Rejoindre le CBGP

Évaluation du rôle de la dispersion longue distance assistée par les vents dans les dynamiques d’infestation des ravageurs de culture : application à la mouche orientale des fruits, Bactrocera dorsalis, en Afrique de l’Ouest.

Lieu : INRAE-PACA, unité Pathologie Végétale, Domaine Saint-Maurice, 84140 Montfavet, France
Mots clés : mouche des fruits, Sénégal, ravageur, dynamique de population, dispersion, connectivité aérienne, génétique des populations, modélisation statistique

Contexte et hypothèses : La dispersion aérienne sur de longues distances est un moteur important de la propagation spatiale des pathogènes et des insectes, avec des exemples frappants chez les champignons, les papillons de nuit et les criquets (Brown & Hovmøller 2002 ; Chapman et al. 2015). En Afrique de l’Ouest (AO), où la mouche orientale des fruits, Bactrocera dorsalis (BD), est un ravageur majeur de la mangue depuis son introduction en 2005, les vents pourraient faciliter la dispersion à longue distance entre les bassins de production et catalyser ainsi les dynamiques d’infestation locale, en particulier dans les zones où l’environnement est peu  favorable à la survie de BD en saison sèche. En effet, la saison des mangues en AO s’étale de Mars à Juin, selon un gradient latitudinal des bassins de productions les plus précoces, situés dans les zones tropicales, aux plus tardifs situés dans la zone sahélienne, e.g. zone des Niayes (Fig. 1). Le système aérien de surface est lui influencé par le déplacement saisonnier de la zone de convergence intertropicale avec des vents dominants (mousson du sud-ouest et harmatan du nord-est) traversant les bassins de production, des plus précoces, aux plus tardifs (e.g. Ghana, Guinée, Côte d’Ivoire, Guinée-Bissau, sud du Mali, Casamance, puis Niayes). Identifier ces réseaux potentiels de dispersion par le vent peut être clé pour comprendre et prévoir les dynamiques d’infestation et concevoir des stratégies de lutte collective à grande échelle.

Méthodologie : Les réseaux potentiels de dispersion assistée par les vents entre bassins de production seront déduits dans le cadre mathématique de la théorie des graphes à l’aide des trajectoires des masses d’air simulées avec le modèle HYSPLIT (HYbrid Single Particle Lagrangian Integrated Trajectory, https://ready.arl.noaa.gov/HYSPLIT.php). Dans ce cadre, le résultat d’une trajectoire unique à partir d’un site donné à un temps donné est un vecteur de positions horaires en longitude, latitude et altitude de la masse d’air, associé à divers indices météorologiques. De multiples retro-trajectoires seront modélisées sur des périodes de temps (e.g. hebdomadaire, mensuelle) successives à partir d’ensemble de points distribués dans chaque bassin de production qui constitueront les nœuds du réseau de connexions potentielles. Les trajectoires connectant les nœuds seront sélectionnées en fonction de la biologie du système d’étude (e.g. altitudes et conditions météorologique réalistes avec le chargement et le déchargement d’individus dans et hors de la masse d’air au niveau des nœuds et avec la survie des individus le long de la trajectoire) et leurs fréquences permettra de dériver une probabilité de contact source-récepteur (Richard et al. 2023). Suite à ce travail de modélisation des trajectoires potentielles de BD par les masses aériennes, il s’agira d’évaluer leur rôle dans la dynamique d’infestation de BD par des analyses descriptives et statistiques. Dans un premier temps, plusieurs indices de topologie des réseaux de vents seront calculés sur (e.g. densité, transitivité) et une analyse de clustering  permettra de décrire les changements temporels significatifs de la connectivité aérienne (Choufany et al. 2021). Dans un second temps, divers indices de connectivité génétique (eg. estimation de flux de gènes asymétriques, taux d’assignation) seront calculés à partir d’un jeu de données SNPs déjà disponible, constitué d’une quarantaine d’échantillons populationnels de BD collectés dans les bassins de production d’Afrique de l’Ouest et génotypés à plusieurs milliers de marqueurs. Finalement, les réseaux de connectivité aérienne seront confrontés aux réseaux de connectivité génétique entre bassins de production par des approches de régressions pour valider la réalisation d’évènements de dispersion assistée à longue distance (Sundqvist et al. 2016,  Leyronas et al. 2013, Kling & Ackerly 2021).

