Nouvelles approches statistiques pour l’analyse intégrée de données multi-sources et multi-échelles en épidémiologie végétale : application à la maladie du balai de sorcière du manioc

Encadrement : Mathilde CHEN (PHIM, CIRAD, co-encadrante de thèse), Marie DENIS (AGAPi, CIRAD, co-encadrante de thèse), Samuel SOUBEYRAND (BioSP, INRAE, directeur de thèse)

Lieu : BioSP, INRAE, Avignon

Contacts : marie.denis@cirad.fr, mathilde.chen@cirad.fr, samuel.soubeyrand@inrae.fr

Début prévu : fin 2026/début 2027

Thématique de recherche : Modélisation spatio-temporelle pour une optimisation des stratégies d’épidémiosurveillance

Domaine de recherche :  Statistique appliquée à l’épidémiologie

Contexte et Objectifs :

Les changements climatiques et l’intensification des échanges commerciaux liés à la mondialisation favorisent l’émergence de nouvelles maladies des cultures, menaçant la production agricole et la sécurité alimentaire (Ristaino et al., 2021). Pour atténuer et anticiper ces menaces, il est crucial de détecter rapidement ces premières émergences, évaluer le risque épidémique, et identifier les zones/périodes optimales pour la surveillance à travers la mise en place d’un dispositif d’épidémiosurveillance (Parnell et al., 2017). Cependant, la conception de tels dispositifs soulève plusieurs défis méthodologiques.

Le premier concerne l’intégration conjointe de données environnementales, agricoles, spatiales et sociétales dans les prédictions épidémiologiques sur lesquels s’appuient la surveillance. En plus de varier dans l’espace et dans le temps, ces données sont généralement de nature hétérogène, de grande dimension, voire redondantes, ce qui rend leur incorporation dans les dispositifs actuels délicate. Les méthodes classiquement utilisées en épidémiologie (par exemple les modèles linéaires généralisés à effet mixtes, les modèles SIR ou les modèles mécanistes) exploitent encore de façon limitée cette diversité et considèrent généralement les différentes sources de variabilité séparément. Pourtant, inclure cette diversité d’information constitue un levier majeur pour améliorer la surveillance (Robin et al., 2019) et la compréhension des mécanismes épidémiologiques (par exemple Motisi et al., 2022 ; Oro et al., 2012 ; Leandro-Muñoz et al., 2017). Cet aspect est d’autant plus important dans le contexte des maladies émergentes, pour lesquelles peu de connaissances sur le cycle biologique ou la dynamique épidémique sont disponibles, où l’intégration de telles données peut enrichir l’analyse de dispositifs de suivi contraints ou limités.

Le second implique de développer des modèles suffisamment adaptables pour produire des analyses pertinentes à différentes échelles. Tandis que les épidémies se manifestent au sein d’une parcelle, d’un bassin de production, ou d’une région, la littérature montre que pour être efficace, le déploiement de la surveillance doit s’effectuer à une échelle plus large (Radici et al., 2023 ; Soubeyrand et al., 2024). Toutefois, la manière dont les dynamiques observées à chacun de ces niveaux doivent être intégrées et articulées au sein d’un dispositif de surveillance reste insuffisamment définie.

Au-delà de la capacité à estimer le risque épidémiologique, l’évaluation de la faisabilité d’une stratégie de surveillance doit intégrer d’autres critères, tels que son coût (e.g., Parnell et al., 2017 ; Mastin et al., 2020) ou encore son acceptabilité par les acteurs locaux impliqués dans la surveillance (e.g., Bagavathiananan et al., 2019). Il est ainsi nécessaire de concevoir des stratégies de surveillance adaptées au niveau de risque, tout en réfléchissant aux compromis entre l’ensemble de ces critères afin de maximiser l’efficacité globale du dispositif.

A travers l’exploration de ces différents enjeux méthodologiques, cette thèse en statistique appliquée vise à développer des modèles épidémiologiques spatio-temporels intégrant des données hétérogènes et multi-échelles dans un contexte d’épidémiosurveillance. Le cadre bayésien sera privilégié car il permet d’intégrer naturellement ce type de données tout en quantifiant explicitement les différentes sources d’incertitude. D’autre part, des méthodes de sélection de variables seront utilisées pour identifier les facteurs les plus importants parmi de nombreux candidats (Chen et al., 2023 ; Denis and Tadesse, 2023). Les modèles seront d’abord testés sur un jeu de données « complet », c’est-à-dire issu d’un dispositif équilibré avec un suivi de la maladie et des mesures des facteurs hétérogènes à une résolution fine dans le temps et/ou l’espace. Cette étape permettra de définir un protocole pour identifier les sources de variabilité les plus influentes dans la propagation des maladies.
Ce protocole pourra ensuite être appliqué à différents cas d’étude, qu’il s’agisse d’épidémies chez les plantes, les animaux ou les humains.

