ESTIMATION DE PARAMETRES EPIDEMIOLOGIQUES

ESTIMATION DE PARAMETRES EPIDEMIOLOGIQUES

La première étape du processus de modélisation PESO consiste à estimer les paramètres qui caractérisent une épidémie. Comme cela a été présenté en introduction, les paramètres régissant les épidémies de sharka ont été estimés par Pleydell et al. (2018). Néanmoins, les données utilisées pour réaliser ces estimations ne prennent pas en compte la localisation exacte des arbres infectés, mais la proportion d’arbres infectés par parcelle, ce qui peut réduire la précision de l’estimation de la fonction de dispersion du virus. En effet, la connectivité des parcelles a été calculée à partir de leurs centroïdes, ce qui peut par exemple entrainer un biais dans l’estimation de la fonction de dispersion si un seul côté d’une parcelle comprend des arbres infectés. L’objectif de ce volet de ma thèse consiste à estimer de manière plus précise les paramètres épidémiologiques qui caractérisent la sharka, en utilisant des données épidémiologiques acquises au grain de l’arbre ainsi que des données génétiques. Pour cela, j’ai tout d’abord réalisé une synthèse bibliographique (présentée dans la première partie de ce chapitre sous forme de revue) qui explique comment des données épidémiques et génétiques peuvent aider à la compréhension des épidémies. Dans une deuxième partie, nous avons tenté d’estimer plusieurs paramètres épidémiologiques de la sharka à l’aide d’un modèle visant à reconstruire les liens de transmission entre les hôtes individuels (en inférant « qui a infecté qui » dans le paysage).

Afin de comprendre la dynamique des épidémies, il est crucial d’identifier comment (voie de transmission), quand (période de transmission et fréquence), et où (hôte, emplacement et distance) ces pathogènes sont transmis. Pour cela, l’épidémiologie moléculaire est de plus en plus utilisée : cette approche exploite l’information sur la variabilité génétique des agents pathogènes pour caractériser leur dispersion et leur évolution. En particulier, des approches permettant d’estimer les paramètres épidémiologiques d’une maladie et d’identifier les voies de transmission de l’agent pathogène responsable entre les hôtes ou les populations hôtes ont été développées depuis une dizaine d’années. contribué à l’écriture de la 3ème partie qui traite de l’inférence des arbres de transmission des maladies et de l’estimation des paramètres épidémiologiques, ainsi qu’à l’introduction et à la discussion. Epidemics caused by the spread of pathogenic agents through host populations can be a high socioeconomic burden (71, 143). In order to support public policy decision-making regarding disease control strategies, scientists need to understand and, ultimately, quantify and predict how pathogens spread within and between host populations. This understanding has been recently improved by attempts to trace pathogen dispersal using molecular epidemiology and novel sta- tistical approaches. Molecular epidemiology uses information on pathogen genetic variation to unravel the niche of a pathogen (including host and vector species) and characterize its dispersal and evolution (129). Such studies focus on the identification of risk factors that affect host exposure or intrinsic susceptibility to pathogens and on the dispersal of these pathogens from infected to susceptible hosts (8). In order to understand and control epidemics, it is indeed crucial to identify how (transmission route), when (transmission period and frequency), and where (host, location, and distance) pathogens are transmitted.

Although, ideally, fully documented epidemiological records would provide a wealth of neces- sary information, such a detailed level of pathogen-tracing information is not attainable in practice. However, even incomplete and indirect information on pathogen dispersal—such as host range, population connections, and epidemic origin and spread—can be highly valuable. In particular, the quantification of pathogen transmission across various distances, and specifically the characteriza- tion of long-distance dispersal events, has major implications for disease management strategies. To address these issues, pathogen tracing relies on indirect approaches that derive epidemiological information from the spatiotemporal structure of pathogen genetic diversity. Viruses are partic- ularly amenable to such studies because their epidemiological and evolutionary dynamics occur at similar short timescales. Moreover, the high number of polymorphisms in their small genomes can be accessed relatively easily, and increasingly in real time, during epidemics (32, 60). As such, viruses are “measurably evolving” pathogens (7, 29).