Journées de formation
«Mathématiques et informatique
pour les Sciences de la Vie et de la Terre »
modèles déterministes et stochastiques
les 29 et 30 septembre 2010
Fiche de travaux pratiques
But du TP
L’objectif de la séance de travaux pratiques est double. Il s’agit tout d’abord de manipuler
des modèles mathématiques dans le domaine de la biologie et d’en évaluer les limites. Par
Présentation
ailleurs, divers outils sont présentés pour l’utilisation de ces modèles, on pourra en apprécier la
pertinence selon le but poursuivi. Les interfaces web offrent une grande simplicité d’utilisation,
Deux journées de formation spécifiquement conçues pour les Inspecteurs de mathématiques de l’Éducation
mais l’emploi d’un logiciel de calcul scientifique permet de modifier, enrichir le modèle ou la
nationale sont organisées par l’antenne de Bretagne de l’École normale supérieure de Cachan, sur le
méthode numérique.
thème :
« Mathématiques et informatique pour les sciences de la vie et de la Terre »
Environnement informatique
modèles déterministes et stochastiques
La séance a lieu dans la salle libre-service linux ; des comptes « invités » ont été créés :
Descriptif de la formation login :
mot de passe :
Cette formation se déroule pour la cinquième année consécutive sur le campus de Ker Lann. En 2006,
elle était organisée par le département Informatique et télécommunications de l’ENS Cachan - Bretagne
(organisateur
1 Un : Luc Bougé) et
modèle portait sur la théorie
déterministe de l’information et les communications. En 2007,
en épidémiologie
le département Mathématiques de l’ENS Cachan Bretagne et l’ENSAI (organisateurs : François Coquet,
ENSAI et Michel Pierre, ENS Cachan - Bretagne) se sont associés pour proposer la formation sur le
Le modèle SIR (SIMG)
thème « Statistiques et applications multi-disciplinaires ». En 2008, deux journées centrées autour
de la « On
modélisation
note S(t),numérique de phénomènes
I(t), M(t), G(t) physiques
les populations » ont
d’individus étéinfectieux,
sains, organisées par et
morts le guéris,
département
Mathématiques (organisateurs
à l’instant : Virginie
t. Les paramètres Bonnaillie-Noël
du modèle et Grégory
sont le taux Vial). rL’an
de contagion dernier,
, le taux les départements
de mortalité a
et le taux
d’informatique de guérison
et de b.
mathématique ont mis en place conjointement la formation «Algorithmique : une
approche raisonnée » (organisateurs
: 0 Luc Bougé et Grégory Vial).
S (t) = −r S(t)I(t)
I 0 (t) = r S(t)I(t) − (a + b)I(t)
Cette année, la formation s’articule autour de l’utilisation de modèles mathématiques dans les sciences
de la vie et de la Terre. Deux cours
M 0d’introduction
(t) = aI(t) sont prévus, portant sur les aspects déterministes
et probabilistes de la modélisation 0 biologie. Une séance de travaux pratiques permettra d’illustrer
en
G (t) = bI(t)
l’utilisation de l’outil informatique dans ce contexte. Enfin, plusieurs exposés traitant de sujets de
recherche actuelle permettront d’aborder différents domaines d’application (dynamique des populations,
épidémilogie, modélisationd’une
1.1 Utilisation des glaciers, génomique) tout en développant une large palette d’outils
Applet Java
mathématiques (équations aux dérivées partielles, processus stochastiques, méthodes statistiques,
algorithmesUne bio-informatiques).
interface Web est disponible à l’adresse suivante pour la résolution du modèle SIR :
[Link]
Elle a été utilisée dans le cadre d’une animation “À la découverte de la science” en classe de
Terminale, par J. Charrier et G. Vial. Les questions suivantes étaient posées aux élèves pour
les faire utiliser la simulation.
Question 1. Observer les courbes obtenues dans les cas : “sans épidémie” et “avec épidémie”.
Question 2. On se place dans le cas “avec épidémie”.
– Combien de personnes sont mortes de la maladie au bout de 25 jours ?
– Combien n’ont jamais été malades ?
– Est-ce que la maladie s’est éteinte au bout de 10 jours ? 25 jours ?
Question 3.
On se place dans le cas “avec épidémie”. Faire varier Tmax progressivement jusqu’à la valeur Tmax =
1000. Observations ? Suggestions ?
Question 4. On se place dans le cas “sans épidémie”. Pour quelle(s) valeur(s) de r a-t-on épidémie ?
Question 5. On se place dans le cas “sans épidémie”. Pour quelle(s) valeur(s) de a a-t-on épidémie ?
