Mots-Clés

video tracking 3D, machine learning, comportement, intelligence artificielle, programmation

Description

Analyse exploratoire de trajectoires 3D d'essaims de moustiques avec des outils de machine learning.

Problématique générale :

La lutte contre la transmission du paludisme par la piqûre d'un moustique nécessite de bien connaître la biologie de ce vecteur. À ce titre, nous travaillons à mieux connaître le comportement d'accouplement des moustiques pour identifier les failles qui pourraient permettre d'améliorer les méthodes de lutte antivectorielle existantes ou d'en créer de nouvelles. Le comportement d’accouplement des moustiques vecteurs du paludisme repose sur la réunion de plusieurs 10aines à plusieurs 100 aines de mâles dans des essaims au crépuscule où quelques femelles viennent chercher un partenaire pour s'accoupler. Cependant, il est difficile d'étudier ce comportement à l'œil nu et de distinguer les mâles des femelles dans les essaims (Poda et al. 2019).

              À ce jour, nous avons caractérisé le comportement de vol des mâles dans les essaims grâce à des enregistrements vidéo 3D qui nous permettent de reconstituer leurs trajectoires et d'en extraire les paramètres (Gupta et al. 2024, Poda et al. 2024, Cribellier et al. 2024). Désormais, nous voulons caractériser le comportement des femelles et des couples dans les essaims en déterminant par exemple, s'il existe ou non des interactions entre mâles et femelles avant les accouplements, combien de temps durent ces interactions et les accouplements et à quels endroits de l'essaim ont-ils lieu. Malheureusement, l'identification des sexes et de la formation des couples, qui est essentielle pour répondre à ces questions, est très fastidieuse lorsqu'elle est réalisée sur la simple inspection des enregistrements ou des données 3D.

Objectif du stage :

L'objectif de ce stage est d'automatiser autant que possible cette tâche. Pour cela, l'étudiant.e bénéficiera de trois types d'enregistrements vidéo déjà réalisés (essaims de mâles seuls, essaims de femelles seules, essaims où des accouplements ont lieu) et dont les données de tracking 3D (x, y, z, temps, 50fps) sont déjà extraites.

Les jeux de données biologiques, comme celui-ci, sont par nature complexes et bruyants, ce qui les rend parfois difficiles à interpréter. Ainsi, leur analyse nécessite tout d'abord une inspection minutieuse pour parvenir à une bonne compréhension de leurs aspects intrinsèquement aléatoires. Ensuite, une approche exploratoire et créative est nécessaire pour détecter les grandes tendances ou les mécanismes sous-jacents, notamment pour identifier la formation des couples.

Par ailleurs, la grande quantité de données tridimensionnelles (plusieurs milliers de fragments de trajectoires) crée des défis pour l'analyse, mais aussi des opportunités méthodologiques, car elle permet l'utilisation d'outils d'analyse statistique tels que l'analyse en composantes principales (ACP), le clustering (k-means), ou encore des méthodes d'apprentissage automatique, comme les modèles de Markov cachés.

Par conséquent, en plus de posséder de bonnes compétences techniques (programmation en Python ou MATLAB), l'étudiant.e devra faire preuve de curiosité pour le comportement en vol des insectes, d'une volonté d'explorer un jeu de données riche et complexe, ainsi que de créativité et de pragmatisme dans le choix et l'utilisation des outils d'analyse.

À noter que le ou la stagiaire sera basé.e à Montpellier avec Olivier Roux (Biologiste) et devra interagir à distance avec l'équipe de Wageningen pour la partie programmation.

Références :

Poda SB, Nignan C, Gnankiné O, Dabiré RK, Diabaté A & Roux O (2019). Sex aggregation and species segregation cues in swarming mosquitoes: role of ground visual markers. Parasites & Vectors 12, 589. https://doi.org/10.1186/s13071-019-3845-5

Gupta S, Cribellier A, Poda SB, Roux O, Muijres FT & Riffell JA (2024). Mosquitoes integrate visual and acoustic cues to mediate conspecific interactions in swarms. Current Biology 34(18), 4091-4103.e4. https://doi.org/10.1016/j.cub.2024.07.043

Poda BS, Cribellier A, Feugère L, Fatou M, Nignan C, Hien DFS, Müller P, Gnankiné O, Dabiré RK, Diabaté A, Muijres FT & Roux O (2024). Spatial and temporal characteristics of laboratory-induced Anopheles coluzzii swarms: shape, structure and flight kinematics. iScience, ISCI111164. https://doi.org/10.1016/j.isci.2024.111164

Cribellier A, Poda BS, Diabaté A, Roux O & Muijres FT (2024). The complex swarming dynamics of malaria mosquitoes emerges from simple minimally-interactive behavioral rules. bioRxiv, 2024.08. 31.610631. https://doi.org/10.1101/2024.08.31.610631