L’Institut Agro Rennes-Angers

☐ Site d’Angers ☒ Site de Rennes

Année universitaire : Mémoire de fin d’études

2022 - 2023 ☐ d'ingénieur de l’Institut Agro Rennes-Angers (lnstitut national d'enseignement
supérieur pour l'agriculture, l'alimentation et l'environnement)
Spécialité :
☐ de master de l’Institut Agro Rennes-Angers (lnstitut national d'enseignement
Ingénieur Agronome supérieur pour l'agriculture, l'alimentation et l'environnement)
Spécialisation (et option éventuelle): ☐ de l’Institut Agro Montpellier (étudiant arrivé en M2)

Sciences Halieutiques et Aquacoles ☒ d’ingénieur de l’ENSAIA (Ecole Nationale Supérieure en Agronomie et Industries
(Ressources et Ecosystèmes Aquatiques) Alimentaires) de Nancy

Morphologie d'une espèce exotique envahissante (Gambusia

holbrooki) : morphométrie géométrique et traditionnelle
Par : Matteo RISI

Soutenu à Rennes, le 14/09/2023

Devant le jury composé de :

Président : Olivier le Pape Autres membres du jury :

Maîtres de stage : Emilie Farcy et Nicolas Martin Pablo Brosset : Enseignant-chercheur à

L’institut Agro Rennes

Enseignant Référent : Olivier Le Pape Olivier Dézérald : Chargé de recherche à

Enseignant chercheur à l’Institut Agro Rennes L’INRAE de Rennes, UMR ESE

1
 Remerciements

Je tiens tout d’abord à remercier Emilie Farcy et Nicolas Martin pour leur encadrement tout au long de
ce stage. Ils ont toujours été présents pour répondre à mes nombreuses questions et leurs précieuses
explications et conseils m’ont toujours permis de progresser. Merci pour leur grande flexibilité et leur
investissement lors des réunions mais aussi lors de la relecture (des relectures) de ce même rapport.
Enfin, je souhaiterai à titre personnel les remercier pour leur grande gentillesse, rendant chaque moment
de ce stage plus agréable.

Je souhaite également chaleureusement remercier Paul Alibert et Julien Claude pour tous leur très
précieux conseils en morphométrie. Ils m’ont permis de mieux cerner les concepts et ont répondu à
toutes mes questions tant lors de nos visios que lors de nos échanges par mail. Leurs réponses et leurs
lumières m’ont à chaque fois permis d’avancer l’étude d’un grand pas. Merci également à Jessica Cote
pour ces conseils sur les landmarks et les traits morphométriques pertinents à choisir.

Merci à toute l’équipe Marbec de Montpellier de m’avoir accueilli au sein de leurs locaux et de m’avoir
donné un si beau bureau pour ces 6 mois de stage dans le sud. Je pense tout particulièrement à mes
fidèles collègues du bureau, Nico, Eliot et Jeanne, qui ont réussi à me supporter pendant presque une
demie année ! Une petite pensée à Jeanne, que j’ai bien trop embêtée avec la clim lorsqu’il faisait trop
chaud.

Je souhaite remercier Olivier Le Pape, Pablo Brosset et Olivier Dézérald, mon jury de mon stage.
J’espère qu’ils prendront plaisir à lire ce rapport.

Un grand merci à tous mes amis et ma famille pour votre soutien tout au long du stage et lors de l’écriture
de ce rapport.
 Liste des abréviations

MG : Morphométrie Géométrique
MT : Morphométrie Traditionnelle
C : Conductivité
T : Température
RGS : Ratio Gonado-somatique
RHS : Ratio Hépato-somatique
K : coefficient de condition (Fulton)
[Link] : Quotient de risque écotoxicologique des produits pharmaceutiques
[Link] : Quotient de risque écotoxicologique des pesticides
ACP : Analyse en Composante Principale
ANOVA : ANalysis Of VAriance (analyse de variance)
MANOVA : Multivariance ANalysis Of VAriance (analyse de variance multivariée)
SS : Sum of Square (somme des carrés)
QQ-plot : Diagramme quantile-quantile
AIC : Critère d’Akaike
TPS : Méthode permettant la représentation graphique des différences de formes entre deux
configurations, à travers des grilles de déformation
 Liste des figures

Figure 1. Sites échantillonnés autour de Montpellier (zone délimitée dans la carte de France insérée)
sélectionnés pour l’étude. Les abréviations et les informations relatives aux sites sont détaillées dans
l’Annexe.1. ............................................................................................................................................... 4

Figure 2. Exemple d’une photographie d’un mâle prise pour l’étude. ................................................... 5

Figure 3. Visualisation du concept de la taille centroïde calculée à partir des trois points de repère
d’un triangle équilatéral. Les distances entre le centre du triangle (Xc,Yc) et les points de repères
figurées par des flèches de couleurs sont les distances utilisées pour calculer la taille centroïde selon
la formule décrite sous le triangle (Cucchi et al., 2015). ........................................................................ 7

Figure 4. Les trois étapes de la superposition procruste : (1) centrage sur une origine commune
(centroïde), (2) normalisation par la taille centroïde et (3) rotation pour minimiser la somme des
carrés des écarts entre les landmarks (Cucchi et al., 2015). ................................................................. 8

Figure 5. Placement des landmarks sur un spécimen mâle de gambusie (illustration personnelle).
Leur positionnement est détaillé dans l’annexe. 2. ................................................................................. 9

Figure 6. Trajectoires allométriques de gambusies prélevées sur 16 sites différents calculées à l’aide
de la fonction plotAllometry du package R « Geomorph » (Adams et al., 2023). Les valeurs de l’axe
représentent la transformation Log de la taille centroïde des individus (LogCsize). Les valeurs de
l’axe y représentent la forme des individus comme première composante des valeurs prédites par le
modèle coords ~ log10(Csize) + site. .................................................................................................... 13

Figure 7. 18 mesures morphométriques utilisées dans cette étude. Explications et correspondances

des mesures expliquées en annexe 4. ..................................................................................................... 13

Figure 8. Méthode générale suivie pour l’étude morphométrique de la gambusie .............................. 16

Figure 9. Analyse en composantes principale (ACP) sur les données de morphométrie géométrique
(les coordonnées des 16 landmarks pour 442 individus) de tous les sites échantillonnés (Les centroïdes
des classes sont représentés par des carrés). Les grilles de déformations représentent les déformations
extrêmes des conformations le long des axes (x,y) par rapport à la conformation moyenne (consensus).
............................................................................................................................................................... 19

Figure 10. Grilles de déformation maximales représentées pour les deux principales composantes de
l’ACP (PC.1 et PC2) ainsi que la visualisation du déplacement vectoriel de chaque landmark entre
elles........................................................................................................................................................ 20

Figure 11. Analyse en composantes principale (ACP) sur les données de morphométrie géométrique
des sites échantillonnés au printemps et à l’automne 2022. ................................................................. 21

Figure 12. ACP sur les données de morphométrie géométrique des sites échantillonnés au printemps
et à l’automne 2022 : (A) Clustering des individus suivant les saisons d’échantillonnage (B) Boxplot
des valeurs de PC1 par site ................................................................................................................... 22

Figure 13. Analyse multifactorielle des 18 log-shape ratios calculés pour les 442 individus de l’étude.
(A) Cercle des corrélations. (B) Contribution de chaque log-shape ratio aux principales composantes
de l’ACP ................................................................................................................................................ 25
Figure 14. Analyse multifactorielle de 7 log-shape ratios (BL, EL, OL, HE, HO, GT et TW1) calculés
pour les 442 individus de l’étude. (A) Cercle des corrélations. (B) Contribution de chaque log-shape
ratio aux principales composantes de l’ACP. (C) Graphique des individus représentés suivant leur site
d’origine (site échantillonné) et la saison à laquelle ils ont été prélevés (saison d’échantillonnage) .. 26

Figure 15. Influence du quotient de risque écotoxicologique des pesticides sur (A) La distance tête-
opercule, (B) La taille de l’œil. A noter : Les deux sites ayant les [Link] les plus élevés sont
réciproquement FUM ([Link] = 34.11) et LANSAM ([Link] = 11.88) .............................. 28

Figure 16. Ensemble de données alternatives pouvant représenter les aspects géométriques d’un objet
ou la forme d’un spécimen. (B) Landmarks représentés en rouge (C) Landmarks de début et de fin de
contour indiqués en bleu et semi-landmarks représentés en vert. (MacLeod, 2017) .......................... 344

Liste des tableaux

Tableau 1. ANOVA procruste à un facteur de la session de digitalisation puis des effets individuels
sur la forme des individus ..................................................................................................................... 11

Tableau 2. Comparaison de modèles par une ANOVA (F-test) pour la forme (coords) des individus
échantillonnés suivant leur taille centroïde (Csize) et le facteur site échantillonné (site) .................... 12

Tableau 3. Exemple de sélection de modèle. La variable dépendante correspond ici à la composante

principale PC1 d’un ACP procruste menée sur l’ensemble des données de conformation des individus.
Il s’agit d’expliquer PC1 par les variables environnementales : quotient de risque de pesticides
([Link]) et de pharmaceutiques ([Link]), Température (T), Conductivité (C), et le facteur
Saison d’échantillonnage (Saison). (A) Sélection d’un modèle linéaire mixte plutôt que d’un modèle
linéaire à effets fixes. (B) Sélection du meilleur modèle en se basant sur le critère Akaike. (AIC) ..... 19

Tableau 4. (A) Tableau MANOVA rapportant les résultats d’une comparaison multivariée évaluant
les différences de forme entre les individus de gambusies étudiés suivant le site la saison où ils ont été
récoltés. (B) Calcul de la taille des effets (fonction eta_squared du package R « effectsize ») ............ 23

Tableau 5. Résultats obtenus pour le meilleur modèle retenu (PC1 ~ T + Saison +

1|Site_échantilloné). .............................................................................................................................. 23

Tableau 6. Résultats obtenus pour le meilleur modèle retenu (PC2 ~ Saison + 1|Site_échantilloné).
La sélection et la vérification de la qualité de ce modèle sont présentées en annexe 9. ....................... 24

Tableau 7. Résultats obtenus pour les meilleurs modèles retenu sur (A) GT, (B) TW1, (C) BL, (D) HE,
(E) OL, (F) HO, (G) EL. La sélection et la vérification de la qualité de ces modèles sont présentées en
annexe 10 à 16....................................................................................................................................... 27
 Liste des annexes

Annexe 1 : Présentation du plan d’échantillonnage : nombre d’individus échantillonnés par site et

retenus pour l’étude........................................................................................................................... 40

Annexe 2 : Description des sites ....................................................................................................... 41

Annexe 3 : Protocole de traitement des photos et de digitalisation des landmarks ......................... 42

Annexe 4 : Description anatomiques et justification des landmarks utilisés pour l’étude…………..44

Annexe 5 : Description anatomiques des traits mesurés sur les gambusies et utilisés pour l’analyse
en morphométrie traditionnelle ......................................................................................................... 45

Annexe 6 : Visualisation des corrélations entre les variables explicatives (biotiques et abiotiques)
choisies pour mener l’étude. ............................................................................................................. 46

Annexe 7 : Résultats préliminaires de l’ACP menée sur l’ensemble des coordonnées procrustes des
landmarks digitalisés. (A) Visualisation (boxplot) des 6 premières composantes principales de
l’ACP suivant les 16 sites échantillonnés. (B) Pourcentage de variation expliqué par les 10
principales composantes de l’ACP (décomposition de l’inertie du jeu de données). ....................... 47

Annexe 8 : ACP sur les données de morphométrie géométrique de tous les sites échantillonnés.
Boxplot des valeurs de PC1 par site.................................................................................................. 48

Annexe 9 : Vérification de la qualité du modèle choisi sur PC1 ...................................................... 48

Annexe 10 : (A) Tableau AIC présentant la sélection de modèle réalisée sur PC2. (B) Vérification
de la qualité du modèle choisi sur PC2 ............................................................................................. 49

Annexe 11 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio GT
(B) Vérification de la qualité du modèle choisi sur GT ..................................................................... 50

Annexe 12 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio TW1
(B) Vérification de la qualité du modèle choisi sur TW1 .................................................................. 51

Annexe 13 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio BL
(B) Vérification de la qualité du modèle choisi sur BL ..................................................................... 52

Annexe 14 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio HE
(B) Vérification de la qualité du modèle choisi sur HE .................................................................... 53

Annexe 15 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio OL
(B) Vérification de la qualité du modèle choisi sur OL ..................................................................... 54
Annexe 16 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio HO
(B) Vérification de la qualité du modèle choisi sur HO .................................................................... 55

Annexe 17 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio EL
(B) Vérification de la qualité du modèle choisi sur EL ..................................................................... 56
 Table des matières

1. Introduction ...................................................................................................................................... 1
2. Matériels et Méthodes ...................................................................................................................... 4
2.1 Plan d’échantillonnage ................................................................................................................ 4
2.1.1 Sites d’études ........................................................................................................................ 4
2.1.2 Données photos .................................................................................................................... 5
2.1.2 Données environnementales et biologiques ......................................................................... 5
2.2 La morphométrie géométrique appliquée à Gambusia holbrooki ............................................... 6
2.2.1 Analyse Procruste Généralisée et superposition procruste .................................................. 6
2.2.2 Le choix et le positionnement des landmarks ....................................................................... 8
2.2.3 Fiabilité de la méthode ....................................................................................................... 10
2.2.4 Recherche des allométries éventuelles ............................................................................... 11
2.3 La morphométrie traditionnelle appliquée à Gambusia holbrooki ............................................ 13
2.4 Analyses statistiques.................................................................................................................. 14
2.4.1 Outils statistiques multivariés............................................................................................. 14
2.4.1 Modèles linéaires mixtes .................................................................................................... 17
3. Résultats ........................................................................................................................................... 19
3.1 Résultats de morphométrie géométrique ................................................................................... 19
3.1.1 ACP procruste sur l’ensemble du jeu de données et grilles de déformation ...................... 19
3.1.2 Effet site et saisonnier sur la morphologie globale des gambusies .................................... 21
3.1.4 Résultats des modèles linéaires mixtes sur PC1 et PC2 ..................................................... 23
3.2 Morphométrie traditionnelle ...................................................................................................... 25
3.2.1 Analyse préliminaire des log-shape ratios .......................................................................... 25
3.2.2 Modèles linéaires sur quelques log-shape ratios ................................................................ 27
4. Discussion ......................................................................................................................................... 28
4.1 La position de l’insertion du gonopode ..................................................................................... 28
4.2 Analyse et discussion des résultats portant sur d’autres traits morphométriques ...................... 30
4.3 Limites de l’étude et perspectives ........................................................................................... 332
4.3.1 Données photographiques et morphométriques ............................................................... 332
4.3.2 Choix des modèles linéaires mixtes ................................................................................. 333
4.3.3 Méthodes morphométries et alternatives .......................................................................... 334
Annexes ................................................................................................................................................ 40
1. Introduction

Les bassins côtiers méditerranéens sont soumis à de multiples pressions environnementales et

anthropiques tels que des évènements climatiques extrêmes, l’apparition et la compétition avec des
espèces exotiques envahissantes ou encore la pollution chimique des eaux. Cette dernière est l’une des
causes directes du déclin des populations d’espèces dans les milieux aquatiques soumis à de fortes
pressions anthropiques (Bernhardt et al. 2017; Kaushal et al. 2021). Il est désormais admis que
l’exposition aux polluants chimiques peut conduire à des évolutions génétiques rapides et à une
adaptation locale à la pollution chez certains poissons (Hamilton et al. 2017; Jacquin et al. 2020). Dans
les milieux estuariens s’ajoutent d’autres stress abiotiques tels que la salinité, qui induisent une
importante variabilité morphologique des téléostéens s’y développant (Jeffries et al. 2019; Martin 2022).
La plupart de ces phénomènes sont cependant mal connus en milieu naturel (Scott, Sloman 2004). Il est
donc nécessaire de comprendre les bases de l’adaptation et de la tolérance des téléostéens à des pressions
multiples pour expliquer la persistance ou le déclin de certaines espèces.
Ce travail s’inscrit dans le projet de recherche GambOc (2022-2024), qui a pour objectif
d’améliorer la compréhension des mécanismes biologiques permettant l’adaptation et la survie des
organismes à des conditions environnementales perturbées par les activités humaines. Le modèle
d’étude de ce projet est la gambusie (Gambusia holbrooki, Girard 1859), une espèce exotique invasive
de la famille des Poeciliidés, originaire du Nord des Etats-Unis et introduite dans les années 1920 dans
de nombreux pays pour lutter contre les moustiques, vecteurs des agents parasitaires du paludisme
(Bruslé, Quignard 2013; Pascal, Lorvelec, Vigne 2006). Elle est considérée comme l’une des espèces
les plus invasives au monde (espèce inscrite sur la liste des espèces exotiques envahissantes
préoccupantes pour l’Union Européenne) et ayant un impact avéré sur des espèces endémiques
(CORDIS | Commission Européenne 2015; Poulet 2020). La gambusie fréquente les systèmes d’eaux
douces à écoulements lents mais colonise également les eaux de transition littorales mésohalines. Elle
présente des caractéristiques biologiques idéales (cycle de vie très court, fécondation interne, invasion
biologique récente) pour étudier les processus évolutifs à des échelles de temps courtes et pour étudier
les mécanismes de sélection différentielle locale en réponse à une pression de pollution chimique
(tolérance à la pollution) ou à d’autres pressions multifactorielles (Pyke 2005). Le succès invasif de la
gambusie est lié à sa tolérance à de larges gammes de fluctuations environnementales (température,
hypoxie, salinité) lui permettant d’être plus compétitive que les espèces natives face à des stress
abiotiques multiples (Ruiz-Navarro et al. 2011). Néanmoins, les mécanismes sous-jacents à cette « ultra-
tolérance » restent encore inexpliqués et les conséquences sur les écosystèmes ont été peu considérées
jusqu’alors. Plus spécifiquement, une partie du projet GambOc consiste à caractériser la variabilité
phénotypique intraspécifique de tolérance à la pollution des gambusies en mesurant individuellement

1
un ensemble de biomarqueurs sur plusieurs échelles biologiques : au niveau de l’organisme entier, au
niveau tissulaire, et au niveau moléculaire.

