composés en C1. En combinant la diversification de séquences à haut débit, l'apprentissage automatique et l'évolution automatisée, ce travail transformera l'évoluabilité, concept évolutif abstrait, en un paramètre prédictif et contrôlable pour la bioproduction industrielle.