Outils : Les analyses seront principalement réalisées dans l’environnement de programmation R (un peu de python). L’étudiant.e bénéficiera d’un accès à un serveur de calcul et à une bibliothèque de scripts qui seront adaptés et intégrés dans un pipeline unique.

Encadrement et laboratoire d’accueil :

• Karine Berthier (Chercheuse, INRAE-PV, Avignon) – Ecologie spatiale, dynamique des populations
• Marie-Pierre Chapuis (Chercheuse, CIRAD-CBGP) –  génomique des populations, biologie de l’invasion
• Sylvain Piry (Ingénieur de recherche, INRAE-PV/CBGP) – bio-informatique

 

L’étudiant.e sera accueilli à l’UR PV (https://pathologie-vegetale.paca.hub.inrae.fr/) à Avignon et bénéficiera d’une place de bureau, d’un ordinateur, d’accès aux ressources de l’unité, ainsi que d’interactions avec les chercheurs de l’unité INRAE-BioSP (https://biosp.mathnum.inrae.fr/) développant des méthodes et outils pour évaluer les réseaux de connectivité aérienne (voir Richard et al. 2023). L’étudiant.e bénéficiera d’un coencadrement au sein de l’UMR CBGP (https://umr-cbgp.fr/) à Montpellier, qui sera assuré par des réunions régulières en visioconférence et des déplacements de la co-encadrante sur Avignon. L’étudiant.e effectuera également de courts séjours à Montpellier, pour interagir avec d’autres chercheur.es et étudiant.es de l’unité développant ou utilisant des méthodes et outils en génétique spatiale. Le montant des indemnités de stage M2 sera aligné sur les conditions en vigueur au 1^er janvier 2025.

Profil recherché :

• Étudiant.e issu.e de Master 2 en écologie statistique, écologie évolutive ou toute autre formation similaire,
• Des compétences en programmation R est un pré-requis,
• Des notions et un intérêt pour la génétique des populations sont souhaitables,
• Gestion et analyses de données spatiales sur SIG et R,
• Autonomie, aptitude au travail collaboratif et attrait pour des sujets pluridisciplinaires.

 

Références :

• Brown JK & Hovmøller MS (2002). Aerial dispersal of pathogens on the global and continental scales and its impact on plant disease. Science. 26.297(5581):537-41. doi:10.1126/science.1072678. PMID: 1214252
• Chapman JW et al. (2015). Long-range seasonal migration in insects: mechanisms, evolutionary drivers and ecological consequences. Ecology Letters (2015) 18: 287–302. doi.org/10.1111/ele.12407
• Choufany M et al. (2021). Spatiotemporal large-scale networks shaped by air mass movements. Front. Appl. Math. Stat. 6:602621. doi:10.3389/fams.2020.602621
• Leyronas C. et al. (2018) Assessing the Aerial Interconnectivity of Distant Reservoirs of Sclerotinia sclerotiorum. Front Microbiol. 9. 10.3389/fmicb.2018.02257
• Richard H et al. (2023) Computing Geographical Networks Generated by Air-Mass Movement. Geohealth;7(10):e2023GH000885. doi: 10.1029/2023GH000885. PMID: 37859755; PMCID: PMC1058437
• Sundqvist, L. et al. (2016) Directional genetic differentiation and relative migration. Ecol Evol. 6: 3461-3475. https://doi.org/10.1002/ece3.2096
• Kling MM & Ackerly DD (2021) Global wind patterns shape genetic differentiation, asymmetric gene flow, and genetic diversity in trees. PNAS, 118(17). https://doi.org/10.1073/pnas.2017317118