A l’échelle de l’organisme entier, dans le but de décrire au mieux l’adaptation d’une espèce
exotique envahissante telle que la gambusie avec son milieu, il est alors pertinent de s’intéresser
également à la morphologie de cette dernière. En effet, suite aux diverses pressions des milieux, de
nombreux mécanismes sont mis en jeu, allant des mécanismes moléculaires, cellulaires et
physiologiques jusqu’aux variations d’allocation dans les traits d’histoire de vie (Hamilton et al. 2017;
Marchand et al. 2004; Martin 2022). L’ensemble de ces processus peuvent donc être étudiés et utilisés
pour mesurer et comprendre les mécanismes d’adaptation des espèces invasives. L’étude de la
morphologie de la gambusie peut donc amener à une meilleure compréhension de son « ultra-tolérance »
et à préciser quels traits morphologiques spécifiques sont impliqués. Chez les guppies par exemple, une
autre espèce de la famille des Poeciliidés, des chercheurs ont démontré que les gambusies vivants en
eaux polluées avaient des corps moins profonds et des têtes plus volumineuses (et donc des opercules et
branchies plus grosses pouvant réduire les problèmes respiratoires causés par la pollution)
comparativement aux individus vivants dans des environnements non pollués (Rolshausen et al. 2015;
Saha, Konar 1984b; Santi et al. 2021). L’objectif global de ce travail au sein du projet GambOc est donc
de tester et étudier les corrélations potentielles entre les divergences morphologiques relevées chez la
gambusie et les facteurs abiotiques des écosystèmes étudiés, en prenant également en compte des
paramètres de condition et des paramètres biologiques liés à la reproduction. On parlera de
morphométrie plutôt que de morphologie dès lors qu’il s’agit de mesurer et quantifier la morphologie
d’individus ([Link] 2022).

La morphométrie permet d’étudier la variation géométrique de corps et de formes biologiques

et de la corréler avec des variables ou des facteurs biologiques potentiellement explicatifs (Bookstein
1991; Cucchi et al. 2015). La morphométrie est donc, par définition, une étude de forme (aspect
physique d’un objet dans l’espace), qui comprend à la fois les notions de taille (l’échelle de l’objet) et
de conformation (l’information spatiale hors échelle intrinsèque de l’objet) et que l’on peut formaliser
par l’équation de Needham "𝑓𝑜𝑟𝑚𝑒 = 𝑡𝑎𝑖𝑙𝑙𝑒 + 𝑐𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛" (Lefebvre, Boitard, Rey 1981;
Metairie 2014; Perrard 2012). On peut alors distinguer plusieurs types d’analyses morphométriques. La
morphométrie dite « classique » ou « traditionnelle » (MT) se base sur l’étude multivariée de mesures
(e.g. longueurs, angles, aires, volumes) (Rohlf, Marcus 1993) pour décrire et discuter des déterminismes
environnementaux et génétiques de groupes biologiques établis (Mosimann 1970). Cependant, cette
morphométrie traditionnelle ne permet de représenter la forme d’un corps que de manière partielle. La
morphométrie dite « géométrique » (MG) révolutionne dans les années 80 cette approche en permettant
de caractériser la forme d’un objet par l’ensemble des coordonnées de points de repères, dits
« homologues » ou « landmarks » (Bookstein 1991; Mosimann 1970). Ils correspondent à des loci

2
anatomiques bien identifiables et identiques d’un individu à l’autre chez tous les spécimens de l’étude.
Alors que la morphométrie traditionnelle nécessite une sélection à priori de variables, l’utilisation de
landmarks en morphométrie géométrique permet de déterminer directement a posteriori quelles sont les
variables les plus significatives (Zelditch et al. 2004). En d’autres termes, l’un des avantages de la
morphométrie géométrique comparativement à la morphométrie traditionnelle est qu’elle décrit en
totalité la géométrie d’un objet tout en minimisant le nombre de variables qui décrivent significativement
sa forme.
Si la morphométrie géométrique a pour principal avantage de caractériser l’ensemble de la
morphologie des individus étudiés, elle possède cependant certains inconvénients. En effet, seuls les
traits morphologiques les plus variants d’un individu à un autre sont mis en avant aux détriments des
plus fines variations de forme (Metairie 2014). La plupart des publications présentes dans la littérature
font ainsi le choix entre une analyse morphométrique uniquement géométrique ou uniquement
traditionnelle. Dans le cadre de cette étude, ces deux approches (morphométrie traditionnelle et
géométrique) sont utilisées pour décrire les variations de forme à la fois globales et plus fines.

Ce travail se décline en deux axes : (i) déterminer et mettre en évidence les traits morphologiques
les plus variants d’un individu et d’un milieu à l’autre en utilisant des techniques de morphométrie
géométrique. Cette première partie du travail a pour principal objectif de caractériser sans apriori la
variation morphologique inter-site des gambusies. (ii) confirmer les résultats fournis par la
morphométrie géométrique et analyser plus finement la morphologie des gambusies en nous focalisant
sur certains traits morphologiques spécifiques relevés et mis en avant dans la littérature.
Ainsi, nous faisons premièrement l’hypothèse que les individus provenant des zones les plus
fortement polluées présenteront des têtes plus volumineuses avec des structures (opercules notamment)
plus importantes. Deuxièmement, nous supposons qu’ils auront également des corps plus ronds et plus
profonds que les gambusies provenant de sites non pollués (Santi et al. 2021). Enfin, les gambusies des
habitats pollués devraient avoir une taille corporelle adulte réduite par rapport à leurs homologues des
eaux non polluées (Santi et al. 2021).

3
 2. Matériels et Méthodes
2.1 Plan d’échantillonnage

2.1.1 Sites d’études

Dans l’optique d’étudier l’effet de multiples stress abiotiques sur la morphologie de la gambusie,
une sélection de cours d’eau et de sites d’échantillonnages a été effectuée en amont de ce travail. Les
sites ont été initialement choisis à partir des données de micropollution organique et inorganique
disponibles dans la littérature et dans les bases de données des suivis réglementaires (Naïades 2022a;
Martin 2022). De plus, la zone de l’étude se situant en région Occitanie et Provence Alpes Côte d’Azur
(en grande majorité sur le département de l’Hérault) non loin de la mer Méditerranée, les cours d’eau
ont été échantillonnés sur un gradient amont-aval pour intégrer au travail un gradient de salinité (Fig.1).
Sur ces gradients de polluants et/ou de salinité, les sites les plus contrastés ont été sélectionnés.
Deux sites complémentaires, CAZ et PV, situés en eau stagnante (points d’eau) ont été rajoutés à l’étude
et sont des sites de référence de par leur faible contamination en polluants (Annexe.1, Annexe.2). Deux
échantillonnages ont été réalisés : l’un au printemps, entre le 6/04/2022 et le 22/06/2022, l’autre à
l’automne, entre le 6/10/2022 et le 26/10/2022 (seuls les 8 sites avec les plus fortes valeurs en
concentration de polluants ont été rééchantillonnés à l’automne). A noter que deux sites supplémentaires
en eau salée (OR et PAL) ont été rajoutés à l’échantillonnage à cette période pour venir compléter l’étude
du gradient de salinité (Fig.1, Annexe.1, Annexe.2)

Figure 1. Sites échantillonnés autour de Montpellier (zone délimitée dans la carte de France insérée) sélectionnés
pour l’étude. Les abréviations et les informations relatives aux sites sont détaillées dans l’Annexe.1.

4
 2.1.2 Données photos

Entre 30 et 50 individus par échantillonnage ont été prélevés sur chaque station (50% mâles,
50% femelles). Ils ont été euthanasiés avec dose léthale d’anesthésiant (benzocaïne), placés dans une
cage à lumière avec règle métrique pour la mise à l’échelle (+/-1mm) et pris en photo de façon
standardisée à l’aide d’un Lumix DMC-GH1 avec un objectif de 20mm (prise uniquement du flanc
gauche) (Fig.2).

Figure 2. Exemple d’une photographie d’un mâle prise pour l’étude.

Après visualisation des différentes photographies, il est apparu que les femelles prélevées
présentaient différents stades de maturité et de gravidité, ce qui pouvait nettement fausser l’étude
morphologique. Ainsi, l’entièreté du travail présenté dans ce rapport s’est basée sur la morphologie des
(b)
mâles, comme il est courant de faire dans les analyses morphométriques sur les gambusies ou les guppies
par exemple (Rolshausen et al. 2015). Les mâles atteignent leur maturité sexuelle lorsque leur gonopode,
une nageoire anale modifiée, est entièrement formé et lorsque la longueur du corps est comprise entre
15 et 20 mm (Angus et al. 2001; Fernandez-Delgado 1989). Seuls les mâles avec une longueur corporelle
supérieure à 15 mm et avec un gonopode entièrement formé ont donc été utilisés pour l’étude (Smith,
Kollus, Propper 2022).

2.1.2 Données environnementales et biologiques

Compte tenu de l'objectif principal de l'étude consistant à inclure de multiples facteurs

environnementaux dans l’étude du phénotype et de la morphologie des gambusies, des données physico-
chimiques ont été récoltées pour les sites d'échantillonnages sélectionnés (nous retiendrons notamment
la température et la conductivité de chaque site pour la suite de l’étude). Les données de pollution en
produits pharmaceutiques et en pesticides ont été mesurées à l’aide de membranes spécifiques
permettant l’échantillonnage intégrative de tous les contaminants organiques polaires présents dans la
colonne d’eau pendant 3 semaines : des POCIS pour « Polar Organic Chemical Integrative Sampler ».
Pour comparer les stations échantillonnées entre elles, il était nécessaire d’agréger les données

5
de pollution en un estimateur. En amont de mon stage, un calcul du risque écotoxicologique cumulé a
donc été réalisé pour chaque famille de polluants (Kuzmanović et al. 2016; Martin 2022). La
concentration de chaque molécule pour chaque station relevée à l’aide des POCIS a été divisée par la
norme de qualité environnementale (NQE : Norme de Qualité Environnementale, INERIS, 2022) de la
directive cadre sur l’eau (eaufrance 2018). Les quotients de chaque molécule sur chaque site ont ensuite
été sommés pour évaluer le risque cumulé, les effets étant supposés additifs (Martin 2022).

D’autres données biométriques ont été mesurées sur les individus en complément et certaines
ont été retenues pour la suite de l’étude :
𝑚𝑎𝑠𝑠𝑒 𝑑𝑒𝑠 𝑔𝑜𝑛𝑎𝑑𝑒𝑠
- L’indice gonado-somatique ( )
𝑚𝑎𝑠𝑠𝑒 𝑡𝑜𝑡𝑎𝑙𝑒 𝑑𝑒 𝑙′𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢
𝑚𝑎𝑠𝑠𝑒 𝑑𝑢 𝑓𝑜𝑖𝑒
- L’indice hépato-somatique ( )
𝑚𝑎𝑠𝑠𝑒 𝑡𝑜𝑡𝑎𝑙𝑒 𝑑𝑒 𝑙′𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢

- La longueur du gonopode, une nageoire anale modifiée en organe copulateur chez les mâles.
Ces données complémentaires serviront de covariables potentielles pour la suite de nos analyses.

2.2 La morphométrie géométrique appliquée à Gambusia holbrooki

2.2.1 Analyse Procruste Généralisée et superposition procruste

Contrairement aux distances euclidiennes étudiées en morphométrie traditionnelle, les

coordonnées des landmarks ne peuvent pas être utilisées telles quelles. L’étude de ces coordonnées
repose sur un principe de superposition (dit « procruste » ou encore « Analyse Procruste Généralisée »)
permettant de replacer tous les individus étudiés dans un même espace morphologique afin de les rendre
comparables. Cette procédure indispensable permet également de supprimer les effets de position, de
taille et d’orientation entre les individus. L’Analyse procruste généralisée permet de s’affranchir de ces
trois composantes et de se concentrer uniquement sur l’étude de la conformation des spécimens. Cela
revient à effectuer les trois étapes suivantes (Goodall 1991; Mitteroecker, Gunz 2009) :

• La première étape consiste à supprimer les effets de position (Fig. 4.1). Toutes les configurations
de landmarks sont donc centrées sur leur centroïde commun (moyenne des coordonnées des
landmarks de toutes les configurations). Ceci peut être fait en exprimant les coordonnées de
chaque objet d’étude sous forme d’écarts par rapport à leurs x-y moyennes.

• La seconde étape permet de supprimer les effets de taille en conservant les proportions et les
allométries éventuelles (Fig. 4.2). Les formes biologiques étudiées étant souvent de tailles
différentes, elles sont donc ramenées à la même échelle, tout en maintenant la distance entre
chaque point homologue inchangée (principe d’isométrie). Cela permet d’extraire le paramètre

6
 de conformation individuelle et la taille est alors définie de manière unique par la taille centroïde
sur l’ensemble des points (Cucchi et al. 2015). Pour calculer la taille géométrique (dite
« centroïde ») de la forme étudiée, il est donc nécessaire de calculer son centre de gravité
(centroïde), en se basant sur les coordonnées des landmarks qui la composent (Bookstein 1991).
La taille centroïde d’un objet correspond alors à la racine carrée de la somme des carrés des
distances entre chaque landmark et le centroïde (Fig. 3).

Figure 3. Visualisation du concept de la taille centroïde calculée à partir des trois points de repère d’un triangle
équilatéral. Les distances entre le centre du triangle (Xc,Yc) et les points de repères figurées par des flèches de couleurs
sont les distances utilisées pour calculer la taille centroïde selon la formule décrite sous le triangle (Cucchi et al., 2015).

Les coordonnées des configurations sont normalisées par la « taille centroïde » de chacune des
configurations. Avec la mise à l’échelle, toutes les configurations partagent alors la même taille
centroïde (Balasse et al. 2015).
Soit i individus étudiés décrits par p landmarks :

(𝐼−𝑃)𝑋𝑖
𝑋𝑖′ = (1) Où :
𝑠𝑖
- I est la matrice identité de dimension p x p
- P est la matrice de dimension p x p où chaque élément vaut
1/p
- Xi est la matrice des p coordonnées (x, y) des landmarks
décrivant l’individu i
- 𝑠𝑖 = √𝑡𝑟((𝐼 − 𝑃)𝑋𝑖 𝑋𝑖𝑡 (𝐼 − 𝑃)) (2)
la taille centroïde s de l’individu i

• La dernière étape consiste à réorienter chaque configuration (Fig. 4.3). Elle repose sur la rotation
de toutes les configurations de landmarks sur leur centroïde par une méthode itérative appelée
Generalized Procrustes Analyses. Tant que la somme des carrés des écarts entre les points
homologues des différentes configurations n’est pas la plus faible possible, l’itération est
répétée (Cucchi et al. 2015; Gower 1975; Zelditch et al. 2004). Cette dernière étape supprime

7
 les effets de rotation.