Le cas retenu dans le cadre de la thèse est la maladie du balai de sorcière du manioc (Cassava Witches’ Broom Disease, CWBD). Cette maladie, causée par un champignon du genre Rhizoctonia (syn. Ceratobasidium) theobromae (Leiva et al., 2023), a été détectée en 2023 en Guyane française (Pardo et al., 2024) et dans l’État de l’Amapá au Brésil. A cause de son impact sur la production locale de manioc, elle constitue une menace sérieuse pour la sécurité alimentaire des populations autochtones, fortement dépendantes de cette culture qui constitue la base de leur alimentation et une source de revenu importante. In fine, l’objectif de la thèse sera, en interaction avec les acteurs de terrain (notamment la FREDON Guyane), de guider la surveillance de cette maladie en Guyane via la production d’outils d’aide à la décision et de scénarios de gestion du risque.

Méthode :

 

Pour ce faire, les différents axes de travail de la thèse sont les suivants :

 

Développements méthodologiques :

1/ Identifier et développer des modèles épidémiologiques spatio-temporels bayésiens innovants et flexibles intégrant des facteurs hétérogènes évoluant dans le temps et /ou l’espace, s’adaptant à différentes échelles d’analyse (de la plante à l’échelle régionales) et modélisant des effets complexes (Ingebrigtsen et al., 2014 ; Nothdirft, 2020).

2/ Définir des indices caractérisant le voisinage, le micro-climat, le type de mélanges variétaux, etc. pour gérer la redondance et réduire les dimensions (Allinne et al., 2026).

3/ Dériver de ces modèles des stratégies de surveillance adaptées aux risques et réfléchir à l’intégration d’un compromis risque-coût avec, par exemple, l’utilisation de modèles multi-objectifs (Parnell et al., 2017 ; Mastin et al., 2020 ; Rimbaud et al., 2019).

 

Mise en œuvre des outils développés :

4/ Application sur un jeu de données « complet » afin de définir un protocole d’analyse : étude de l’impact de la dégradation du jeu de données (diminution des pas de temps, données spatiales hétérogènes, variables externes dégradées, etc.) et définition des paramètres optimaux du modèle avec des analyses de sensibilité (Rimbaud et al., 2018)

5/ Application de ce protocole sur le jeu de données Manioc, qui est moins complet (suivis moins fréquents, données manquantes, dispositif déséquilibré).

 

Résultats attendus :

 

- Développement de modèles spatio-temporels bayésiens intégrant des données multi-échelles et multi-sources applicables à l’épidémiologie (végétale, animale ou humaine).

- Développement d’un protocole d’analyse de données pour une optimisation des stratégies d’épidémiosurveillance.

- Production d’outils d’aide à la décision et de scénarios de gestion du risque pour la maladie du balai de sorcière du manioc en collaboration avec les acteurs de terrain.

- Soumission d’au moins deux articles dans des revues internationales avec facteur d’impact.

- Participation à une ou deux conférences internationales.

 

Bibliographie :

Allinne, C., Savary, S., & Avelino, J. (2016). Delicate balance between pest and disease injuries, yield performance, and other ecosystem services in the complex coffee-based systems of Costa Rica. Agriculture, Ecosystems & Environment, 222, 1–12.

Bagavathiannan, M. V., Graham, S., Ma, Z., Barney, J. N., Coutts, S. R., Caicedo, A. L., De Clerck-Floate, R., West, N. M., Blank, L., Metcalf, A. L., Lacoste, M., Moreno, C. R., Evans, J. A., Burke, I., & Beckie, H. (2019). Considering weed management as a social dilemma bridges individual and collective interests. Nature Plants, 5, 343–351.

Chen, M., et al. "Identification of physical activity and sedentary behaviour dimensions that predict mortality risk in older adults: development of a machine learning model in the Whitehall II accelerometer sub-study and external validation in the CoLaus study." EClinicalMedicine 55 (2023).

Denis, M., and G. Tadesse., M. "Graph-structured variable selection with Gaussian Markov random field horseshoe prior." Statistical Modelling (2023): 1471082X241310958.