Question 6. On se place dans le cas “sans épidémie”. Pour quelle(s) valeur(s) de b a-t-on épidémie ?
Observer le nombre de morts au bout de 25 jours quand on augmente la valeur de b.
1.2 Pour aller plus loin : utilisation de Scilab
Télécharger le script
[Link]
L’exécuter dans Scilab, les courbes obtenues correspondent à celles déjà visualisées dans
l’Applet Java. Il est possible de modifier les paramètres, comme plus haut, en éditant le
fichier [Link].
On peut aussi facilement modifier l’équation différentielle à résoudre. Par exemple, le modèle
suivant prend en compte (assez naïvement) l’introduction d’un vaccin à l’instant τ (le taux
de vaccination est noté c) :
0
S (t) = −r S(t)I(t) − cS(t)It≥τ
I 0 (t) = r S(t)I(t) − (a + b)I(t)
M 0 (t) = aI(t)
0
G (t) = bI(t) + cS(t)It≥τ
Modifier le fichier [Link] pour simuler ce modèle.
2 Un modèle aléatoire en génétique
Le modèle de Wright-Fisher
On considère une population haploïde où un gène est présent sous deux allèles seulement :
A et B. Chaque individu possède un seul exemplaire du gène, sous la forme A ou B. Si Xn
désigne le nombre d’allèles A dans la population au temps n, un modèle simple pour décrire
l’évolution de la répartition des allèles au cours des générations s’écrit
N i j i N−j
P(Xn+1 = j | Xn = i ) = 1−
j N N
La donnée de la taille N de la population, et du nombre initial X0 d’allèles A déterminent
complètement le modèle.
2.1 Utilisation de Javascript-Canvas
Une petite interface Web est disponible à l’adresse
[Link]
Elle permet de simuler la variable aléatoire Xn , et donc de visualiser la répartition des allèles
A et B dans les populations successives.
2.2 Pour aller plus loin : utilisation de Scilab
Télécharger le script
[Link]
L’exécuter dans Scilab, les courbes obtenues correspondent à celles déjà visualisées dans
l’interface Web. Le programme de travail qui suit est extrait d’un TP de préparation à
l’agrégation de F. Malrieu. Il permet de retrouver par la simulation les probabilités et temps
d’absorption théoriques, mais aussi de simuler les modèles avec sélection ou mutation, pour
lesquels les calculs théoriques ne sont plus possibles.
I. Sans mutations, ni sélection
On note Xn le nombre d’allèles A dans une population de N gènes au temps n. Il y a N − Xn
allèles B. On suppose qu’il n’y a ni mutation ni sélection. La loi de Xn+1 sachant que Xn = i
est la loi binomiale B(N, i /N).
1. Représentez plusieurs trajectoires de cette chaîne de Markov pour N =10, 20, 100.
2. Confrontez l’estimation numérique de la probabilité que la chaîne soit absorbée en 2N
au résultat théorique pour N =10, 20, 100.
3. Proposez une estimation de l’espérance du temps de d’absorption de la chaîne pour
N =10, 20, 100. N’oubliez pas l’intervalle de confiance !
II. Avec sélection mais sans mutations
Nous supposerons que la sélection ne s’opère que sur le critère de viabilité : un individu porteur
de l’allèle A a 1 + s fois plus de chances de survivre qu’un individu porteur de l’allèle B. Pour
construire la population à la date n + 1, sachant que Xn = i , tout se passe comme si on tirait
des allèles dans une urne qui contient une proportion (1 + s)i /((1 + s)i + N − i ) d’allèles A.
La loi de Xn+1 sachant que Xn = i est donc la loi binomiale de paramètres N et
(1 + s)i
.
(1 + s)i + N − i
Remarque. Le taux de mutation est très faible. On pourra choisir s de la forme α/N, avec α
d’ordre 1.
1. Estimer la probabilité de disparition de l’allèle B en fonction de du nombre d’allèles A
initiaux.
2. Pouvez-vous estimer le temps nécesssaire à la disparition d’un des deux allèles ?
3. Comparer avec le cas précédent.
III. Avec mutations mais sans sélection
On suppose à présent qu’au cours de chaque transmission d’un gène celui-ci peut changer :
de A en B avec probablité u et de B en A avec probabilité v . Si Xn = i , la loi de Xn+1 est
donc la loi binomiale de paramètres N et
i i
(1 − u) + v 1 − .
N N
1. Y-a-t-il toujours absorption ?
2. Que se passe-t-il en temps long ?
3. Tracer la proportion de temps passé dans chaque état le long d’une grande trajectoire.
Celle-ci dépend-elle du point de départ ? Commenter. On choisira N = 10 et 20.