Points de (1) Points de repères (2) Points de repères (3) Points de repères
repères bruts centrés centrés et normalisés centrés, normalisés et orientés

Figure 4. Les trois étapes de la superposition procruste : (1) centrage sur une origine commune (centroïde),
(2) normalisation par la taille centroïde et (3) rotation pour minimiser la somme des carrés des écarts entre les
landmarks (Cucchi et al., 2015).

On obtient alors de nouvelles coordonnées pour chaque landmark, appelées coordonnées

procrustes (procrustes shape coordinates). Les résultats d’une analyse procruste généralisée sont
exprimés par un « consensus » et par des « résidus procrustes ». Le « consensus » peut-être définit
comme la conformation moyenne de l’échantillon et est issu de la moyenne de toutes les coordonnées
des landmarks de tous les individus de l’échantillon. Les résidus procrustes, quant à eux, permettent de
décrire la conformation associée à chaque individu. Ils représentent les différences individuelles par
rapport au consensus (en quelque sorte un « écart à la moyenne ») (Mitteroecker, Gunz 2009).
L’ajustement issu de la superposition procruste des individus se réalisant sur l’ensemble des landmarks,
les résidus procrustes et leur niveau de significativité ne peuvent donc pas être étudiés séparément (pas
d’analyse landmark par landmark) (Bookstein 1995).

2.2.2 Le choix et le positionnement des landmarks

Les landmarks doivent être définis au préalable de l’étude et placés sur des éléments précis et
homologues des structures biologiques (Perrard 2012). Bookstein en 1991 distingue alors 3 types de
landmarks utilisés couramment dans les études morphométriques :
• Type I – landmarks définis de façon anatomique à des interactions entre différents tissus
biologiques. Ce sont les points les plus évidents à placer et dont l’homologie n’est pas
discutable.
• Type II – landmarks non définis par l’interaction entre plusieurs tissus mais plutôt comme une
extrémité d’un tissu (comme un maximum de courbure). Points avec une homologie discutable
et plus difficiles à localiser et à placer de façon précise et constante d’un individu à l’autre.
• Type III – landmarks dont leur positionnement dépend de l’emplacement d’autres points
homologues ou de l’orientation de l’objet mesuré.
Une fois ces critères pris en compte dans le choix des landmarks, tous les points de repère sont considérés

8
comme égaux en termes de rôle apporté dans les analyses de données ultérieures et sans qu’aucune
distinction ne soit établie entre les différents type de landmarks (MacLeod 2011).
Pour mener cette étude et pour décrire au mieux la morphologie des individus, les points les
plus variables d’un individu à l’autre et les plus difficiles à placer ont tout d’abord été écartés (entre
autres les extrémités des nageoires et du gonopode). Dans le cadre de notre étude, deux séries de
digitalisation de landmarks ont été réalisées à l’aide du logiciel tpsdig264 (protocole en Annexe.2) :
- Première série : deux réplicas de digitalisation de 18 points de repère (Fig.5, Annexe. 3)
réalisés par un même opérateur pour 298 individus mâles répartis sur les 13 sites d’étude
échantillonnés au printemps (station ARC exclue)
- Seconde série : un seul réplica de digitalisation des mêmes 18 points de repère (Fig.5,
Annexe. 3) réalisés par un même opérateur pour 151 individus mâles répartis sur les 11 sites
d’étude échantillonnés (ou rééchantillonnés) à l’automne (station ARC inclue)

Pour répartir l’erreur de digitalisation et de répétition sur l’ensemble de l’échantillon, les photos
ont été digitalisées dans un ordre aléatoire grâce à utilisation d’une fonction d’attribution de noms
aléatoires sous Windows (Faulkner 2016) A noter que deux landmarks (L.4 et L.10) ont été pointés
dans le but d’apporter des informations complémentaires (hauteur maximale du corps et de la queue)
lors de l’étude de morphométrie traditionnelle réalisée dans un second temps (partie 2.3). Etant donné
que leur placement dépend d’autres landmarks, ils ne sont pas pris en compte en l’étude de morphométrie
géométrique.

Figure 5. Placement des landmarks sur un spécimen mâle de gambusie (illustration personnelle). Leur
positionnement est détaillé dans l’annexe. 2.

Toutes les analyses de données qui suivent ont été réalisées à l’aide du logiciel RStudio (version
4.2.3). Pour mener l’analyse morphométrique géométrique, le package Geomorph est le principal
package utilisé, qui permet notamment le calcul des coordonnées procrustes (Fig.8) et les analyses de
données qui s’en suivent.

9
 2.2.3 Fiabilité de la méthode

Avant de poursuivre cette étude, l’estimation et la quantification de l’erreur courante de

digitalisation des landmarks (erreur de répétabilité) est nécessaire (Webster, Sheets 2010). Cette étape
permet de s’assurer que la variation explorée dépasse de manière significative l’erreur de mesure ou de
digitalisation. En effet, il existe une forte reproductibilité pour un même opérateur et l’erreur
systématique peut parfois élevée par rapport à la question de recherche. C’est par exemple le cas lorsque
l’opérateur place répétitivement un landmark de façon erronée (Claude 2008; Evin, Bonhomme, Claude
2020). Nous nous sommes donc intéressés ici à estimer et quantifier la variabilité de l’opérateur. C’est
la raison pour laquelle deux réplicas de digitalisation de landmarks ont été effectués. Cette approche
basée donc sur les données issues de la première série de digitalisation, peut être considérée comme un
type d’ANOVA. Nous définissons un modèle linéaire simple de la forme 𝑙m(forme~ind) où « forme »
contient les toutes coordonnées procrustes digitalisées et où « ind » est l’effet « individu ». Ce modèle
nous permet donc de décomposer la variance totale (exprimée en SS) en deux sources de variances
(Arnqvist, Mårtensson 1998; Neter, Kutner, Nachtsheim 1996) :
• SSind (comme « Sum-of-Squares of individual effect ») : variance qui peut être expliquée par
le facteur, en d’autres termes la variance inter-individus
• SSerr (comme « Sum-of-Squares of error ») : variance qui ne peut pas être expliquée par ce
facteur, et qui provient donc d’une erreur de digitalisation des landmarks.
Pour chacune de ces variances, nous pouvons également définir le nombre de degrés de liberté (ddl):
• dfind (ddl pour l’effet « individu ») = 𝑛 − 1 où 𝑛 le nombre des individus
• dferr (ddl pour l’erreur) = (𝑝 − 1) × 𝑛 où 𝑝 est le nombre de réplicas et 𝑛 le nombre des
individus
Le pourcentage de l’erreur de mesure %𝑀𝐸 peut alors être obtenu tel que :

𝑆𝑆𝑒𝑟𝑟
𝑠²𝑤𝑖𝑡ℎ𝑖𝑛 𝑑𝑓𝑒𝑟𝑟 (3) (Claude 2008)
%𝑀𝐸 = 2 × 100 = × 100
(𝑠 𝑤𝑖𝑡ℎ𝑖𝑛 + 𝑠 2 𝑎𝑚𝑜𝑛𝑔) 𝑆𝑆𝑒𝑟𝑟 𝑆𝑆𝑖𝑛𝑑
+
𝑑𝑓𝑒𝑟𝑟 𝑑𝑓𝑖𝑛𝑑

Dans notre étude, nous obtenons alors un pourcentage d’erreur de mesure %𝑴𝑬 = 𝟏𝟏. 𝟒𝟖%.
Pour estimer si cette erreur de digitalisation dû à l’opérateur est significative ou non comparativement à
la variation entre individus réelle que l’on souhaite étudier, il est possible de réaliser des ANOVA
Procrutes (Yezerinac, Lougheed, Handford 1992), appelé également Goodall-F test. Ces ANOVA
procrustes sont similaires à l’analyse de la variance à un facteur et basées sur le ratio entre 'among-group
SS' et 'within-group SS'. La différence est que pour mesurer les SS, des "sum-of-squared Procrustes
distances" sont utilisées (Claude 2008; Couette, Navarro, Wilczek 2012).
La première ANOVA procruste (procD.𝑙m(forme~session)) révèle qu’il n’y a pas d’influence
de la session de digitalisation sur les coordonnées des points homologues et que la variation inter-session

10
est bien significativement plus faible que la variation intra-session (effet ‘session’ ; F = 0.1626, Pr >1)
(Tableau.1). La seconde ANOVA procruste (procD.𝑙m(forme~ind)) montre que la variation inter-
individu est bien plus significative que la variation inter-session (effet ‘individus’ ; F = 7.709, Pr <0.001)
(Tableau.1). On peut donc considérer que l’erreur de mesure est suffisamment négligeable et qu’il nous
est donc possible de poursuivre notre étude et d’interpréter les variations inter-individus.

Tableau 1. ANOVA procruste à un facteur de la session de digitalisation puis des effets individuels sur la forme
des individus.

Session de digitalisation
Effet df SS MS F Pr (>F)
Session 1 15e-3 14.99e-3 0.1626 1
Résidus 576 0.53117 92.22e-3

Individus
Effet df SS MS F Pr (>F)
ind 288 0.4701 1.632e-3 7.709 < 0.001
Résidus 289 0.0612 0.2118e-3
Note : df = degré(s) de liberté, SS = Somme des carrés (Sum of Squares), MS= Moyenne carrée (Mean Squares), F= F ratio, Pr(>F) = Pvalue

2.2.4 Recherche des allométries éventuelles

L’allométrie est une notion définie par l’existence d’un lien de causalité entre la taille et la
conformation (Hazbri 2017). Bien qu’il existe plusieurs définitions de l’allométrie (Klingenberg 2016),
toutes les études de cette dernière s’accordent sur le fait que l’allométrie est une variation de divers traits
morphologiques expliquée par/ou associée à une variation de taille. (Bookstein et al. 1985; Gould 1966;
Klingenberg 1998; Mosimann 1970). En d’autres termes, rechercher d’éventuelles allométries revient à
montrer l’influence potentielle de la taille sur la conformation des individus étudiés. La recherche des
allométries en morphométrie géométrique est une autre étape préliminaire et nécessaire pour pouvoir
affirmer ou non l’indépendance de la conformation des individus par rapport à leur taille et suivant les
sites échantillonnés (Hazbri 2017). Si la taille et la forme sont deux variables souvent corrélées, nous
pouvons nous demander si cette relation est cohérente pour tous les sites échantillonnés. Les individus
partagent-ils tous une allométrie commune ou les individus prélevés sur certains sites ont-ils des
allométries uniques (Angelini, Moore 2022).

11
Tableau 2. Comparaison de modèles par une ANOVA (F-test) pour la forme (coords) des individus échantillonnés
suivant leur taille centroïde (Csize) et le facteur site échantillonné (site)

F-test : comparaison de modèle

Modèles ResDf df SS MS F Pr (>F)

coords ~ log10(Csize) + site 426 1

411
coords ~ log10(Csize) * site 15 0.011 75.85e-4 0.952 0.584

Pour ce faire, nous pouvons travailler à l’aide des coordonnées procrustes des landmarks. Il est
en effet plus simple d’analyser l’allométrie par la morphométrie géométrique qui caractérise l’ensemble
de la conformation des individus que par la morphométrie traditionnelle où l’on devrait se contenter
d’analyser la relation entre quelques mesures linéaires (Claude 2008). Pour aborder l’analyse statistique
de l’allométrie, nous comparons un modèle où la taille des individus et les sites échantillonnés
influencent indépendamment la forme des individus (coords ~ log10(Csize) + site) à un modèle
permettant une interaction entre ces deux termes (coords ~ log10(Csize) * site). L’ANOVA (F-test)
révèle ici que l’ajustement du modèle simple en ajoutant l’interaction entre la taille des individus avec
le facteur site échantillonné ne produit pas (ou que peu) de différence (F = 0.952, Pr > 0.001 = 0.584)
(Tableau.2).
Nous pouvons également visualiser ces relations d’allométries en utilisant la fonction
plotAllometry (method = "PredLine") du package Geomorph sous R (à partir donc du modèle simple
sans interaction). La fonction calcule les valeurs ajustées à partir de l’ajustement du modèle et trace la
première composante des valeurs prédites par rapport à la taille des individus (Adams et al. 2023).
On peut notamment constater que pour tous les sites échantillonnés, les individus partagent en grande
majorité une allométrie commune (Fig.6). Pour la suite de notre étude, nous pourrons donc supposer
l’indépendance de la conformation des individus par rapport à leur taille et suivant les sites
échantillonnés.

12
Figure 6. Trajectoires allométriques de gambusies prélevées sur 16 sites différents calculées à l’aide de la
fonction plotAllometry du package R « Geomorph » (Adams et al., 2023). Les valeurs de l’axe représentent la
transformation Log de la taille centroïde des individus (LogCsize). Les valeurs de l’axe y représentent la forme
des individus comme première composante des valeurs prédites par le modèle coords ~ log10(Csize) + site.

2.3 La morphométrie traditionnelle appliquée à Gambusia holbrooki

Figure 7. 18 mesures morphométriques utilisées dans cette étude. Les explications et la correspondances des
mesures sont données en annexe 4.

13
 Dix-huit distances euclidiennes ont été choisies pour mener l’étude de morphométrie
traditionnelle (Fig.7, Annexe 4). Ces mesures morphométriques permettent de décrire précisément la
morphologie des gambusies. Elles se basent sur les coordonnées brutes (non procrustes) des 18
landmarks précédemment digitalisés (partie 2.2.2). En effet, plutôt que de remesurer les 18 distances
euclidiennes sur chaque individu à l’aide d’un logiciel tel que ImageJ, il est possible à l’aide des
coordonnées des points homologues de calculer ces distances. Au-delà du gain de temps effectif, ce
choix permet d’être plus précis. Le calcul de ces mesures se base sur les coordonnées brutes des
landmarks car d’autres corrections, différentes de la superposition procruste, sont apportées par la suite
à celles-ci.
Pour prendre en compte et ajuster ces différentes mesures en fonction de l’effet « taille
individuelle », la transformation log-shape ratio d’Aitchinson (1986) a été appliquée aux données (Evin,
Bonhomme, Claude 2020; Mosimann 1970; Peres-Neto, Magnan 2004; Shinn et al. 2015) :
𝑝
1
𝑌𝑖𝑗 = log(𝑋𝑖𝑗 ) − ∑ log 𝑋𝑖𝑗 (4) Où :
𝑝
𝑖 - p est le nombre de traits mesurés (18 dans ce cas
d’étude)

- 𝑋𝑖𝑗 la valeur du jème trait de l’ième individu

Contrairement à d’autres méthodes utilisées (Fleming, Jonsson, Gross 1994; Reist 1986),
chaque individu est ici mis à l’échelle indépendamment ce qui permet d’éviter d’éventuels problèmes
d’hétérogénéité lors de l’étude des données. Pour chaque individu, la normalisation des différentes
mesures est faite, non pas par leur taille standard, mais par la taille dite géométrique, c’est-à-dire la
moyenne géométrique de l’ensemble des mesures prises sur l’individu. Le log10 de ce ratio est ensuite
utilisé comme donnée brute dans les analyses ultérieures. Les shape ratio étant redondants en termes
d’informations, un degré de liberté est perdu lors du passage au logarithme (Claude 2013).

2.4 Analyses statistiques

2.4.1 Outils statistiques multivariés

La morphométrie géométrique comme traditionnelle nécessitent l’utilisation de différents outils

statistiques multivariés dont les quatre principaux sont : l’analyse en composantes principales (ACP), la
méthode des plaques minces (« thin-plate spline » pour TPS), l’ANOVA et la MANOVA (Metairie
2014) (Fig.8).
L’ACP est l’analyse statistique la plus utilisée en morphométrie géométrique notamment.
L’ACP est un outil statistique qui va créer un espace morphométrique (morphospace), défini par les
composantes principales (CP), dans lesquelles vont se projeter les individus étudiés. Les distances entre

14
les individus dans ce morphospace vont montrer les similarités de leurs formes. En morphométrie
géométrique, étant donné que nous travaillons avec des coordonnées de landmarks dites procrustes, elles
sont projetées dans un nouvel espace morphométrique tangent dit de ‘Kendall’(Cucchi et al. 2015;
Paskin et al. 2022). Les ACP menées en MG grâce à la fonction [Link] du package R ‘Geomorph ’
sont donc dites de type ‘procrustes’ (Adams et al. 2023). En morphométrie traditionnelle, des ACP
standards sont menées grâce au package R ‘Factoshiny’ (Vaissie, Monge, Husson 2021). Ici, elles nous
permettent notamment de mettre en évidence les traits morphométriques contribuants le plus à un
changement de forme d’un individu à l’autre.
En complément, Bookstein (1991) a proposé l’utilisation d’une fonction statistique TPS (ou
‘thinplate spline’) en association avec la méthode d’analyse procruste généralisée. Cette fonction permet
une représentation graphique des différences de forme entre deux configurations, au travers de grilles
de déformation. Elle permet ainsi la visualisation intuitive des différences de formes en les représentant
des déformations par rapport à un individu moyen. Cette visualisation, qui se fait au travers de « grilles
de déformations » (morphogrid) en deux dimensions est un outil visuel puissant mis au service de la
morphométrie géométrique uniquement (Metairie 2014) (Fig.8).

