L’équipe

Présentation

Notre équipe regroupe des chercheurs, enseignants-chercheurs, doctorant⋅es, étudiants, ingénieurs, titulaires ou précaires, qui travaillent à la modélisation de l’évolution des micro-organismes responsables de maladies infectieuses.

Notre expertise, tant au niveau de la biologie que des outils mathématiques\(^{*}\), statistiques et computationnels, nous permet d’étudier les aspects populationnels de la pandémie de COVID-19, ce que nous faisons depuis le 12 mars 2020.

Ce site rassemble nos travaux sur le sujet. Nous avons rédigé un rapport qui résume nos travaux de modélisation et des notes plus pédagogiques.

Titulaires

Précaires

  • Thomas Bénéteau, doctorant financé par la Ligue contre le Cancer

  • Gonché Danesh, doctorante financée par la Fondation pour la Recherche Médicale

  • Baptiste Elie, étudiant en master 2

  • Bastien Reyné, CDD ingénieur en biostatistiques

  • Quentin Richard, post-doctorant CNRS en modélisation mathématique

ETE : Évolution Théorique et Expérimentale

L’écologie et l’évolution des interactions hôtes - parasites\(^{**}\) sont indissociables et nous les étudions en combinant la démarche empirique à la modélisation.

Les questions principales auxquelles nous tentons de répondre concernent l’évolution des traits parasitaires, ceux de leurs hôtes et de leurs traits partagés (virulence, résistance, tolérance). Nos approches expérimentales vont de l’identification des effets phénotypiques de mutations ponctuelles jusqu’à la caractérisation d’effets de traits polygéniques et plastiques. Nos recherchent théoriques reposent sur l’étude de modèles mathématiques, statistiques ou computationnels, génériques ou appliqués.

L’équipe effectue aussi des analyses de données cliniques et épidémiologiques provenant de maladies infectieuses humaines telles celles causées par les virus de l’immunodéficience humaine (VIH), de la dengue, de l’hépatite C (VHC) et les papillomavirus humains (HPV). Nous nous intéressons en particulier aux phylogénies provenant de données de séquence virales.

Enfin, l’équipe développe des modèles conceptuels afin d’étudier la dynamique épidémiologique et l’évolution des parasites, en particulier de leur virulence. Ces modèles se fondent le plus souvent sur des systèmes dynamiques décrivant l’épidémiologie ou la dynamique intra-hôte des parasites.



\(^*\): Il est intéressant de noter que l’épidémiologie des maladies infectieuses, la dynamique des populations (humaines comme non humaines) et la biologie évolutive partagent toutes les trois une même pierre angulaire méthodologique, à savoir l’analyse d’invasion, dont le désormais célèbre nombre de reproduction de base, \(\mathcal{R}_0\), est l’ambassadeur. Pour une perspective récente sur la généralité de cette analyse et les points communs entre la théorie de ces trois champs, voir par exemple Hurford et al. 2009 (Journal of the Royal Society Interface).
\(^{**}\): Au sens large, c’est-à-dire toute entité biologique qui vit et se reproduit aux dépens d’une autre (l’hôte). Ce terme regroupe donc des virus, des bactéries, des eucaryotes unicellulaires pathogènes, des helminthes.

Rapports

Ces rapports sont avant tout académiques. Ils ne sauraient remplacer des instructions nationales et internationtales. En particulier, les hypothèses faites sont souvent volontairement simplificatrices pour plus de clarté.

Notes

Ces notes sont avant tout à destination pédagogiques. Elles ne sauraient remplacer des instructions nationales et internationtales. En particulier, les résultats présentés peuvent changer rapidement en fonction des données disponibles.

Logiciels

Ces logiciels sont avant tout académiques. Ils ne sauraient remplacer des instructions nationales et internationales. En particulier, les hypothèses faites sont souvent volontairement simplificatrices.