European Food Safety Authority (EFSA), Lázaro, E., Parnell, S., Civera, A. V., Schans, J., Schenk, M., & Vos, S. (2020). General guidelines for statistically sound and risk‑based surveys of plant pests.

Gilligan, C. A. (2008). Sustainable agriculture and plant diseases: An epidemiological perspective. Philosophical Transactions of the Royal Society B, 363(1492), 741–759.

Ingebrigtsen, R., Lindgren, F., & Steinsland, I. (2014). Spatial models with explanatory variables in the dependence structure. Spatial Statistics, 8, 20–38.

Leiva, A. M., Pardo, J. M., Arinaitwe, W., et al. (2023). Ceratobasidium sp. is associated with cassava witches’ broom disease. Scientific Reports, 13, 22500.

Leandro-Muñoz, M. E., et al. "Effects of microclimatic variables on the symptoms and signs onset of Moniliophthora roreri, causal agent of Moniliophthora pod rot in cacao." PLoS One 12.10 (2017): e0184638.

Mastin, A. J., Gottwald, T. R., van den Bosch, F., Cunniffe, N. J., & Parnell, S. (2020). Optimising risk‑based surveillance for early detection of invasive plant pathogens. PLoS Biology, 18(10), e3000863.

Motisi, N., Bommel, P., Leclerc, G., Robin, M. H., Aubertot, J. N., Butron, A. A., Merle, I., Treminio, E., & Avelino, J. (2022). Improved forecasting of coffee leaf rust by qualitative modeling: Design and expert validation of the ExpeRoya model. Agricultural Systems, 197, 103352.

Nothdurft, A. (2020). Climate sensitive single tree growth modeling using a hierarchical Bayes approach and INLA. Forest Ecology and Management, 478, 118497.

Oro, F. Z., et al. "Spatiotemporal pattern analysis of cacao swollen shoot virus in experimental plots in Togo." Plant Pathology 61.6 (2012): 1043-1051.

Parnell, S., Gottwald, T. R., Cunniffe, N. J., Alonso Chavez, V., & van den Bosch, F. (2015). Early detection surveillance for an emerging plant pathogen. Proceedings of the Royal Society B, 282, 20151478.

Parnell, S., van den Bosch, F., Gottwald, T., & Gilligan, C. A. (2017). Surveillance to inform control of emerging plant diseases: An epidemiological perspective. Annual Review of Phytopathology, 55(1), 591–610.

Pardo, J. M., Gil‑Ordóñez, A., Leiva, A. M., Enjelvin, L., Chourrot, A., Kime, S. C. K., et al. (2024). First report of cassava witches’ broom disease and Ceratobasidium theobromae in the Americas. New Disease Reports, 50, e70002.

Radici, A., Martinetti, D., & Bevacqua, D. (2023). Global benefits and domestic costs of a cooperative surveillance strategy to control transboundary crop pathogens. Plants, People, Planet, 5, 923–932.

Rimbaud, L., Bruchou, C., Dallot, S., Pleydell, D. R., Jacquot, E., Soubeyrand, S., & Thébaud, G. (2018). Using sensitivity analysis to identify key factors for the propagation of a plant epidemic. Royal Society Open Science, 5(1).

Rimbaud, L., Dallot, S., Bruchou, C., Thoyer, S., Jacquot, E., Soubeyrand, S., & Thébaud, G. (2019). Improving management strategies of plant diseases using sequential sensitivity analyses. Phytopathology, 109(7), 1184-1197.

Ristaino, J. B., Anderson, P. K., Bebber, D. P., Brauman, K. A., Cunniffe, N. J., Fedoroff, N. V., et al. (2021). The persistent threat of emerging plant disease pandemics to global food security. Proceedings of the National Academy of Sciences, 118(23), e2022239118.

Robin N. Thompson, Ellen Brooks-Pollock; Detection, forecasting and control of infectious disease epidemics: modelling outbreaks in humans, animals and plants. Philos Trans R Soc Lond B Biol Sci 24 June 2019; 374 (1775): 20190038. https://doi.org/10.1098/rstb.2019.0038

Soubeyrand, S., Estoup, A., Cruaud, A., et al. (2024). Building integrated plant health surveillance: A proactive research agenda. CABI Agriculture and Bioscience, 5, 72.

Thompson, R. N., & Brooks‑Pollock, E. (2019). Detection, forecasting and control of infectious disease epidemics: Modelling outbreaks in humans, animals and plants. Philosophical Transactions of the Royal Society B, 374(1775), 20190038.

 

 

Modifié le: mercredi 23 septembre 2026, 11:06