Les ACP sont souvent appuyées par des analyses de variance (ANOVA) ou des analyses de
variance multidimensionnelle (MANOVA) menées sur les composantes principales (Fig.8). La
MANOVA peut être vue comme une extension du F-test (ANOVA). L’ANOVA teste s'il y a des
différences significatives entre deux ou plusieurs groupes sur une seule variable. La MANOVA fait la
même chose, mais sur plusieurs variables. En MG, les variables de forme étant multidimensionnelles
(décrites par les composantes principales des ACP procrustes), la MANOVA est particulièrement bien
adaptée (Couette, Navarro, Wilczek 2012; Metairie 2014). Nous l’utiliserons notamment au cours de ce
travail lorsqu’il s’agira d’étudier l’effet saisonnier sur la morphologie des gambusies. Cet effet est un
important paramètre à prendre en compte car il influe entre autres sur la maturité sexuelle des gambusies
(Campton, Gall 1988). Pour éviter des problèmes de colinéarité entre la date d’échantillonnage et nos
autres variables environnementales relevées, nous considérerons donc un facteur saisonnier à deux
modalités : « Printemps » et « Automne » correspondant aux deux périodes d’échantillonnage réalisées.
Des hypothèses préliminaires, à savoir la normalité multivariée, la linéarité et la non multi-colinéarité
des variables dépendantes sont vérifiées en amont. Enfin, pour une ANOVA comme une MANOVA, la
taille des effets peut être calculée :

SSeffect
𝜂²= (5)
SSeffect + SSerror

On considèrera alors un effet comme étant important dès lors que 𝜂² ≥ 0.14.

15
Figure 8. Méthode générale suivie pour l’étude morphométrique de la gambusie

16
 2.4.1 Modèles linéaires mixtes

La dernière partie de notre analyse a pour but, à partir de l’analyse faite par la MG et la MT,
d’étudier les liens entre les variables morphométriques choisies et les variables environnementales telles
que la température, les risques écotoxicologique des pesticides ([Link]) et des pharmaceutiques
([Link]) ou encore la conductivité des sites échantillonnés, sans oublier les co-variables
physiologiques présentées en partie 2.1.2 (variables non colinéaires entre elles d’après l’annexe 5). Pour
ce faire, nous pouvons réaliser une étude via des modèles linéaires.
Les modèles linéaires classiques ont pour conditions d’utilisation : distribution normale des
résidus, indépendance des résidus, homogénéité de la variance des résidus et relations linéaires entre
variables expliquées et explicatives. Ils sont de la forme :

𝑌𝑖= 𝛼 + 𝛽𝑋𝑖 + 𝜀𝑖 (5) Avec :

- Y les données des variables de réponses
- X les données des variables explicatives
- Ɛi ~ℕ (0, 𝜎 Ɛ 2) la variance résiduelle

Dans ce cas d’étude cependant, nos données sont structurées en groupes (chaque groupe étant un site
échantillonné). Des modèles linéaires mixtes sont donc plus appropriés (Foulley 2015). Ces modèles
combinent à la fois des effets fixes spécifiés par les prédicteurs (variables explicatives) et des effets
aléatoires représentant la variation entre les groupes. Ces modèles sont de la forme :

𝑌𝑖= 𝛼 + 𝛽𝑋𝑖 + 𝜀k + 𝜀’𝑖 (6) Avec cette fois :

- 𝜀k ~ℕ (0, 𝜎 Ɛ 2) la variance des effets aléatoires

- 𝜀’𝑖 ~ℕ (0, 𝜎 ’ Ɛ 2) la variance résiduelle
-
Nous réaliserons des modèles linéaires sur deux variables réponses (Fig.8) :
- sur les données issues de l’étude de MG, c’est-à-dire sur des composantes principales de
l’ACP procruste
- sur certains traits morphométriques issus de l’étude de MT, c’est-à-dire sur certains log-
shape ratios. Le choix de ces traits morphométriques dépend à la fois de l’étude de MG et
des résultats des ACP menées dans un second temps l’ensemble des traits. Enfin, certains
traits morphométriques seront étudiés plus en détail (traits morphologiques de la tête des
gambusies) en lien avec les résultats mis en avant dans la littérature (Rolshausen et al. 2015;
Saha, Konar 1984b; Santi et al. 2021).

17
Méthode de sélection de modèle :
Les effets fixes et les effets aléatoires n’ayant pas le même « statut » au sein du modèle, ils ne peuvent
donc pas être testés symétriquement. La stratégie adoptée pour la sélection de modèle est celle proposée
par Zuur et al. en 2009 :
- La sélection de modèle débute par proposer un modèle « au-delà du modèle optimal », c’est-
à-dire un modèle où les effets fixes représentent toutes les variables explicatives et avec le
plus d’interactions possibles entre les variables. Le modèle global réalisé sur plusieurs
variables expliquées a pour forme : PC1 ~ T + C + [Link] + [Link] + Saison +
RGS + RHS + [Link] + Site (avec : T la température du milieu, C la conductivité du
milieu, [Link] et [Link] les quotients de risque en pesticides et en
pharmaceutiques, Saison l’effet saisonnier à 2 modalités Printemps ou Automne, RGS
l’indice gonado-somatique, RHS l’indice hepato-somatique, [Link] la taille normalisée
du gonopode et Site l’effet site d’échantillonnage)
- Basé sur ce modèle « optimal », on peut tester la structure d’un modèle toujours optimal
mais avec des effets aléatoires. Pour comparer les modèles entre eux, on utilise alors la
méthode REML (Montero, a Fernández-Avilés, Jorge 2015). (Tableau 3.A). L’effet « Site »
sera ainsi utilisé pour tous les modèles en tant qu’effet aléatoire.
- Lorsque la structure des effet aléatoires est établie, les AIC (critère d'information d'Akaike),
mesurant la qualité des modèles sont comparées pour trouver le modèle le mieux adapté et
le plus parcimonieux. L’AIC est défini comme :
AIC=−2log(L)+2K (8) Avec :
- L la fonction de vraisemblance
(likelihood)
- K le nombre de paramètres estimés
par le modèle.
Selon ce critère, un AIC plus petit correspond à un meilleur modèle. On notera que si la
différence d’AIC entre deux modèles (ΔiAIC=AICi−minAIC) est inférieure à 2 (Burnham,
Anderson 2004), nous choisissons le modèle ayant le plus de sens écologique.

Les hypothèses de normalité et d’homogénéité des résidus des modèles sont vérifiées en utilisant
des QQ-plot, l’histogramme des résidus et le graphique des valeurs ajustées. Les corrélations entre
variables sont testées en utilisant les fonction « ggpairs » du package « GGally » et « corrplot » du
package « Corrplot ». Les analyses ont été performées sur R en utilisant le package « lme4 » (Bates et
al. 2015).

18
 Tableau 3. Exemple de sélection de modèle. La variable dépendante correspond ici à la composante principale PC1 d’un
ACP procruste menée sur l’ensemble des données de conformation des individus. Il s’agit d’expliquer PC1 par les variables
environnementales : quotient de risque de pesticides ([Link]) et de pharmaceutiques ([Link]), Température (T),
Conductivité (C), et le facteur Saison d’échantillonnage (Saison). (A) Sélection d’un modèle linéaire mixte plutôt que d’un
modèle linéaire à effets fixes. (B) Sélection du meilleur modèle en se basant sur le critère Akaike. (AIC)

A Sélection de modèle (comparaison modèle avec et sans effet aléatoire : méthode REML)
Modèle AIC BIC logLik Pvalue
PC1 ~ [Link] +[Link] + T + C + Saison -2189.642 -2161.293 1101.82
PC1 ~ [Link] +[Link] + T + C + Saison
-2239.773 -2207.375 1127.89 <0.0001
+ 1|Site_échantillonné

B Sélection de modèle (tableau AIC)

Modèle AIC ∆AIC Wi
PC1 ~ T + Saison + 1|Site_échantillonné -2317.306 0.00 0.363
PC1 ~ T + C + Saison + 1|Site_échantillonné -2317.245 0.061 0.352
PC1 ~ [Link] + T + C + Saison + 1|Site_échantillonné -2316.197 1.110 0.208
PC1 ~ [Link] +[Link] + T + C + Saison +
- 2314.197 3.110 0.077
1|Site_échantillonné

3. Résultats
3.1 Résultats de morphométrie géométrique

3.1.1 ACP procruste sur l’ensemble du jeu de données et grilles de

déformation

Figure 9. Analyse en composantes principale (ACP) sur les données de morphométrie géométrique (les coordonnées des
16 landmarks pour 442 individus) de tous les sites échantillonnés (Les centroïdes des classes sont représentés par des
carrés). Les grilles de déformations représentent les déformations extrêmes des conformations le long des axes (x,y) par
rapport à la conformation moyenne (consensus).
19
 Les individus sont ici représentés (Fig. 9) sur les deux composantes principales (qui représentent
réciproquement 25.5% et 19.7% de la variation globale de conformation observée entre les individus).
En considérant un seuil minimal de 10% de variation des composantes principales, nous nous
intéresserons donc par la suite uniquement à PC1 et PC2, les autres composantes étant trop peu
explicatives et interprétables (Annexe. 6). La figure 9 présente en complément de l’ACP les grilles de
déformation correspondant aux déformations extrêmes sur PC1 et PC2 et détaillées en figure 10.

Figure 10. Grilles de déformation maximales représentées pour les deux principales composantes de
l’ACP (PC1 et PC2) ainsi que la visualisation du déplacement vectoriel de chaque landmark entre elles.

20
 D’après la figure 10, il semblerait que la variation de forme le long de l’axe PC1 soit
principalement associée à la position du landmark 11 et plus spécifiquement donc à l’insertion du
gonopode. Celle-ci semble se déplacer le long de l’axe horizontal Tête-Queue. PC2 décrit
principalement la variation de la courbure du corps, avec le museau (landmarks 1, 2) et le pédoncule
caudal (repères 7, 8, 9) légèrement inclinés vers le bas et les parties ventrales et dorsales (landmarks 5,
6, 11, 17, 18) se déplaçant vers le haut, indiquant un aplatissement général de la région ventrale le long
de l'axe. Concernant PC2, ces premiers résultats semblent cohérents vis-à-vis d’autres publications
morphométriques similaires présentes dans la littérature, telles que celle de Meo et al. en 2021 portée
sur la largeur du corps de carassins (Carassius carassius).
L’ACP en figure 9 permet également de différencier certains sites le long de l’axe PC1,
notamment LANSAM (avec des individus ayant un gonopode très rapproché de la tête) et CADAM,
MEJ ou encore FUM (avec des individus ayant un gonopode éloigné de la tête). Cependant, l’ACP étant
réalisée sur l’ensemble du jeu de donnée, les sites ont été échantillonnés soit uniquement au printemps
(LEZ, SALAM, SALAV, CADAM, CADAV, ARC), soit uniquement à l’automne (PAL, OR), ou au
cours de ces deux saisons (CADI, CAZ, FUM, LANSAM, MEJ, PAR, PV, VIS) (Annexe.2). Nous
pouvons donc nous intéresser à l’effet de la saisonnalité sur la morphologie des gambusies.

3.1.2 Effet site et saisonnier sur la morphologie globale des gambusies

Figure 11. Analyse en composantes principale (ACP) sur les données de morphométrie géométrique des sites
échantillonnés au printemps et à l’automne 2022.

21
 L’analyse des deux composantes principales de cette nouvelle ACP (contribuant respectivement
à 21.2% et 20.0% de la variation globale) est identique à la précédente ACP (PC1 étant associée à la
position de l’insertion du gonopode et PC2 à la variation de la courbure du corps). Cependant, nous
pouvons constater que cette nouvelle analyse en composante principale différencie cette fois certains
sites le long de l’axe PC1, qui étaient plus regroupés lors de la précédente analyse (notamment CAZ,
CADI et PAR) (Fig.11).
Au vu de la précédente comparaison des figures 9 et 11, nous pouvons réaliser un clustering des
individus (méthode centroïde des k-means) suivant leur saison d’échantillonnage. D’après la figure
12.A, nous constatons une variation plus importante de la forme des individus échantillonnés au
printemps comparativement à ceux échantillonnés à l’automne. Plus précisément (Fig.12.B), la position
du gonopode semble beaucoup plus variable d’un individu à l’autre au printemps par rapport à
l’automne. Les gambusies ont un gonopode proche de la tête en début d’année et plus proche de la queue
vers la fin de l’année. Cette variabilité inter-saison est très marquée pour certains sites, tels que CADI,
PAR et FUM (pollués par les PCBs, HAPs et pesticides), mais l’est beaucoup moins pour d’autres, tels
que CAZ et PV (sites « de référence » peu pollués, Fig.1, Annexe.1).

A B

Figure 12. ACP sur les données de morphométrie géométrique des sites échantillonnés au printemps et à l’automne 2022 :
(A) Clustering des individus suivant les saisons d’échantillonnage (B) Boxplot des valeurs de PC1 par site

Pour estimer la significativité de la variabilité de l’effet « Saison » et de l’effet « Site » sur la

forme des individus chez les individus étudiés, nous réalisons donc une MANOVA. Les résultats de la
MANOVA (Tableau.3) nous confirment que la conformation des individus étudiés est positivement
corrélée à l’interaction entre l’effet saison et l’effet site (F : 1.860, p-value : 0.001, η2 = 0.14).

22
Tableau 4. (A) Tableau MANOVA rapportant les résultats d’une comparaison multivariée évaluant les différences
de forme entre les individus de gambusies étudiés suivant le site la saison où ils ont été récoltés. (B) Calcul de la
taille des effets (fonction eta_squared du package R « effectsize »)

A MANOVA test
MANOVA Df Pillai F Pr (>F)
Saison 1 0.517 11.79 <0.0001

Site 7 1.850 4.041 <0.0001

Saison*Site 7 0.993 1.860 <0.0001

B Mesure de la taille des effets (effect size) de la MANOVA

Paramètres η2 (partiel) 95% CI
Saison 0.52 [0.43, 1.00]

Site 0.26 [0.18, 1.00]

Saison*Site 0.14 [0.05, 1.00]

3.1.4 Résultats des modèles linéaires mixtes sur PC1 et PC2

Au vu de l’exploration de données et des résultats précédents, nous réalisons des modèles

linéaires mixtes sur les composantes principales PC1 et PC2 de notre première ACP globale. D’après le
Tableau 3, les effets aléatoires semblent en effet avoir un effet significatif sur les modèles (p-value <
0.001). Les variables biométriques (taille du gonopode normalisé, indices gonado-somatique et hépato-
somatique) ont dans un premier temps été intégrées au modèle global mais n’ont pas permis d’expliquer
une partie de la variance observée. Nous nous attacherons donc à présenter ici les modèles linéaires
mixtes réalisés uniquement sur les variables environnementales relevées (Température Conductivité,
[Link], [Link], effet saisonnier)

Tableau 5. Résultats obtenus pour le meilleur modèle retenu (PC1 ~ T + Saison + 1|Site_échantillonné).
La sélection de ce modèle est présentée en partie 2.4.1 par les tableaux 3.A et 3.B et la vérification de la qualité
du modèle en annexe 8.

Résultats du meilleur modèle sur PC1

Effect denDF F Pvalue
(Intercept) 441 0.2279 0.6333
T 441 10.245 0.0014
Saison 441 60.827 <0.0001

R² modèle : 0.38, R² effets fixes :0.18, R² effets aléatoires : 0.19

23
 Tableau 6. Résultats obtenus pour le meilleur modèle retenu (PC2 ~ Saison + 1|Site_échantillonné). La
sélection et la vérification de la qualité de ce modèle sont présentées en annexe 9.