Publications

Travaux scientifiques (en anglais)

  • [preprint] Mircea T. Sofonea, Bastien Reyné, Baptiste Elie, Ramsès Djidjou-Demasse, Christian Selinger, Yannis Michalakis, Samuel Alizon (2020, medRxiv) Epidemiological monitoring and control perspectives: application of a parsimonious modelling framework to the COVID-19 dynamics in France [PDF]

  • [preprint] Ramsès Djidjou-Demasse, Yannis Michalakis, Marc Choisy, Mircea T. Sofonea, Samuel Alizon (2020, medRxiv) Optimal COVID-19 epidemic control until vaccine deployment [PDF]

Diffusion des savoirs

Articles

  • Samuel Alizon (2020, La Recherche) Les hasards variables des émergences virales

Podcasts et vidéos

Dans la presse

  • Épidémiologiste, infectiologue, virologue… tous experts, mais de quoi ? (Le Parisien, le 24 mai 2020)

  • Ces départements plus verts que verts (Le Parisien, le 20 mai 2020)

  • Quels sont maintenant les scénarios possible? (Le Figaro, le 19 mai 2020)

  • En Italie, un déconfinement un peu trop rapide ? (Le Parisien, le 17 mai 2020)

  • Les modèles sont utiles… quand ils sont considérés avec leurs incertitudes (L’Opinion, le 12 mai 2020)

  • Quand pourra-t-on juger de la réussite ou de l’échec du déconfinement ? (Le Parisien, le 14 mai 2020)

  • Pourra-t-on refaire tout ce que nous faisions du jour au lendemain ? Libération, le 5 mai 2020)

  • Covid-19 et déconfinement : d’où vient le seuil de 3000 infections par jour ? Science & Avenir, le 1er mai 2020)

  • Le «R zéro», nombre de reproduction, indicateur clé… mais volatile (Le Parisien, le 30 avril 2020)

  • Tous dehors ou pas ? Le casse-tête du gouvernement La Gazette, le 27 avril 2020)

  • Comment a été conçu le classement des 40 meilleurs pays face au Covid… où la France n’apparaît pas ? (Libération, le 24 avril 2020)

  • La piste du stop-and-go pour mettre progressivement fin au confinement (Le Parisien le 22 avril 2020)

  • Pourquoi le Sras de 2003, aussi contagieux que le Covid-19, n’a-t-il pas fait le tour de la planète ? (Libération, le 20 avril 2020)

  • La phylodynamique, l’autre traque du coronavirus (Le Monde, 20 avril 2020)

  • «Aux alentours du 11 mai, l’épidémie sera toujours là» (Libération, 19 avril 2020)

  • Les croisières et le coronavirus, un mélange dangereux, mais à quel point ? (Ouest France, via AFP, 15 avril 2020)

  • Coronavirus : l’immunité collective, une incertitude qui pèse sur le déconfinement (La Croix

  • Moins de 5 cas graves ou 0 mort, ces «zones blanches» de l’épidémie en France Le Parisien

  • Discussions scientifiques autour de la transmission du Covid-19 (Libération, 9 avril 2020)

  • Déconfinement : les doutes des scientifiques sur le traçage numérique (Le Parisien)

  • Confinement : comment en sortir ? (Science & vie, 8 avril 2020)

  • Covid-19 : la traque génomique du virus sur Nextstrain (Sciences & Avenir, 7 avril 2020)

  • Coronavirus : les départements «épargnés» le resteront-ils ? (Le Parisien, 6 avril 2020)

  • Le confinement ne fera pas disparaître l’épidémie (Médiapart, 5 avril 2020)

  • La fin du confinement scrutée par un épidémiologiste (Libération, 3 avril 2020)

  • Comment l’épidémiologie tente de cerner l’épidémie due au nouveau coronavirus (Le Monde, 30 mars 2020)

  • Coronavirus : Qu’est-ce que l’« immunité collective » et pourquoi c’est un pari très risqué ? (20 Minutes, 24 mars 2020)

  • Coronavirus: le pari risqué de la stratégie d’immunité de groupe (L’Opinion, 23 mars 2020)

  • COVID-19 : comment sont conçus les modèles des épidémies ? (CNRS le Journal, 20 mars 2020)

  • L’immunité collective peut-elle avoir raison de l’épidémie ? (Philosophie Magazine, 20 mars 2020)

Liens

Visualisation

Modélisation

Données

Phylodynamique

  • La plateforme Nextstrain : des analyses de phylogénies presque en temps réel.

