Annonce du lauréat du prix de chercheur en début de carrière – Methods Blog
Nous sommes ravis d’annoncer Willem Bonnaffé comme vainqueur du concours 2023. Prix Robert Maycélébrant le meilleur article de la revue rédigé par un auteur au début de sa carrière.
Gagnant: Willem Bonnaffe
À propos de la recherche
Dans des travaux antérieurs, William Bonnaffé et Tim Coulson ont montré comment les réseaux de neurones pouvaient être utilisés dans des modèles mathématiques pour combler les lacunes de notre compréhension des mécanismes à l’origine des modèles dynamiques que nous observons dans la nature.
Dans cet article, ils ont conçu un algorithme qui réduit les temps d’ajustement de 15 minutes à 5 secondes (sur la série chronologique lièvre-lynx), en utilisant des réseaux de neurones pour contourner les simulations numériques. Cela permet d’aborder des systèmes plus vastes, ce qu’ils démontrent en estimant les interactions écologiques à partir de séries chronologiques dans une communauté aquatique de 15 espèces.
Au-delà de la vitesse, leur méthode traite automatiquement l’incertitude et la complexité du modèle grâce à l’échantillonnage et à la régularisation bayésiens. Cela en fait un outil puissant pour la gestion de la population, car l’utilisateur peut se concentrer sur la surveillance et la prévision de la dynamique, laissant aux réseaux neuronaux la tâche difficile d’identifier les mécanismes.
À propos du gagnant
Willem est titulaire d’un BSc en sciences de la vie à l’Université Pierre et Marie Curie, d’un MSc en biologie à l’Ecole normale supérieure d’Ulm et d’un doctorat en zoologie de l’Université d’Oxford, où il effectue actuellement un postdoc. Ses recherches portent sur l’intégration de modèles mathématiques de systèmes naturels avec des données du monde réel grâce aux statistiques bayésiennes et à l’apprentissage automatique. Son objectif principal a été d’intégrer des réseaux de neurones dans des modèles de systèmes dynamiques afin d’identifier les moteurs des dynamiques spatiales, écologiques et évolutives. En plus des systèmes naturels, il a récemment commencé à intégrer ces méthodes à des modèles d’apprentissage profond pour étudier l’évolution du cancer en pathologie numérique.
Nous avons posé quelques questions à Willem sur ses recherches et sa carrière :
Pourriez-vous nous parler un peu de vous et de comment vous êtes arrivé à l’écologie ?
J’ai passé une bonne partie de mon enfance à explorer les forêts et les rivières de la France rurale. Je voulais une carrière qui me permettrait de maintenir ce lien avec la nature tout au long de ma vie, ce qui m’a amené à étudier la biologie à l’université. Durant mes études de licence, j’ai d’abord été intimidé par l’ampleur et la complexité de l’écologie en tant que domaine de recherche. Cela a changé lors d’une conférence sur la modélisation écologique qui a montré comment la formation du vol en forme de V des oiseaux migrateurs pouvait être expliquée par 3 règles de base. Depuis lors, modéliser les systèmes naturels pour découvrir leur fonctionnement essentiel est mon obsession.
Qu’est-ce qui vous a le plus plu dans la conduite de cette recherche ?
Je suis fasciné par la flexibilité des réseaux de neurones et par la promesse de pouvoir analyser et prévoir la dynamique des systèmes naturels sans aucune compréhension préalable de ce que cela pourrait être. Il y aura toujours des composants des modèles sur lesquels nous n’avons pas d’informations. Les réseaux de neurones peuvent combler nos lacunes jusqu’à ce que nous identifiions une théorie mécaniste appropriée, d’une manière analogue aux effets aléatoires dans les modèles linéaires.
Y a-t-il eu des expériences amusantes ou des découvertes surprenantes issues de cette recherche ?
Je suis tombé par hasard sur ce cadre en essayant de modéliser les schémas de vol des papillons nocturnes autour des lampadaires. Je n’étais pas satisfait de la dynamique que j’obtenais avec des modèles paramétriques simples et j’ai plutôt essayé de brancher un petit cerveau (c’est-à-dire les réseaux de neurones) dans les équations afin d’entraîner les papillons à voler de manière réaliste. J’ai vite réalisé que la puissance de l’approche, car au lieu de la position des papillons dans l’espace, on pouvait modéliser n’importe quelle grandeur écologique/évolutive, comme les densités de population, les distributions phénotypiques… et que tout cela reste à (ré)explorer !
Avez-vous poursuivi ces recherches et si oui, où en êtes-vous actuellement ?
Dans mon doctorat, j’ai appliqué cette méthodologie pour estimer les effets de rétroaction entre les changements écologiques et évolutifs. En m’appuyant sur ce travail, j’intègre actuellement le cadre à l’équation de Price, où les réseaux neuronaux se rapprochent des paysages de fitness à partir de données de séries chronologiques, et donc des gradients de fitness, nous permettant d’évaluer dans quelle mesure le changement phénotypique suit les optima de fitness locaux dans la nature.
À l’avenir, ce travail permettra également de développer des modèles plus complexes pour déduire de manière non paramétrique la dynamique des populations structurées. Cela générerait des informations inestimables sur la dynamique spatiale des populations et l’évolution phénotypique.
J’explore également les moyens de combiner cette méthodologie avec des modèles d’apprentissage profond et la pathologie numérique pour étudier l’évolution du cancer. Cela nous permettrait d’exploiter les bases de données colossales contenant des informations génétiques et phénotypiques sur plusieurs cancers, ce qui pourrait fournir de nouvelles informations sur l’évolution et contribuer à améliorer les soins aux patients.
Retrouvez l’article gagnant : ‘Ajustement rapide d’équations différentielles neuronales ordinaires par correspondance de gradient neuronal bayésien pour déduire des interactions écologiques à partir de données de séries chronologiques‘, ainsi que les articles présélectionnés pour le prix Robert May 2023 dans ce Problème virtuel.