Résultats du meilleur modèle sur PC2

Effect denDF F Pvalue
(Intercept) 441 0.03 0.8554
Saison 441 22.35 <0.0001

R² modèle : 0.21, R² effets fixes :0.04, R² effets aléatoires : 0.17

Concernant PC1 et PC2, les modèles retenus sont les plus parcimonieux, c’est-à-dire ceux ayant les AIC
les plus faibles (Tableau 3, Annexe 8).
D’après le modèle présenté dans le tableau 5, seules la température (F : 10.245, p-value < 0.001)
et le facteur saison (F : 60.827, p-value < 0.001) ont un effet significatif sur PC1, et donc sur la position
du gonopode chez les gambusies étudiées (les deux effets fixes expliquent 18% de la variation observée).
Les effets des autres variables environnementales (la conductivité et les quotients de risque de pollution
en pesticide et en pharmaceutiques) ne sont pas significatifs.
D’autre part, seule la saison a un effet significatif sur PC2 (F :22.35, p-value < 0.001). A noter
que dans ce second modèle linéaire, l’effet « Site » explique une part de la variance bien plus grande
que celle expliquée par les effets fixes (17% pour les effets aléatoires contre 4% pour les effets fixes).
L’effet site sur la courbure du corps des gambusies semble donc prépondérant. Si la variation de la
courbure du corps des gambusies peut également varier suivant les saisons (les individus étudiés sont
en moyenne un peu plus courbés au printemps comparativement à l’automne), elle semble
principalement aléatoire d’un site à un autre.

24
 3.2 Morphométrie traditionnelle

3.2.1 Analyse préliminaire des log-shape ratios

A B

Figure 13. Analyse multifactorielle des 18 log-shape ratios calculés pour les 442 individus de l’étude. (A) Cercle
des corrélations. (B) Contribution de chaque log-shape ratio aux principales composantes de l’ACP.
Correspondance et description anatomique des traits en Fig.7 et Annexe. 4

Cette première analyse multifactorielle de l’ensemble log-shape ratios (Fig.13) met en évidence
(au travers de l’analyse de morphométrie traditionnelle) les traits morphométriques contribuant le plus
à la variation de morphologie des gambusies. Ainsi, l’axe de déformation majoritaire (Dim1) semble
principalement corrélé à des log-shape ratios liés à la tête des gambusies (tels que HE, HO, OL) et à la
largeur de la queue (TW1). La seconde dimension (Dim2) semble quant à elle fortement corrélée à la
position de l’insertion du gonopode (GT). A partir de ces traits (HE, HO, OL, TW1, GT, EL), une
seconde ACP a été réalisée. Nous complétons la sélection de trait de cette ACP avec le ratio BL
(longueur standard des individus) qui semble à part sur le cercle des corrélations.
Nous pouvons clairement interpréter ici (Fig.14) les deux dimensions (qui expriment 67.52%
de l’inertie totale du jeu de données) de cette nouvelle analyse multifactorielle. La dimension 1 oppose
les individus à grosse tête, aux gros yeux (valeurs élevées de EL, OL, HE et HO sur Dim1) et aux corps
courts (faibles valeurs de BL sur Dim1) aux individus moins trapus à corps longs, aux petites têtes et
aux petits yeux. La dimension 2 est principalement corrélée à la position du gonopode et oppose les
individus aux gonopodes proches de la tête (GT élevé sur Dim2) des individus aux gonopodes proches
de la queue.

25
 Enfin, d’après la figure 14, il semblerait que les poissons échantillonnés à l’automne présentent
en moyenne un corps plus court avec une tête et des yeux plus gros comparativement à ceux
échantillonnés au printemps (mis à part pour les échantillons SALAV, MEJ et OR où la tendance est
inversée). De plus, les individus prélevés au printemps sur certains sites (LEZ et PAR) ont un gonopode
particulièrement proche de la tête comparativement à l’ensemble des données.

Dim.1

Dim.2

Dim.3

Dim.4

Dim.5
A B 0.87

BL
0.78

0.69
TW1

0.61

GT

0.52

OL 0.43

0.35

HE

0.26

EL
0.17

0.09
HO

Figure 14. Analyse multifactorielle de 7 log-shape ratios (BL, EL, OL, HE, HO, GT et TW1) calculés pour les 442 individus
de l’étude. (A) Cercle des corrélations. (B) Contribution de chaque log-shape ratio aux principales composantes de
l’ACP. (C) Graphique des individus représentés suivant leur site d’origine (site échantillonné) et la saison à laquelle ils
ont été prélevés (saison d’échantillonnage).). .
Légende : BL : longueur du corps ; EL : taille de l’œil ; OL : longueur de l’opercule ; HE : Longueur entre le sommet
de la tête et le centre de l’œil ; HO : Longueur entre le sommet de la tête et le sommet de l’opercule ; GT : distance entre
l’insertion du gonopode et la queue ; TW1 : Largeur de la queue (mesure 1)

26
 3.2.2 Modèles linéaires sur quelques log-shape ratios

Tableau 7. Résultats obtenus pour les meilleurs modèles retenus sur GT : distance entre l’insertion du gonopode et la queue),
TW1 : Largeur de la queue, BL :Longueur du corps, HE :Longueur entre le sommet de la tête et le centre de l’œil, OL :
longueur de l’opercule , HO : Longueur entre le sommet de la tête et le sommet de l’opercule, EL : taille de l’œil.
La sélection et la vérification de la qualité de ces modèles sont présentées en annexe 9 à 16

Traits Résultats
Paramètres Variables
du meilleur modèle sur GT B R²
A Résultats du meilleur modèle sur TW1
statistiques
Effect denDF Saison F T Pvalue
[Link] Effect
[Link] denDF
C F
Modèle EffetsPvalue
Effets
10 à 16.
(Intercept) 441 115.9544 <0.0001 (Intercept) 441 5320.374 fixes <0.0001
aléatoire

GT T DenDF 441 441 2.0689 441 0.039

- - T - 441 15.585 <0.0001
F -2.8314 2.0689 - - - 0.31
Saison 441 -2.8314 0.005 Saison 441 30.615 0.08 <0.0001
0.23
Pvalue 0.005 0.039 - - -
R² modèle : 0.31, R² effets fixes :0.08, R² modèle : 0.36, R² effets fixes :0.15,
R²
TW1effets aléatoires
DenDF : 0.23441 441 - R² -effets aléatoires
- : 0.21
F 30.615 15.585 - - - 0.36 0.15 0.21
Pvalue <0.0001 <0.0001 - - -
C Résultats du meilleur modèle sur BL D Résultats du meilleur modèle sur HE
BL DenDF 441 - - - -
Effect F denDF 47.4 F - Pvalue
- -Effect -denDF 0.23F 0.11 Pvalue
0.12
Pvalue <0.0001 - - - -
(Intercept) 441 548571.4 <0.0001 (Intercept) 441 32220.57 <0.0001
Saison DenDF 441 441 47.4 -
HE <0.0001
- -Saison - 441 42.17 <0.0001
42.17
R² modèleF: 0.23, R² effets -
fixes :0.11, - - -
R² modèle : 0.18, R² effets0.18
fixes :0.09,
0.09 0.09
Pvalue <0.0001 - - - -
R² effets aléatoires : 0.12 R² effets aléatoires : 0.09
OL DenDF 441 - - - -
F 45.17 - - - - 0.11modèle
0.09 0.02
E Résultats
Pvalue du meilleur
<0.0001modèle
- sur OL- F- Résultats- du meilleur sur HO

HOEffect DenDFdenDF 441 F - Pvalue

14 - Effect - denDF F Pvalue
F
(Intercept) 441 17.549
39214.15- 3.976
<0.0001 -
(Intercept) - 441 1548.16 0.18 <0.0001
0.38 0.19
Pvalue <0.0001 - 0.046 - -
Saison 441 45.17 <0.0001 [Link] 14 3.976 0.046
R²
ELmodèleDenDF 441 fixes :0.09,
: 0.11, R² effets 441 14 14Saison - 441 17.549 <0.0001
F 10.81 4.12 6.56 3.27 -
R² modèle : 0.38, R² effets0.10
fixes :0.18,
R² effets aléatoires : 0.02 0.07 0.03
Pvalue 0.001 0.0430 0.0237 0.044 -
R² effets aléatoires : 0.19

Les variables biométriques (taille du gonopode normalisé, indices gonado-somatique et hépato-

somatique) ont été testées et intégrées aux modèles globaux mais aucune d’entre elles n’a permis
d’expliquer la variance observée sur les log-shape ratio. Concernant les variables environnementales, la
conductivité n’apparait pas non plus comme étant un facteur impactant significativement ces mesures
morphométriques (Tableau. 7). A l’inverse, l’effet « Saison » est systématiquement l’effet contribuant
le plus aux modèles, ce qui nous confirme une différence morphologique globale des individus entre le
printemps et l’automne. Enfin, plus spécifiquement, concernant :
- GT et TW1 : La température et la saisonnalité sont les deux facteurs expliquant le mieux la
position de l’insertion du gonopode par rapport à la tête et la largeur de la queue.
- BL, HE et OL : Seul l’effet saisonnier parmi nos variables explicatives contribue à la
variation inter-individuelle de ces trois ratios (à savoir à la longueur moyenne des individus,

27
 à la taille de l’opercule et à la distance entre le centre de l’œil et le sommet de la bouche des
individus)
- HO (Fig.15.A) : En plus de l’effet saisonnier, le quotient de risque en pesticide semble
impacter positivement la distance entre l’opercule et le sommet de la bouche des individus
(et donc sur la longueur de la tête)
- EL (Fig.15.B) : Tous les effets fixes (mise à part la conductivité) influent significativement
sur la taille de l’œil des individus. On notera cependant un coefficient de détermination
relativement faible (R² = 10%) ce qui laisse suggérer l’impact d’autres facteurs
prédominants.

A B

Figure 15. Influence du quotient de risque écotoxicologique des pesticides sur (A) La distance tête-opercule, (B) La
taille de l’œil A noter : Les deux sites ayant les [Link] les plus élevés sont réciproquement FUM ([Link]
= 34.11) et LANSAM ([Link] = 11.88)

4. Discussion

4.1 La position de l’insertion du gonopode

En premier lieu, on ne confirme pas notre hypothèse initiale : la forme des gambusies (mâles)
ne semble pas influencée par le niveau de pollution. Compte tenu des précédents résultats et étant donné
que le gonopode est l’appendice copulateur des mâles, une autre hypothèse serait alors que la forme des

28
individus soit le plus influencée par la variation du positionnement du gonopode, lui-même influencé
par la maturité des mâles. Lors du choix des individus pour mener cette étude, nous nous sommes basés
sur deux critères principaux : la longueur du corps des mâles (longueur corporelle minimale à 15 mm)
et un gonopode entièrement différencié et formé. Cependant, il est tout de même possible que ces
individus soient à stades de maturité différents et c’est pourquoi des variables biométriques, et
notamment l’indice gonado-somatique, ont été incluses à l’étude. La plupart des auteurs utilisent en effet
le rapport gonado-somatique RGS comme indice de maturité sexuelle (François 1997). La sélection
des variables explicatives lors de la construction des modèles linéaires n’a toutefois pas montré
l’influence significative du RGS. Il semblerait donc que la maturité des individus mâles étudiés ne soit
pas, en tant que telle, la cause principale de la variation de la position du gonopode.

Une étude menée récemment (Reznick et al. 2021) a permis de montrer que certaines espèces
de la famille des Poecillidae (telle que Gambusia Holbrooki) avaient la capacité avant la reproduction
de déplacer l’insertion du gonopode vers l’avant du corps. Couplé lors de la reproduction par la rotation
à 180 degrés du gonopode, l’avancée du gonopode permet aux males d’approcher et d’inséminer les
femelles par l’arrière. Toujours d’après cette étude, ce changement de position s’accompagne
généralement en amont d’une élongation de la taille du gonopode et c’est finalement toute la
morphologie des mâles qui est modifiée (notamment la partie ventrale) pour permettre l’avancée du
gonopode.
Nous avons également pu constater que la variation de la position du gonopode (PC1 et GT)
allait de pair avec un élargissement ou un aplatissement de la région ventrale (PC2 et TW1) ce qui
coïncide avec les résultats émis par l’étude de Reznick et al. en 2021. Une de notre hypothèse initiale
était par ailleurs que les gambusies venant de sites pollués avaient des corps plus ronds et plus profonds
que celles provenant de sites non pollués. L’élargissement observé de la région ventrale des poissons ne
semble pas dans notre étude corrélée au niveau de pollution des sites mais plutôt à la position du
gonopode et donc à la période de reproduction des mâles. L’avancée du gonopode, comme le souligne
l’étude de Reznick et al. en 2021 s’accompagne donc bien d’un élargissement de la région ventrale, sans
pour autant être corrélée aux concentrations en polluants (ou à la conductivité) présents dans
l’environnement.
D’autre part, la longueur du gonopode a également été testée dans notre étude sur les variables
morphométriques. Cependant, d’après nos résultats, elle ne semble pas être liée aux changements
morphométriques observés et notamment à l’avancée de l’insertion du gonopode (comme on pourrait
s’y attendre d’après la publication de Reznick et al., 2021). Nous pouvons ainsi supposer que
l’élongation du gonopode survient à la suite de la différentiation de l’organe (lors de la maturation
sexuelle des individus) et précède son changement de position chez la gambusie. Les individus prélevés
sont donc bien tous dans un stade post maturité sexuelle où leur gonopode s’est allongé ce qui ne permet
donc pas de les différencier sur ce point.

29
 Conjointement aux mâles, des femelles ont également été prélevées à chaque échantillonnage
sur l’ensemble des stations étudiées. On observe ainsi les premiers ovocytes matures chez les femelles
à la fin avril et les dernières pontes semblent avoir lieu mi-septembre d’après les suivis. Ceci semble
confirmer que les individus mâles étudiés sur la période d’avril à septembre sont bel et bien matures.
Pour certains sites, tel que CAZ ou PV, le gonopode est proche de la tête des individus dès le mois
d’avril ce qui traduit un effort de reproduction dès le mois d’avril (pour les individus prélevés). Les sites
CADAM et CADAV (situés en amont et en aval de la même rivière, La Cadoule) ont quant à eux été
échantillonnés une seule fois au mois de mai. Les individus sur ces sites présentent également au mois
de mai un gonopode proche de la tête ce qui traduit donc une première reproduction courant mai ou
avril. Enfin, pour certains sites échantillonnés à la fin du printemps (courant juin), tel que LEZ, PAR,
ARC ou encore CADI, la première reproduction des individus prélevés semble plus tardive, car le
gonopode est encore relativement loin de leur tête à cette période de l’année. Il faut alors attendre
l’automne (rééchantillonnage d’octobre) pour que l’ensemble des individus mâles (sur toutes les
stations) se soient reproduits.

Une interrogation porte donc toujours sur l’explication de cette variabilité morphologique inter-
saison, très marquée pour certains sites et beaucoup moins pour d’autre. On peut en effet se demander
pourquoi sur certaines stations (telles CAZ ou PV), les mâles se reproduisent plus tôt dans l’année que
sur d’autres (telles que CADI, PAR et FUM). Nous nous sommes donc intéressés à d’autres facteurs
environnementaux, tels que la conductivité des milieux, mais aussi au risque écotoxicologue lié aux
pesticides ou aux produits pharmaceutiques traduisant la présence plus ou moins importante d’activités
anthropiques. En effet, les sites CAZ et PAU sont les deux sites étudiés les moins pollués, alors que
CADI est pollué par les PCBs, PAR par les HAPs et FUM par les pesticides. Cependant, les modèles
linéaires réalisés ne nous permettent pas de conclure quant à leur impact significatif sur le
positionnement du gonopode chez les gambusies, de même que pour la conductivité. Ceci nous confirme
également l’ultra-tolérance de la gambusie vis-à-vis des conditions environnementales
contraignantes. Nous pouvons ici supposer la présence d’autres facteurs environnementaux ou
génétiques qui pourraient être à l’origine de la variation de la position du gonopode chez la gambusie.
Certaines populations de gambusies sont sans doute soumises à une adaptation locale et potentiellement
à des divergences évolutives. Concernant l’influence d’autres facteurs environnementaux, une récente
étude menée sur la gambusie a par exemple montré que de fortes concentrations en arsenic influençaient
le positionnement mais aussi la taille du gonopode (Smith, Kollus, Propper 2022).

