En savoir plus

Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie

Moyens de désactivation

Cookies analytiques et de performance

Realytics
Google Analytics
Spoteffects
Optimizely

Cookies de ciblage ou publicitaires

DoubleClick
Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires

Cookies fonctionnels

Cookies sociaux et publicitaires

Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.

Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.

Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.

Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse).

Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)

Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.

Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de l’INRA par email à cil-dpo@inra.fr ou par courrier à :

INRA
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2018

Menu Logo Principal Oniris

Biologie Epidémiologie et Analyse de Risque en santé animale

BIOEPAR - http://www6.angers-nantes.inra.fr/bioepar

Des méthodes d’intelligence artificielle pour modéliser la propagation d’agents pathogènes dans des populations fortement structurées dans l’espace et dans le temps

Intelligence artificielle pour modéliser la propagation d’agents pathogènes
Les systèmes d’élevage complexe (tels que la conduite en bandes en élevage porcin) reposent sur une forte structuration des populations dans l’espace et dans le temps. L’écriture de modèles épidémiologiques mécanistes pour comprendre, prédire et maîtriser la propagation d’agents pathogènes dans de tels systèmes peut s’avérer longue, difficile et peu réutilisable. Des méthodes à la confluence de l’intelligence artificielle et du génie logiciel ont été développées pour fournir des solutions génériques pour formaliser explicitement ce type de modèle sous une forme lisible par des scientifiques non modélisateurs. Les modélisateurs disposent ainsi d’un cadre flexible leur permettant d’exprimer de façon très fine l’organisation et les contraintes s’appliquant aux populations étudiées, ces spécifications étant ensuite traitées automatiquement par un moteur de simulation. Ces méthodes originales ont fait l’objet d’une publication à ICAART (conférence internationale en IA avec comité de lectures et actes) et vont être appliquées à la modélisation de l’impact de la conduite en bandes sur des maladies porcines (grippe et syndrome dysgénésique et respiratoire du porc), en collaboration avec l’Anses.

Contexte et enjeux 

La modélisation épidémiologique mécaniste, qui représente explicitement les processus d’un pathosystème, est cruciale pour comprendre et anticiper la transmission d’agents pathogènes dans des populations, et permet de comparer la faisabilité et l’efficacité de stratégies de maîtrise réalistes. L’élaboration de tels modèles est complexe, car ils doivent représenter la dynamique de propagation, la structure des populations, les interactions avec leur environnement, etc. Des méthodes d’intelligence artificielle (IA) permettent d’élaborer des cadres de modélisation qui facilitent l’expression, l’écriture, la validation et la réutilisation des modèles, sous une forme lisible par des scientifiques non modélisateurs (cf. le logiciel EMULSION, développé à BIOEPAR). Toutefois, dans certains systèmes d’élevage, la forte structuration spatiale et temporelle des populations peut induire une complexité dont la prise en compte est nécessaire pour proposer des mesures réalistes. Faciliter l’élaboration de tels modèles, tout en conservant le caractère générique des méthodes mobilisées, restait un challenge, auquel répondent les travaux publiés cette année dans la conférence internationale en IA ICAART.

Résultats 

L’article publié à ICAART propose la formalisation des couplages et contraintes entre les différentes structures de populations (spatiales et temporelles) au moyen de méthodes à la confluence de l’IA (simulations multi-agents) et du génie logiciel. Une abstraction originale, générique et réutilisable a été élaborée et intégrée au logiciel EMULSION, permettant ainsi la modélisation de pathosystèmes complexes. Le langage de modélisation associé permet de décrire ces structures sans écrire de code.

Pour preuve de concept, cette approche a été appliquée pour modéliser la conduite en bandes d’un élevage naisseur-engraisseur porcin. La représentation et le couplage des différents niveaux organisationnels (bandes et portées ; secteurs, bâtiments et salles) sont facilités et peuvent être modifiés au gré des besoins. Cette méthode permet de suivre l’état des individus et des groupes d’individus, leur évolution, et de paramétrer leurs relations pour refléter des situations réalistes (nombre de bandes, de salles, de bandes par salle, affectation selon le statut physiologique, etc.). Ces spécifications sont gérées automatiquement par l’extension du moteur de simulation. Les résultats de simulation, en phase avec la conduite effective sur le terrain, et les échanges menés avec des chercheurs biologistes et vétérinaires, confirment la pertinence de cette approche.

Perspectives 

La capacité donnée aux modèles épidémiologiques de prendre en compte de façon explicite la forte structuration de populations dans l’espace et dans le temps donne la possibilité de paramétrer finement les voies de transmission, d’identifier des leviers de maîtrise précis en lien avec des pratiques réalistes, et d’intégrer des grains plus fins en fonction des hypothèses à explorer, sans impacter la structure du modèle. Ce modèle organisationnel sera appliqué à la modélisation de la grippe porcine (influenza A) et du syndrome dysgénésique et respiratoire du porc (SDRP). À plus long terme, il devrait faciliter l’intégration dans un même modèle d’échelles plus fines (intra-hôte) ou plus large (inter-populations) d’une façon homogène.

Référence bibliographiques 

Sicard, V., Andraud, M., Picault, S., 2021. Organization as a Multi-level Design Pattern for Agent-based Simulation of Complex Systems:, in: Proceedings of the 13th International Conference on Agents and Artificial Intelligence. SCITEPRESS. doi:10.5220/0010223202320241

IA

Système organisationnel appliqué à un élevage porcin naisseur-engraisseur, pour représenter la structuration sociale en bandes/portées et la structuration spatiale en secteurs/bâtiments.
Les mêmes mécanismes sont utilisés pour les deux types d’organisation.