Unité M I A Jouy en Josas Mathématique et Informatique Appliquées Hervé Monod

1. Unité MIAJouy en Josas Mathématique et InformatiqueAppliquées Hervé Monod

2. L’INSTITUT NATIONAL de la RECHERCHE AGRONOMIQUE • Né en 1946 • EPST sous l’autorité des Ministères de l’Agriculture et de la Recherche • 2ème plus grand organisme de recherche en France (env. 9000 personnes, budget de 680 millions d’euros) • 1er organisme européen de recherche en agriculture N U T R I T I O N A G R I C U L T U R E E N V I R O N NE M E N T

3. NUTRITION A G R I C U L T U R E E N V IR O NNE M E N T INRA: ressources • 21 centres de recherche • 14 départements de recherche • 468 unités > 257 unités de recherche (dont 140 en association) • > 80 unités expérimentales • > 131 unités de support Conseil d’administration24 mars 2005

4. Trois thèmes majeurs : 1.Développement d’une agriculture durable • 2.Nutrition et ses effets sur la santé humaine • 3.Environnement et développement régional • Des recherches très diversifiées • microbiologie, biologie fondamentale • génétique animale, végétale • écologie, agronomie • sciences économiques et sociales • mathématique appliquée, bioinformatique => Département MIA (environ 120 personnes) N U T R I T I O N A G R I C U L T U R E E N V I R O N NE M E N T

5. UMR AgroParisTech Met@Risk MIAJouy MIG BioSP BIA Toulouse Montpellier

6. Equipes de Mathématique et Informatique Appliquées:

7. MIAJouy en Josas http://www.jouy.inra.fr/mia • 26 permanents, 10 thèses encadrées ou coencadrées, 4 CDD et post-docs • 2 équipes MathCell et MathRisq • Objectifs généraux de recherche: • méthodes statistiques • méthodes pour la modélisation • applications en biologie, agronomie, écologie, épidémiologie

8. Applications:multi-échelles • cellule, tissu, organe • individu • population • paysage • analyse d’images 2D, 3D, 3D+temps • modélisation • biologie prédictive • évaluation quantitative du risque

9. Thèmes de recherche méthodo • Modélisation • déterministe et stochastique, spatiale et temporelle • méthodes d’exploration numérique • Statistique • plans d’expériences, processus stochastiques • inférence fréquentiste et bayésienne

10. paysage population EA Parcellaire Bar coding SA, GA, EA Fièvre Q, ESB, tremblante, BVD, campylobacteriose, … pollen individu MNH organe Colon ALIMH BV/Bio. Cell. multicellullaire PHASE/BDR Arabidopsis thaliana trophoblaste PHASE, BV cellulaire Inst. Curie Noyau cellulaire Cellule humaine moléculaire MIG Docking

11. Importance: • de l’aléatoire • de la variabilité biologique, environnementale • de l’incertitude sur le climat • Développement de la modélisation dans de nombreux domaines d’application: • biologie moléculaire, physiologie • agriculture: modèles de culture, flux de gènes entre parcelles, ... • agri-environnement: émission de gaz à effet de serre, nitrates, ... • écologie: dynamiques de population, études sur la biodiversité, ... • + épidémiologie, génétique, etc. Ex: dispersion de pollen OGM

12. Contexte Fièvre Q : zoonose (maladie infectieuse ou parasitaire affectant principalement les animaux, transmissible à l'homme par les animaux et réciproquement)‏ Agent responsable: Bactérie Coxiella burnetii * zoonose d’intérêt majeur Ruminants = principale source d’infection humaine Peu de connaissances sur la propagation de la bactérie en troupeau bovin

13. p s q r 1 2 m  Modèle épidémiologique Non excréteur pas d’anticorps Non excréteur anticorps Excréteur pas d’anticorps Excréteur anticorps NS- S I- I+ C S* E avec p = 1- exp(-E)‏

14. (i)‏ (i)‏ R1,h R2,h O2,h (i)‏ Réseau bayésien Au niveau individuel : Représentation de l’évolution temporelle de l’état de santé réel d’une vache en tenant compte de son état observé E1,h E0,h Q Individu i du troupeau h au temps t Rt,h : état de santé réel Q : paramètres de transition Et,h : qté de B dans l’environnement Ot,h : état de santé observé U : paramètres d’incertitude U