4.2 Analyse et discussion des résultats portant sur d’autres traits

morphométriques

L’une de nos premières hypothèses en amont de cette étude était que la présence de polluants

30
dans les milieux étudiés (pesticides et pharmaceutiques) contribuait à des différences de morphologie
entre les gambusies de populations séparées. Plus précisément, nous avions un apriori d’après la
littérature notamment sur des variations morphologiques au niveau de la tête des poissons : la présence
de polluants devait engendrer des individus avec des têtes et des organes respiratoires plus volumineux.
Les publications sur le sujet concernent en particulier le guppy (Poecilia reticulata), une autre espèce
de la même famille (Poeciliidés) que la gambusie (Rolshausen et al. 2015; Saha, Konar 1984b; Santi et
al. 2021).

L’étude de morphométrie géométrique n’a pas permis en premier lieu de mettre en évidence des
différences morphologique à ce niveau. C’est une des raisons pour lesquelles en complément, nous
avons réalisé une étude en morphométrie traditionnelle, qui nous permettait de nous intéresser
spécifiquement à ces traits morphologiques. Les ACP menées sur certains traits morphométriques ont
alors permis de mettre en évidence certains log-shape ratio, notamment EL, OL, HE et HO. Les modèles
linéaires réalisés sur OL (la taille de l’opercule) et sur HE (la distance sommet de la tête – centre de
l’œil) ne nous permettent pas d’expliquer ces variables par les données de pollution dont nous disposons.
Cependant, il semblerait que EL (la taille de l’œil) et HO (la distance sommet de la tête – sommet de
l’opercule) dépendent, dans une moindre mesure, de [Link] et [Link]. La taille de la tête et la
taille de l’œil semblent donc impactées par la quantité en polluants présents dans le milieu. Ces deux
résultats sont cohérents par rapport à la littérature sur le sujet et permettent de confirmer notre première
hypothèse initiale : les individus provenant des zones les plus fortement polluée ont des têtes plus
volumineuses. Ces résultats sont toutefois à nuancer, notamment de par des P-values proches du seuil
de significativité (fixé à 0.05). Ceci est lié à une forte variabilité inter-site qui n’a pas pu être expliquée
avec les variables du jeu de données mises à disposition. Une possibilité serait alors de mesurer d’autres
variables liées aux polluants (bioaccumulation) et à d’autres polluants types métaux.

Concernant plus spécifiquement la taille de l’œil (trait EL dans notre étude), nous venons
d’évoquer l’effet des pesticides et pharma sur celle-ci, bien que la P-value du modèle soit une nouvelle
fois assez proche du seuil de significativité. Au vu de nos résultats, ce paramètre est sans doute influencé
par d’autres paramètres non mesurés, telle que la turbidité de l’eau. (Kimbell, Morrell 2015) ont par
exemple mené une étude sur l’influence de turbidité sur les réponses individuelles et collectives à la
prédation chez les guppys. Dans cette étude, ils précisent que la turbidité de l’eau affecte directement le
développement des yeux de ces poissons. De plus, la turbidité peut être variable suivant les saisons, ce
qui pourrait expliquer certains de nos résultats. Ce paramètre serait donc intéressant à considérer et à
mesurer dans une prochaine étude.

De manière générale sur l’ensemble des résultats, pouvons supposer que les concentrations en
pesticides et en polluants ne sont pas assez importantes pour pouvoir mettre en évidence leur implication

31
dans des variations morphologiques inter-sites chez la gambusie. Les études précédemment citées
travaillaient avec des concentrations en polluants bien supérieures à celles de notre cas d’étude. Pour
prouver l’impact réel des pesticides et des produits pharmaceutiques sur la morphologie de la gambusie,
il conviendrait donc, en complément des variables supplémentaires à mesurer évoquées précédemment,
de prévoir des expériences complémentaires en microcosmes avec de plus fortes valeurs en polluants
(expériences en cours de réalisation au moment de la rédaction de ce rapport).

4.3 Limites de l’étude et perspectives

4.3.1 Données photographiques et morphométriques

Dans notre étude, nous avons inclus 442 individus mâles et nous avons travaillé à partir de
photographies de ces dernières prises sur le terrain. Bien que ce nombre soit cohérent avec les effectifs
utilisés pour la plupart des études morphométriques présentes dans la littérature, un plus grand nombre
d’individus à étudier permettrait sans doute d’affiner les résultats. De plus, au vu de la taille relativement
petite des individus étudiés (taille comprise entre 15 et 35 mm), il était très compliqué pour
l’expérimentateur de fixer les poissons sur un support au moment de la prise des photos. Les poissons
ont donc seulement été posés dans des bacs sur le flanc droit avant d’être photographiés, ce qui peut
légèrement faire varier les résultats morphologiques obtenus d’un individu à l’autre.
Plusieurs tris ont été nécessaires afin de baser l’étude sur des photographies correctement prises
et nettes. En effet, la qualité des photographiques est une des variables importantes à prendre en compte.
Evin et al. en 2020 ont notamment démontré l’importance de réaliser plusieurs photographies pour un
même individu, dans le but d’optimiser la digitalisation des landmarks. Cette étape est cependant très
couteuse en temps et c’est pourquoi dans notre cas une seule photo par individu a été prise (et/ou
conservée).

Pour affiner le calcul de l’erreur de digitalisation, il aurait également été judicieux d’étudier une
variabilité intra-expérimentateur, pour déterminer l’erreur de digitalisation des landmarks spécifique à
l’expérimentateur. Pour rappel, le calcul de l’erreur de digitalisation consistait ici à évaluer le manque
de précision lors du pointage des points homologues entre les différents individus. La méthode choisie
a donc été de dupliquer les photographies et digitaliser les landmarks sur l’ensemble de celles-ci pour
évaluer l’erreur moyenne entre les deux réplicats de digitalisation. Une autre possibilité encore aurait
été de reproduire un grand nombre de fois (n > 10) la digitalisation des 18 landmarks mais sur un petit
échantillon de photographies. L’avantage de cette méthode est d’optimiser le calcul de l’erreur de
répétabilité, car les mêmes landmarks sont pointés sur une même photographie un très grand nombre de
fois. L’inconvénient cependant de cette méthode est la mauvaise représentativité de l’ensemble du jeu
de données. Les photos ayant été prises à des périodes différentes et à des heures différentes de la

32
journée, la luminosité varie donc d’une photo à l’autre ce qui affecte leur qualité et donc la qualité de la
digitalisation. La méthode utilisée pour estimer l’erreur de digitalisation est représentative de l’ensemble
du jeu de données.

4.3.2 Choix des modèles linéaires mixtes

Au cours de l’étude de MG et de MT, des modèles linéaires mixtes ont été menés. Le modèle
global le plus général comprenait alors l’ensemble des données environnementales (T, C, [Link],
[Link], Saison d’échantillonnage) et des données biométriques (RGS, RHS, Taille du gonopode).
La sélection des meilleurs modèles a été en premier lieu réalisée à partir du critère d’Akaike (AIC).
Cependant, pour plusieurs variables expliquées, les différences d’AIC (∆AIC) entre modèles sont
relativement faibles (inférieures à 2), ce qui ne nous oblige donc pas nécessairement à choisir les
modèles les plus parcimonieux. Ainsi, lorsque nous avions un ∆AIC < 2, nous avons sélectionné les
modèles ayant le plus de sens écologiquement parlant et explicables par de précédentes publications
relevées la littérature.

Ainsi, pour l’analyse en morphométrie géométrique, les modèles les plus parcimonieux
expliquant PC1 et PC2 sont les modèles avec la température et la saison comme variables explicatives
(de mêmes que pour les modèles expliquant les ratio GT et TW1 de l’analyse de MT). L’analyse de ces
variables (comme nous l’avons fait précédemment en partie 4.1) est alors également permise par des
références disponibles dans la littérature. Il n’y est jamais par exemple mentionné l’influence de la
conductivité sur la position du gonopode donc il fait d’autant plus de sens de sélectionner les modèles
ne comportant pas cette variable. Concernant les ratios HO et EL, le raisonnement est semblable. Cette
fois ci cependant, étant donné qu’il est mentionné dans la littérature l’influence de polluants sur la
morphologie de la tête des poissons de la famille des Poecillidés, les modèles sur ces deux ratios
(Tableau.7) semblent les plus adaptés.

D’autre part, la morphologie des gambusies dépend fortement du site et de la population dont
elles sont issues. Cet effet prend en compte d’autres variables écologique difficiles à quantifier et à
analyser (et même à identifier). La pression liée à la prédation (Kimbell, Morrell 2015; Meo et al. 2021),
l’impact non quantifiable lié aux activités humaines, la courantologie ou encore certaines données
d’ordre génétiques font partis des facteurs potentiels inclus dans cet effet « Site ». Toutes ces autres
variables non mesurées sur les stations apportent ainsi du bruit dans l’étude des variations des variables
morphologiques étudiées et c’est la raison pour laquelle les R² des modèles sont relativement faibles
(nous ne sommes pas capables en de mesurer l’ensemble des variables qui affectent le trait que l’on
étudie). Concernant enfin la génétique des populations de gambusies, des données sont en cours
d’analyse mais n’étaient pas disponibles lorsque cette étude a été menée.

33
 4.3.3 Méthodes morphométriques et alternatives

Il est enfin nécessaire de revenir sur les méthodes utilisées, tant pour la morphométrie
géométrique que traditionnelle.
Au cours de cette étude, ces deux méthodes utilisées se basent sur un ensemble de 18 points de
repères, homologues entre tous les individus. Ces 18 landmarks ont été choisis soigneusement de
manière à caractériser au mieux la morphologie des gambusies. En morphométrie, il est possible, en
complément des landmarks dit « réels » de définir des semi-landmarks qui peuvent être choisis pour
remplir l’espace entre deux landmarks « réels ». Ils permettent de définir de manière plus fine des
courbes des formes étudiées et sont donc un atout pour l’étude morphométrique qui s’en suit. Il ne faut
de plus que peu de semi-landmarks pour représenter une courbe dans son entièreté (MacLeod 2011).
Cependant, cette méthode est très couteuse en temps (et encore plus sur un échantillon de 442 individus).
C’est la raison pour laquelle seuls des landmarks « réels » ont été digitalisés pour mener cette étude.

Figure 16. Ensemble de données alternatives pouvant représenter les aspects géométriques d’un objet ou la forme
d’un spécimen. (B) Landmarks représentés en rouge (C) Landmarks de début et de fin de contour indiqués en bleu
et semi-landmarks représentés en vert. (MacLeod, 2017)

Il est généralement plus courant de mener une étude de MT sur des distances euclidiennes
mesurées à l’aides de logiciels tels que ImageJ plutôt que d’utiliser des landmarks tels que nous l’avons
fait ici. Les gains en temps mais aussi en précision en sont les deux principaux moteurs. A partir des
coordonnées de deux points, il est en effet assez simple d’en déduire la distance qui les sépare. De plus,
le fait d’utiliser des données communes (en l’occurrence ici les landmarks) aux deux approches de
morphométrie traditionnelle et de morphométrie géométrique nous permettait aisément de faire le
parallèle et le rapprochement entre les deux.

34
 Références

[Link], David, 2022. Morphometry or Morphology of Honey Bee Species. Dave Cushman’s
Beekeeping Website [en ligne]. 30 novembre 2022. Disponible à l’adresse : [Link]
[Link]/bee/[Link] [consulté le 19 juillet 2023].

ADAMS, Dean et al., 2023. geomorph: Geometric Morphometric Analyses of 2D and 3D Landmark
Data [logiciel]. Version 4.0.5. 16 janvier 2023. [consulté le 21 juillet 2023]. Disponible à l’adresse :
[Link] [consulté le 21 juillet 2023].

ANGELINI, Dave et MOORE, Christopher, 2022. In aphanotus/borealis: Tools for reproducible

geometric morphometric analysis. GitHub [en ligne]. octobre 2022. Disponible à l’adresse :
[Link] [consulté le 20 juillet 2023].

ANGUS, Robert A. et al., 2001. Gonopodium Development in Normal Male and 11-Ketotestosterone-
Treated Female Mosquitofish (Gambusia affinis): A Quantitative Study Using Computer Image
Analysis. General and Comparative Endocrinology. Vol. 123, no 2, pp. 222‑234.
DOI 10.1006/gcen.2001.7669.

ARNQVIST, Göran et MÅRTENSSON, T., 1998. Measurement error in geometric morphometrics:

Empirical strategies to assess and reduce its impact on measures of shape. Acta Zoologica Academiae
Scientiarum Hungaricae. Vol. 44, pp. 73‑96.

BALASSE, Marie et al., 2015. Messages d’os. Archéométrie du squelette animal et humain. Éditions
des archives contemporaines. Paris. Sciences Archéologiques. ISBN 978-2-8130-0164-1.

BATES, Douglas et al., 2015. Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical
Software. Vol. 67, pp. 1‑48. DOI 10.18637/jss.v067.i01.

BERNHARDT, Julie et al., 2017. Agreed definitions and a shared vision for new standards in stroke
recovery research: The Stroke Recovery and Rehabilitation Roundtable taskforce. International
Journal of Stroke. Vol. 12, no 5, pp. 444‑450. DOI 10.1177/1747493017711816.

BOOKSTEIN, Fred L. et al., 1985. Morphometrics in Evolutionary Biology: The Geometry of Size
and Shape Change, With Examples from Fishes. Philadelphia, Pa. ISBN 978-0-910006-48-4.

BOOKSTEIN, Fred L., 1991. Morphometric Tools for Landmark Data: Geometry and Biology.
Cambridge : Cambridge University Press. ISBN 978-0-521-58598-9.

BOOKSTEIN, Fred L., 1995. The Morphometric Synthesis for landmarks and edge-elements in
images. Terra Nova. Vol. 7, no 4, pp. 393‑407. DOI 10.1111/j.1365-3121.1995.tb00535.x.

BRUSLÉ, Jacques et QUIGNARD, Jean-Pierre, 2013. Biologie des poissons d’eau douce européens.
(2° Éd.). Lavoisier.

BURNHAM, Kenneth P. et ANDERSON, David R., 2004. Multimodel Inference: Understanding AIC
and BIC in Model Selection. Sociological Methods & Research. Vol. 33, no 2, pp. 261‑304.
DOI 10.1177/0049124104268644.

CAMPTON, Donald E. et GALL, Graham A. E., 1988. Responses to selection for body size and age at
sexual maturity in the mosquitofish, Gambusia affinis. Aquaculture. Vol. 68, no 3, pp. 221‑241.
DOI 10.1016/0044-8486(88)90355-9.

CLAUDE, Julien, 2008. Morphometrics with R. Springer Libri. ISBN 978-0-387-77789-4.

35
CLAUDE, Julien, 2013. Log-Shape Ratios, Procrustes Superimposition, Elliptic Fourier Analysis:
Three Worked Examples in R. Hystrix, the Italian Journal of Mammalogy. Vol. 24, no 1.
DOI 10.4404/hystrix-24.1-6316.

CORDIS | COMMISSION EUROPÉENNE, 2015. L’impact des espèces de poisson envahissantes.

CORDIS | Comission Européenne [en ligne]. 15 juin 2015. Disponible à l’adresse :
[Link] [consulté le
18 juillet 2023].

COUETTE, Sébastien, NAVARRO, Nicolas et WILCZEK, Josef, 2012. TP/TD 1/2 Morphométrie.
Fabrice Monna [en ligne]. 2012. Disponible à l’adresse : [Link]
[Link] [consulté le 27 juin 2023].

CUCCHI, Thomas et al., 2015. Morphométrie géométrique et archéozoologie : Concepts, méthodes et

applications. In : . ISBN 978-2-8130-0164-1.

EAUFRANCE, 2018. Vers le bon état des milieux aquatiques. Eaufrance [en ligne]. 2018. Disponible
à l’adresse : [Link] [consulté le
19 juillet 2023].

EVIN, Allowen, BONHOMME, Vincent et CLAUDE, Julien, 2020. Optimizing digitalization effort in
morphometrics. Biology Methods and Protocols. Vol. 5. DOI 10.1093/biomethods/bpaa023.

FAULKNER, Jason, 2016. Stupid Geek Tricks: Randomly Rename Every File in a Directory. How-To
Geek [en ligne]. 3 novembre 2016. Disponible à l’adresse : [Link]
geek-tricks-randomly-rename-every-file-in-a-directory/ [consulté le 27 juin 2023].

FERNANDEZ-DELGADO, C., 1989. Life-history patterns of the mosquito-fish, Gambusia affinis, in

the estuary of the Guadalquivir river of south-west Spain. Freshwater Biology. Vol. 22, no 3,
pp. 395‑404. DOI 10.1111/j.1365-2427.1989.tb01113.x.

FLEMING, Ian A., JONSSON, Bror et GROSS, Mart R., 1994. Phenotypic Divergence of Sea-
ranched, Farmed, and Wild Salmon. Canadian Journal of Fisheries and Aquatic Sciences. Vol. 51,
no 12, pp. 2808‑2824. DOI 10.1139/f94-280.