  • Analyses et discussions de phylodynamique.

\(\mathcal{R}(t)\)

Cette carte représente \(\mathcal{R}(t)\), le nombre de reproduction de l’épidémie de COVID-19 aux alentours du 13 mai 2020 dans des départements français à partir des données d’hôspitalisations de Santé publique France en date du 23 mai 2020. La méthode est identique à notre application en ligne Rt.

Attention, cette carte n’est qu’une tendance de l’épidémie. On peut donc avoir une situation critique avec énormément d’hospitalisations tout en ayant une épidémie en décroîssance. À l’inverse, on peut avoir une épidémie en croissance mais avec un nombre très limité d’hospitalisations. Pour voir l’état actuel de l’épidémie, on peut se référer à la carte officielle.

Le code couleur utilisé pour les estimations de \(\mathcal{R}(t)\) est le suivant :

  • : la borne inférieure de l’intervalle de crédibilité à 95 % est au dessus de 1 (l’épidémie était en croissance vers le 13 mai 2020) ;
  • : \(\mathcal{R}(t) > 1\) mais la borne inférieure de l’intervalle de crédibilité ne l’est pas (l’épidémie semblait en croissance mais on ne peut en être sûr à 95 %) ;
  • : \(\mathcal{R}(t) < 1\), mais la borne supérieure de l’intervalle de crédibilité ne l’est pas (l’épidémie semblait en décroissance mais on ne peut en être sûr à 95 %) ;
  • : la borne supérieure de l’intervalle de crédibilité à 95 % est inférieure 1 (l’épidémie était en décroissance) ;
  • hachures : pas d’estimation de \(\mathcal{R}(t)\) disponible (souvent car trop peu de cas).

Quelques détails

Comme expliqué en détail dans la notice de notre application Rt, l’évolution de la dynamique d’une épidémie peut être décrite grâce au nombre de reproduction effectif, noté \(\mathcal{R}(t)\). Ce nombre correspond au nombre moyen de nouvelles infections engendrées par chaque individu contagieux au cours de son infection.

Tant que \(\mathcal{R}(t)\) est supérieur à 1, l’épidémie perdure car chaque infection en engendre plus d’une nouvelle. Les politiques de santé publique (gestes barrières, distanciation sociale, confinement, porte du masque) ont pour enjeu de ramener \(\mathcal{R}(t)\) sous le seuil de 1 et donc de faire décroître l’épidémie. L’immunisation de la population (par infections naturelles ou par vaccinations) fait aussi diminuer \(\mathcal{R}(t)\).

Cependant, un \(\mathcal{R}(t)\) à une échelle nationale ne prend pas en compte l’hétérogénéité géographique. C’est pour cela que nous avons réalisé cette représentation à une échelle départementale.

Des précisons quant aux hypothèses et à la méthode utilisée (EpiEstim) ainsi que des estimations précises des valeurs de \(\mathcal{R}(t)\) sont disponibles sur notre application de calcul.

Le fond de carte utilisé a été mis à disposition par OpenStreetMap sous licence ODbL.

Soutiens

Depuis le 30 avril, nous avons reçu le soutien de la région Occitanie dans le cadre de son appel « Urgence Recherche Covid-19 ». Celle-ci a convaincu l’Agence Nationale de la Recherche de financer pour moitié notre projet.

Pour les titulaires, nos institutions (CNRS, IRD, Université de Montpellier) nous font encore confiance pour choisir nos sujets de recherche et nous fournissent un minimum de soutien de base. En revanche, pour les précaires, ce travail ce fait au détriment d’autres projets financés ou en plus de leurs sujets de thèse ou de stage. Sans ces autres projets, ce travail n’aurait pas pu être réalisé (en tout cas pas à cette échelle).

Nous sommes aussi reconnaissants à la plateforme South Green, qui nous donne accès au calculateur à haute performance itrop de l’IRD de Montpellier (plus de détails sur bioinfo.ird.fr).

Enfin, ce travail a aussi été permis par la mise à disposition des données liées à l’épidémie par Santé Publique France et à l’initiative GISAID - Global Initiative on Sharing All Influenza Data et aux laboratoires français et internationaux pour le partage des séquences génomiques virales.