FOULLEY, jean-louis, 2015. Mixed Model Methodology, Part I: Linear Mixed Models. Montpellier.
DOI 10.13140/2.1.3072.0320.

FRANÇOIS, Richard, 1997. Étude comparative de la condition et de l’état reproducteur de morues

(Gadus morhua) du Fjord du Saguenay et du Golfe Saint-Laurent [en ligne]. Thèse ou mémoire de
l’UQAC (Mémoire de maîtrise) . Chicoutimi : Université du Québec. Disponible à l’adresse :
[Link] [consulté le 3 août 2023].

GOODALL, Colin, 1991. Procrustes Methods in the Statistical Analysis of Shape. Journal of the
Royal Statistical Society. Series B (Methodological). Vol. 53, no 2, pp. 285‑339.

GOULD, S. J., 1966. Allometry and size in ontogeny and phylogeny. Biological Reviews of the
Cambridge Philosophical Society. Vol. 41, no 4, pp. 587‑640. DOI 10.1111/j.1469-
185x.1966.tb01624.x.

GOWER, J. C., 1975. Generalized procrustes analysis. Psychometrika. Vol. 40, no 1, pp. 33‑51.
DOI 10.1007/BF02291478.

HAMILTON, Patrick B. et al., 2017. Adaptive capabilities and fitness consequences associated with
pollution exposure in fish. Philosophical Transactions of the Royal Society B: Biological Sciences.
Vol. 372, no 1712, p. 20160042. DOI 10.1098/rstb.2016.0042.

36
HAZBRI, Djamel, 2017. Apport de la morphométrie géométrique dans l’approche de l’obstruction
nasale [en ligne]. Marseille : faculté de médecine Aix-Marseille Université. Disponible à l’adresse :
[Link] [consulté le 19 juillet 2023].

INERIS, 2022. INERIS - Environnement, Normes de Qualité Environnementale (NQE) et Valeurs

Guides Environnementales (VGE). INERIS [en ligne]. 2022. Disponible à l’adresse :
[Link] [consulté le 19 juillet 2023].

JACQUIN, Lisa et al., 2020. Effects of Pollution on Fish Behavior, Personality, and Cognition: Some
Research Perspectives. Frontiers in Ecology and Evolution [en ligne]. Vol. 8. Disponible à l’adresse :
[Link] [consulté le 17 août 2023].

JEFFRIES, Neal et al., 2019. Methodological Approaches to Understanding Causes of Health

Disparities. American Journal of Public Health. Vol. 109, no S1, pp. S28‑S33.
DOI 10.2105/AJPH.2018.304843.

KAUSHAL, Sujay S. et al., 2021. Freshwater salinization syndrome: from emerging global problem to
managing risks. Biogeochemistry. Vol. 154, no 2, pp. 255‑292. DOI 10.1007/s10533-021-00784-w.

KIMBELL, Helen S. et MORRELL, Lesley J., 2015. Turbidity influences individual and group level
responses to predation in guppies, Poecilia reticulata. Animal Behaviour. Vol. 103, pp. 179‑185.
DOI 10.1016/[Link].2015.02.027.

KLINGENBERG, C. P., 1998. Heterochrony and allometry: the analysis of evolutionary change in
ontogeny. Biological Reviews of the Cambridge Philosophical Society. Vol. 73, no 1, pp. 79‑123.
DOI 10.1017/s000632319800512x.

KLINGENBERG, Christian Peter, 2016. Size, shape, and form: concepts of allometry in geometric
morphometrics. Development Genes and Evolution. Vol. 226, no 3, pp. 113‑137.
DOI 10.1007/s00427-016-0539-2.

KUZMANOVIĆ, Maja et al., 2016. Ecotoxicological risk assessment of chemical pollution in four
Iberian river basins and its relationship with the aquatic macroinvertebrate community status. Science
of The Total Environment. Vol. 540, pp. 324‑333. DOI 10.1016/[Link].2015.06.112.

LEFEBVRE, Jean, BOITARD, Monique et REY, Jean-François, 1981. Logiciels d’analyses

statistiques multidimensionnelles sur micro-ordinateurs. Masson.

MACLEOD, Norman, 2011. PalaeoMath: Part 28 - Landmarks and Semilandmarks | The

Palaeontological Association. The palaeontological association [en ligne]. 2011. Disponible à
l’adresse : [Link]
landmarks-and-semilandmarks [consulté le 26 juin 2023].

MARCHAND, Justine et al., 2004. Physiological cost of tolerance to toxicants in the European
flounder Platichthys flesus, along the French Atlantic Coast. Aquatic Toxicology. Vol. 70, no 4,
pp. 327‑343. DOI 10.1016/[Link].2004.10.001.

MARTIN, Nicolas, 2022. Effets des stress environnementaux sur la divergence phénotypique d’une
espèce de téléostéen invasive : la gambusie (Gambusia holbrooki). . Université de Montpellier.

MEO, Ilaria de et al., 2021. Predator community and resource use jointly modulate the inducible
defense response in body height of crucian carp. Ecology and Evolution. Vol. 11, no 5, pp. 2072‑2085.
DOI 10.1002/ece3.7176.

METAIRIE, Laure, 2014. Apports de la morphométrie géométrique à la paléoanthropologie dentaire.

. Lyon : Université Claude Bernard.

37
MITTEROECKER, Philipp et GUNZ, Philipp, 2009. Advances in Geometric Morphometrics.
Evolutionary Biology. Vol. 36, no 2, pp. 235‑247. DOI 10.1007/s11692-009-9055-x.

MONTERO, José-María, A FERNÁNDEZ-AVILÉS, Gema et JORGE, Mateu, 2015. Basic theory on

restricted maximum likelihood. In : Spatial and Spatio-Temporal Geostatistical Modeling and
Kriging, pp. 302‑303. John Wiley & Sons, Ltd. ISBN 978-1-118-76238-7.
DOI 10.1002/9781118762387.app3.

MOSIMANN, James E., 1970. Size Allometry: Size and Shape Variables with Characterizations of
the Lognormal and Generalized Gamma Distributions. Journal of the American Statistical
Association. Vol. 65, no 330, pp. 930‑945. DOI 10.2307/2284599.

NAÏADES, 2022a. eaufrance. Naïades [en ligne]. 2022a. Disponible à l’adresse :

[Link] [consulté le 22 juin 2023].

NETER, John, KUTNER, Michael H et NACHTSHEIM, Christopher J, 1996. Applied Linear

Regression Models. 3rd. Cambridge : McGraw-Hill/Irwin.

PASCAL, Michel, LORVELEC, Olivier et VIGNE, Jean-Denis, 2006. Invasions biologiques et

extinctions - 11000 ans d’histoire des vertébrés en France [en ligne]. Belin. Éditions Quae. Hors
collection. Disponible à l’adresse : [Link]
biologiques-et-extinctions [consulté le 18 juillet 2023].

PASKIN, Martha et al., 2022. A Kendall Shape Space Approach to 3D Shape Estimation from 2D
Landmarks. In : AVIDAN, Shai et al. (éd.), Computer Vision – ECCV 2022, pp. 363‑379. Cham :
Springer Nature Switzerland. 2022. Lecture Notes in Computer Science. ISBN 978-3-031-20086-1.
DOI 10.1007/978-3-031-20086-1_21.

PERES-NETO, Pedro R. et MAGNAN, Pierre, 2004. The Influence of Swimming Demand on

Phenotypic Plasticity and Morphological Integration: A Comparison of Two Polymorphic Charr
Species. Oecologia. Vol. 140, no 1, pp. 36‑45.

PERRARD, Adrien, 2012. Systématique et morphométrie géométrique : l’évolution de la nervation

alaire au sein du genre Vespa (Hyménoptères, Vespidés). . MUSEUM NATIONAL D’HISTOIRE
NATURELLE.

POULET, Nicolas, 2020. Gambusia affinis. Centre de ressources Espèces exotiques envahissantes
[en ligne]. juillet 2020. Disponible à l’adresse : [Link]
[Link]/espece/gambusia-affinis/ [consulté le 18 juillet 2023].

PYKE, Graham H., 2005. A Review of the Biology of Gambusia affinis and G. holbrooki. Reviews in
Fish Biology and Fisheries. Vol. 15, no 4, pp. 339‑365. DOI 10.1007/s11160-006-6394-x.

REIST, James D., 1986. An empirical evaluation of coefficients used in residual and allometric
adjustment of size covariation. Canadian Journal of Zoology. Vol. 64, no 6, pp. 1363‑1368.
DOI 10.1139/z86-203.

REZNICK, David N. et al., 2021. Reproductive Mode and Conflict Shape the Evolution of Male
Attributes and Rate of Speciation in the Fish Family Poeciliidae. Frontiers in Ecology and Evolution
[en ligne]. Vol. 9. Disponible à l’adresse :
[Link] [consulté le 2 août 2023].

ROHLF, F. et MARCUS, Leslie, 1993. A Revolution in Morphometrics. Trends in ecology &

evolution. Vol. 8, pp. 129‑32. DOI 10.1016/0169-5347(93)90024-J.

ROLSHAUSEN, Gregor et al., 2015. Do stressful conditions make adaptation difficult? Guppies in the

38
oil‐polluted environments of southern Trinidad. Evolutionary Applications. Vol. 8, no 9, pp. 854‑870.
DOI 10.1111/eva.12289.

RUIZ-NAVARRO, A et al., 2011. Life-history traits of the invasive fish Gambusia -holbrooki in
saline streams (SE Iberian Peninsula): Does salinity limit its invasive success? Aquatic Biology.
Vol. 13, no 2, pp. 149‑161. DOI 10.3354/ab00360.

SAHA, Malay Kumar et KONAR, S.K, 1984b. Sublethal effects of effluent of petroleum refinery on
fish. . Vol. 2, pp. 262‑265.

SANTI, Francesco et al., 2021. Phenotypic responses to oil pollution in a poeciliid fish. Environmental
Pollution. Vol. 290, p. 118023. DOI 10.1016/[Link].2021.118023.

SCOTT, Graham R et SLOMAN, Katherine A, 2004. The effects of environmental pollutants on

complex fish behaviour: integrating behavioural and physiological indicators of toxicity. Aquatic
Toxicology. Vol. 68, no 4, pp. 369‑392. DOI 10.1016/[Link].2004.03.016.

SHINN, Cândida et al., 2015. Phenotypic variation as an indicator of pesticide stress in gudgeon:
Accounting for confounding factors in the wild. Science of The Total Environment. Vol. 538,
pp. 733‑742. DOI 10.1016/[Link].2015.08.081.

SMITH, Riley J., KOLLUS, Kalai M. et PROPPER, Catherine R., 2022. Environmentally relevant
arsenic exposure affects morphological and molecular endpoints associated with reproduction in the
Western mosquitofish, Gambusia affinis. Science of The Total Environment. Vol. 830, p. 154448.
DOI 10.1016/[Link].2022.154448.

VAISSIE, Pauline, MONGE, Astrid et HUSSON, Francois, 2021. Factoshiny: Perform Factorial
Analysis from « FactoMineR » with a Shiny Application [logiciel]. Version 2.4. 3 février 2021.
[consulté le 21 juillet 2023]. Disponible à l’adresse : [Link]
[Link]/web/packages/Factoshiny/[Link] [consulté le 21 juillet 2023].

WEBSTER, Mark et SHEETS, H. David, 2010. A Practical Introduction to Landmark-Based

Geometric Morphometrics. The Paleontological Society Papers. Vol. 16, pp. 163‑188.
DOI 10.1017/S1089332600001868.

YEZERINAC, Stephen M., LOUGHEED, Stephen C. et HANDFORD, Paul, 1992. Measurement

Error and Morphometric Studies: Statistical Power and Observer Experience. Systematic Biology.
Vol. 41, no 4, pp. 471‑482. DOI 10.1093/sysbio/41.4.471.

ZELDITCH, Miriam et al., 2004. Geometric Morphometrics for Biologists - 1st Edition [en ligne].
Disponible à l’adresse : [Link]
biologists/zelditch/978-0-12-778460-1 [consulté le 5 avril 2023].

ZUUR, Alain et al., 2009. Mixed Effects Models and Extensions in Ecology With R. 2009e édition.
New York, NY : Springer-Verlag New York Inc. ISBN 978-0-387-87457-9.

39
 Annexes
Annexe 1 : Présentation du plan d’échantillonnage : nombre d’individus échantillonnés par site
et retenus pour l’étude

Nombre
Sites échantillonnés retenus d’individus
retenus
Nombre Abréviation Date
Nom du site Males
d’échantillonnage attribuée d’échantillonnage
Paul-Valery 2 PV 27/04/2022 17
PV2 12/10/2022 15

Cazarils 3 CAZ 06/04/2022 19

CAZ2 05/05/2022 21
CAZ3 13/10/2022 15

Le Lez 1 LEZ 16/06/2022 22

Port Arianne 2 PAR 14/06/2022 20

PAR2 20/10/2022 15

Le Lez (Méjean) 2 MEJ 14/06/2022 18

MEJ2 28/10/2022 15

Le Lez (Palavas-les-Flots) 1 PAL 06/10/2022 12

Le Salaison Amont 1 SALAM 14/04/2022 27

Le Salaison Aval 1 SALAV 14/04/2022 19

La Cadoule Amont 1 CADAM 04/05/2022 21

La Cadoule Aval 1 CADAV 04/05/2022 19

Canal de Lansargues 2 LANSAM 21/04/2022 24

Amont LANSAM2 19/10/2022 14
Etang de l’Or 1 OR 06/10/2022 12

Canal de Vistre 2 VIS 19/04/2022 21

VIS2 18/10/2022 15

Canal de Fumemorte 2 FUM 25/04/2022 18

FUM2 26/10/2022 17

L’Arc 1 ARC 22/06/2022 8

La Cadière 2 CADI 21/06/2022 23

CADI2 26/10/2022 15
TOTAL 16 SITES 25 442

Sites en eau salée

40
Annexe 2 : Description de chaque site échantillonné

Nom du site Type Salinité Pollution

(Abréviation attribuée)
PV Point d’eau Eau douce Peu pollué
CAZ Point d’eau Eau douce Peu pollué
LEZ Cours d’eau Eau douce Peu pollué
PAR Port Eau douce Pollution moyenne en HAPs
MEJ Etang Eau salée Peu pollué
PAL Cours d’eau Eau salée Pollution moyenne en HAPs
SALAM Cours d’eau Eau douce Peu pollué
SALAV Cours d’eau Eau salée Moyennement pollué en
pesticides
CADAM Cours d’eau Eau douce Moyennement pollué en
pesticides et pharmaceutiques

CADAV Cours d’eau Eau douce Moyennement pollué en

pesticides et pharmaceutiques

LANSAM Canaux de drainage Eau douce Forte en pesticides et

pharmaceutiques

OR Etang Eau salée Peu pollué

VIS Canaux de drainage Eau douce Moyennement pollué en
pesticides et pharmaceutiques

FUM Canaux de drainage Eau douce Forte en pesticides

ARC Cours d’eau Eau douce Moyennement pollué en

pesticides et pharmaceutiques et
fortement pollué en PCBs
CADI Cours d’eau Eau douce Forte par les PCBs et HAPs
Moyenne par les pesticides et les
molécules pharmaceutiques

41
Annexe 3 : Protocole de traitement des photos et de digitalisation des landmarks

Renommer les photos par population

La première étape est de trier et renommer toutes les photos par population.
Dans notre cas d’étude, chaque population est séparée des autres et les photos sont mises dans un dossier
spécifique (donner un nom clair au dossier contenant les photos d’une population donnée). Ne conservez
que la meilleure photo par individu et la renommer de façon claire, du type : NOMPop_M(ou F si
femelle)_NumeroIndividu

- Si votre étude vous contraint à étudier séparément mâles et femelles, créez deux nouveaux
dossiers Males et Femelles et y copiez/collez les photos renommées correspondantes.
- Autrement, créez un dossier global contenant toutes les photos renommées.

Trier aléatoirement les photos au sein d’un dossier Windows

L’idéal dans ce type d’étude de landmarking est de diluer l’erreur de répétabilité de l’expérimentateur.
Plutôt que d’analyser les photos population par population, il est préférable de trier aléatoirement toutes
les photos au sein de vos dossiers à étudier.
Il n’est pas possible de réaliser un tri du type aléatoire au sein de Windows. L’alternative est de
renommer aléatoirement chaque photo.
Pour ce faire, téléchargez ce fichier :
[Link]

Ce fichier (fichier compressé de la forme .zip) contient un fichier de commande Windows. Placez ce
fichier de commande (nommé RandomNames) dans le dossier photo que vous souhaitez trier et ouvrez-
le.

Une fenêtre Windows s’ouvre

alors. Il vous suffit d’écrire « OK »
dans la commande et le fichier
s’exécute et renomme
aléatoirement chaque photo
contenue dans votre dossier.
Il va vous créer automatiquement
un fichier .txt nommé
« _Translation » avec
l’équivalence entre le nom original
des photos et les noms random attribués. Pour interpréter par la suite ce fichier, ouvrez-le et supprimez
la deuxième ligne ne contenant que des pointillés. Il faut également retirer les « .JPG » des noms des
photos. Pour cela, allez dans « Modifier » puis « remplacez ». Dans la première ligne écrivez « .JPG »
et dans la seconde n’écrivez rien. Cliquez sur « remplacez tout ».

42
Landmarking dans TPS

1) Création d’un fichier TPS dans tpsUtil64

Ouvrez tpsUtil.
Dans « Operation », sélectionnez « Build tps file from images » puis cliquez sur « Imput ». Recherchez
votre dossier photo et cliquez sur la première photo au sein du dossier. Spécifiez maintenant un
« Output » en indiquant le nom du fichier TPS que vous souhaitez créer (je vous conseille de créer le
fichier TPS au sein du dossier photo sélectionné en « Imput »). Cliquez ensuite sur « Setup » et vérifiez
que toutes les images ont bien été sélectionnées. Cliquez sur « Create » et vérifiez que le fichier TPS a
bien été créé avant de fermer tpsUtil.

2) Landmarking dans tpsdig264

Vous désormais ouvrir tpsdig264, cliquer sur « File » puis « imput source » et sélectionner le fichier
TPS que vous venez de créer.
La première étape consiste à attribuer une échelle à toutes les photos d’individus. Je vous conseille de
digitaliser en premier lieu toutes les échelles une à une et de revenir ensuite sur les photos pour digitaliser
dans un second temps les landmarks. Pour se faire, aller dans « Option » puis « Image Tools » (ou
cliquez sur ). Une nouvelle fenêtre s’ouvre. Cliquez sur « Set scale », mesurez une distance
identifiée sur votre photo, puis renseignez la distance correspondante dans « Reference length », cliquez
sur « Ok » et fermez la fenêtre. Vous pouvez passer à l’image suivante.

Une fois les échelles digitalisées, vous pouvez digitaliser les landmarks. Attention, il faut respecter le
même ordre de digitalisation des landmarks pour tous les individus (le landmark n°10 doit être le 10 ème
à être placé pour le 1er comme pour le 30ème individus). Pour digitaliser les landmarks, il vous suffit de
cliquer sur l’outil

Une fois tous les landmarks digitalisés, veuillez à sauvegarder votre nouveau fichier TPS. (file -> Save
data).

43
Annexe 4 : Description anatomiques et justification des landmarks utilisés pour l’étude

Type de
Landmarks Description anatomique Références bibliographiques
Bookstein
1 Point le plus postérieur premaxillaries II (Lacorte et al., 2015)

2 Point le plus antérodorsal du II (Lacorte et al., 2015; Langerhans and

prémaxillaire Makowicz, 2009; Martin et al., 2014)

3 Indentation à l’extrémité postéro- II (Lacorte et al., 2015; Langerhans and

dorsale de la tête Makowicz, 2009; Martin et al., 2014)

4 Landmark placé à la verticale du III (Meo et al., 2021)

landmark 11 sur la partie dorsale du
corps
5 Insertion antérieure de la nageoire I (Lacorte et al., 2015; Langerhans and
dorsale Makowicz, 2009; Martin et al., 2014)

6 Insertion postérieure de la nageoire I (Lacorte et al., 2015; Langerhans and

dorsale Makowicz, 2009; Martin et al., 2014)

7 Insertion dorsale de la nageoire caudale I (Lacorte et al., 2015; Langerhans and

Makowicz, 2009; Martin et al., 2014)

8 Pointe postérieure de la plaque hypurale I (Lacorte et al., 2015; Langerhans and

Makowicz, 2009; Martin et al., 2014)

9 Insertion ventrale de la nageoire caudale I (Lacorte et al., 2015; Martin et al., 2014)

10 Landmark placé à la verticale du III

landmark 6 sur la partie ventrale du
corps
11 Insertion antérieure du gonopode I (Lacorte et al., 2015; Langerhans and
Makowicz, 2009; Martin et al., 2014)

12 Bord supérieur de l’œil II (Martin et al., 2014)

13 Centre de l’œil II (Langerhans and Makowicz, 2009;

Martin et al., 2014)

14 Bord inférieur de l’œil II (Martin et al., 2014)

15 Point de prolongement maximum de II (Lacorte et al., 2015)

l’opercule sur le profil latéral

16 Insertion de l’opercule avec la partie I (Lacorte et al., 2015; Langerhans and

ventrale du corps Makowicz, 2009; Martin et al., 2014)

17 Insertion dorsale de la nageoire II (Langerhans and Makowicz, 2009;

pectorale Martin et al., 2014)

18 Insertion ventrale de la nageoire II (Martin et al., 2014)

pectorale

Landmarks utilisés uniquement dans l’étude morphométrique dite « traditionnelle »

44
Annexe 5 : Description anatomiques des traits mesurés sur les gambusies et utilisés pour
l’analyse en morphométrie traditionnelle

Traits Landmarks impliqués Description anatomique

HL 2-3 Longueur de la tête

S HW 3-16 Largeur de la tête

ML 1-2 Profondeur de la bouche

EL 13-14 Taille de l’œil

Longueur entre le sommet de la tête et le centre de
HE 2-13
l’œil
OL 15-16 Longueur de l’opercule

HO 2-15 Longueur entre le sommet de la tête et l’opercule

Longueur entre le sommet de la tête et l’insertion du
HG 2-11
gonopode
GT 11-8 Longueur entre l’insertion du gonopode et la queue

BL 2-8 Longueur du corps

BW 4-11 Largeur maximale du corps

TW1 6-10 Largeur de la queue (mesure 1)

TW2 7-9 Largeur de la queue (mesure 2)

Longueur entre le sommet de la tête et l’insertion

HP 2-17
dorsale de la nageoire pectorale
Longueur entre le sommet de la tête et l’insertion de
HD 2-5
la nageoire dorsale
DL 5-6 Longueur de la dorsale
Longueur entre l’insertion postérieure de la nageoire
DT 6-7
dorsale et la nageoire caudale

PL 17-18 Longueur de l’insertion de la nageoire pectorale

45
Annexe 6 : Visualisation des corrélations entre les variables explicatives (biotiques et abiotiques)
choisies pour mener l’étude.

46
Annexe 7 : Résultats préliminaires de l’ACP menée sur l’ensemble des coordonnées procrustes
des landmarks digitalisés. (A) Visualisation (boxplot) des 6 premières composantes principales
de l’ACP suivant les 16 sites échantillonnés. (B) Pourcentage de variation expliqué par les 10
principales composantes de l’ACP (décomposition de l’inertie du jeu de données).

47
Annexe 8 : ACP sur les données de morphométrie géométrique de tous les sites échantillonnés. Boxplot
des valeurs de PC1 par site

Annexe 9 : Vérification de la qualité du modèle choisi sur PC1

48
Annexe 10 : (A) Tableau AIC présentant la sélection de modèle réalisée sur PC2. (B)
Vérification de la qualité du modèle choisi sur PC2

Sélection de modèle (tableau AIC)

Modèle AIC ∆AIC Wi
PC2 ~ Saison + 1|Site_échantilloné 1168.064 0.000 0.571

PC2 ~ T + Saison + 1|Site_échantilloné 1169.595 1.531 0.265

PC2 ~ C + T + Saison + 1|Site_échantilloné 1171.407 3.342 0.107

PC2 ~ [Link] + C + T + Saison + 1|Site_échantilloné 1173.314 5.250 0.041

PC2 ~ [Link] +[Link] + C + T + Saison + 1|Site_échantilloné 1175.299 7.235 0.015

49
Annexe 11 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio GT
(B) Vérification de la qualité du modèle choisi sur GT

Sélection de modèle (tableau AIC)

Modèle AIC ∆AIC Wi
PC2 ~ Saison + 1|Site_échantilloné -1416.945 2.080 0.120

PC2 ~ T + Saison + 1|Site_échantilloné -1419.025 0.000 0.340

PC2 ~ C + T + Saison + 1|Site_échantilloné -1418.955 0.070 0.329

PC2 ~ [Link] + C + T + Saison + 1|Site_échantilloné -1417.441 1.584 0.154

PC2 ~ [Link] +[Link] + C + T + Saison + 1|Site_échantilloné -1415.441 3.584 0.057

50
Annexe 12 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio TW1
(B) Vérification de la qualité du modèle choisi sur TW1

Sélection de modèle (tableau AIC)

Modèle AIC ∆AIC Wi
PC2 ~ Saison + 1|Site_échantilloné -1031.647 19.874 0.000

PC2 ~ T + Saison + 1|Site_échantilloné -1051.521 0.000 0.435

PC2 ~ C + T + Saison + 1|Site_échantilloné -1051.217 0.305 0.373

PC2 ~ [Link] + C + T + Saison + 1|Site_échantilloné -1049.231 2.290 0.138

PC2 ~ [Link] +[Link] + C + T + Saison + 1|Site_échantilloné -1047.323 4.198 0.053

51
Annexe 13 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio BL
(B) Vérification de la qualité du modèle choisi sur BL

Sélection de modèle (tableau AIC)

Modèle AIC ∆AIC Wi
PC2 ~ Saison + 1|Site_échantilloné -2137.065 0.000 0.015

PC2 ~ T + Saison + 1|Site_échantilloné -2135.201 1.864 0.198

PC2 ~ C + T + Saison + 1|Site_échantilloné -2135.647 1.418 0.247

PC2 ~ [Link] + C + T + Saison + 1|Site_échantilloné -2131.963 5.102 0.039

PC2 ~ [Link] +[Link] + C + T + Saison + 1|Site_échantilloné -2130.039 7.026 0.015

52
Annexe 14 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio HE
(B) Vérification de la qualité du modèle choisi sur HE

Sélection de modèle (tableau AIC)

Modèle AIC ∆AIC Wi
PC2 ~ Saison + 1|Site_échantilloné -1165.080 0.000 0.585

PC2 ~ T + Saison + 1|Site_échantilloné -1163.081 1.999 0.215

PC2 ~ C + T + Saison + 1|Site_échantilloné -1161.548 3.532 0.100

PC2 ~ [Link] + C + T + Saison + 1|Site_échantilloné -116.528 4.552 0.060

PC2 ~ [Link] +[Link] + C + T + Saison + 1|Site_échantilloné -1159.673 5.407 0.039

53
Annexe 15 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio OL
(B) Vérification de la qualité du modèle choisi sur OL

Sélection de modèle (tableau AIC)

Modèle AIC ∆AIC Wi
PC2 ~ Saison + 1|Site_échantilloné -722.433 0.459 0.165

PC2 ~ T + Saison + 1|Site_échantilloné -723.991 0.000 0.360

PC2 ~ C + T + Saison + 1|Site_échantilloné -723.729 0.877 0.316

PC2 ~ [Link] + C + T + Saison + 1|Site_échantilloné -719.744 0.120 0.043

PC2 ~ [Link] +[Link] + C + T + Saison + 1|Site_échantilloné -721.738 0.324 0.117

54
Annexe 16 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio HO
(B) Vérification de la qualité du modèle choisi sur HO

Sélection de modèle (tableau AIC)

Modèle AIC ∆AIC Wi
PC2 ~ Saison + 1|Site_échantilloné -1034.987 0.149 0.080

PC2 ~ T + Saison + 1|Site_échantilloné -1036.255 0.280 0.150

PC2 ~ C + T + Saison + 1|Site_échantilloné -1037.112 0.430 0.230

PC2 ~ [Link] + T + Saison + 1|Site_échantilloné -1038.799 0.000 0.535

PC2 ~ [Link] +[Link] + C + T + Saison + 1|Site_échantilloné -1029.383 9.416 0.005

55
Annexe 17 : (A) Tableau AIC présentant la sélection de modèle réalisée sur le ratio EL
(B) Vérification de la qualité du modèle choisi sur EL

Sélection de modèle (tableau AIC)

Modèle AIC ∆AIC Wi
PC2 ~ Saison + 1|Site_échantilloné 1168.064 0.653 0.280

PC2 ~ T + Saison + 1|Site_échantilloné -711.044 1.000 0.428

PC2 ~ C + T + Saison + 1|Site_échantilloné -708.352 0.260 0.111

PC2 ~ [Link] + C + T + Saison + 1|Site_échantilloné -706.879 4.165 0.053

PC2 ~ [Link] +[Link] + C + T + Saison + 1|Site_échantilloné -708.613 0.296 0.127

56
 Diplôme : Ingénieur agronome
Spécialité : Sciences halieutiques et aquacoles
Spécialisation / option : Ressources et écosystèmes aquatiques
Enseignant référent : Olivier Le Pape
Auteur(s) : Matteo RISI
Date de naissance : 18/05/2000 Organisme d'accueil : UMR MARBEC MONTPELLIER
Nb pages : 34 Adresse : 093 Pl. Eugène Bataillon, 34090 Montpellier
Annexe(s) : 17 Maître de stage : Emilie Farcy, Nicolas Martin
Année de soutenance : 2023
Titre français : Morphologie d'une espèce exotique envahissante (Gambusia holbrooki) : morphométrie
géométrique et traditionnelle.
Titre anglais : Morphology of an invasive exotic species (Gambusia holbrooki): geometric and traditional
morphometrics.
Résumé (1600 caractères maximum) :
Le modèle d’étude de ce projet est la gambusie (Gambusia holbrooki), une espèce exotique envahissante.
L’objectif de cette étude est de tester et étudier les corrélations potentielles entre les divergences morphologiques
relevées chez la gambusie et les facteurs abiotiques des écosystèmes étudiés dans le but de décrire au mieux le
comportement et l’adaptation d’une espèce exotique envahissante. L’étude de la morphologie de la gambusie
peut donc amener à une meilleure compréhension de son « ultra-tolérance » et à préciser quels traits
morphométriques spécifiques sont impliqués. Dans cette étude, deux méthodes sont appliquées sur des mâles
uniquement : la morphométrie géométrique (MG), permettant une analyse sans apriori de la morphologie des
poissons, et la morphométrie traditionnelle (MT), permettant d’étudier plus finement, avec aprioris, la variation
morphométrique des individus. Nous proposons également des modèles linéaires mixtes pour tenter d’expliquer
les variations morphométriques observées par certaines données environnementales mesurées (température,
conductivité, quotient de risque en pesticides et pharmaceutiques) et par certaines données biométriques. La
position de l’insertion du gonopode semble ainsi être la principale source de variation entre les individus. Cette
étude morphométrique vient en complément d’autres analyses sur la gambusie, dans le contexte du projet
Gamboc, qui vise à améliorer la compréhension des mécanismes biologiques permettant l’adaptation et la survie
des organismes à des conditions environnementales perturbées par les activités humaines.
Abstract (1600 caractères maximum) :
The model for this project is the gambusia (Gambusia holbrooki), an invasive exotic species . The aim of this
study is to test and investigate potential correlations between morphological divergences in the gambusia and
abiotic factors in the ecosystems studied, in order to better describe the behavior and adaptation of an invasive
exotic species. The study of the morphology of the gambusia can therefore lead to a better understanding of its
"ultra-tolerance" and clarify which specific morphometric traits are involved. In this study, two methods are
applied only on males: geometric morphometry (GM), for an apriori-free analysis of fish morphology, and
traditional morphometry (TM), for a more detailed, apriori-based study of morphometric variation in
individuals. We also propose linear mixed models to try to explain the morphometric variations observed by
certain measured environmental data (temperature, conductivity, pesticide and pharmaceutical risk quotient)
and by certain biometrics data. The position of the gonopodium seems to be te main source of variation among
the individuals. This morphometric study complements other analyses on gambusia, in the context of the
Gamboc project, which aims to improve understanding of the biological mechanisms that enable organisms to
adapt and survive in environmental conditions disturbed by human activities.
Mots-clés : morphométrie, morphologie, espèce invasive, polluants, gonopode, saisonnalité
Key Words: morphometry, morphology, invasive species, pollutants, gonopodium, seasonality

57
58