CNRS Le Journal n°300 jun/jui/aoû 2020
CNRS Le Journal n°300 jun/jui/aoû 2020
  • Prix facial : gratuit

  • Parution : n°300 de jun/jui/aoû 2020

  • Périodicité : trimestriel

  • Editeur : CNRS

  • Format : (210 x 270) mm

  • Nombre de pages : 68

  • Taille du fichier PDF : 9,6 Mo

  • Dans ce numéro : spécial covid-19.

  • Prix de vente (PDF) : gratuit

Dans ce numéro...
< Pages précédentes
Pages : 28 - 29  |  Aller à la page   OK
Pages suivantes >
28 29
SPÉCIAL COVID-19 … spécialisé dans des modèles mathématiques très théoriques. Avec l’augmentation de la puissance de calcul et du traitement des données, ses travaux ont pu être appliqués. Il s’est alors progressivement intéressé aux problèmes de génétique des populations puis aux épidémies. L’importance du R zéro Le mathématicien a simplifié certains modèles, démontrant que des outils accessibles offraient des résultats suffisamment proches des modèles plus lourds et complexes. Ainsi, le processus de Bienaymé-Galton-Watson, conçu à l’origine pour surveiller… la survivance des noms de la noblesse britan nique, est un modèle stochastique utilisé au début des épidémies. « Vous avez quelqu’un qui se reproduit avec un taux appelé R zéro (R0), qui devient le nombre moyen de personnes infectées par un malade dans le cas des épidémies », détaille Jean-Stéphane Dhersin. Quand R0 tombe en dessous de 1, l’épidémie recule. Ce R0 peut être diminué par le confinement d’une population, comme nous en avons fait l’expérience, ou en renforçant l’immunité collective par le biais de la vaccination lorsque celle-ci est disponible. Les modèles existants ne sont pas forcément rédigés à destination du grand public. « L’important est de bien prendre en compte la sensibilité aux hypothèses des modèles, conseille Samuel Alizon. Les modèles sont toujours issus d’une simplification de la réalité. Ensuite, il faut prêter attention aux intervalles de confiance et ne pas se concentrer uniquement sur la médiane. » En effet, si on lit que 2% des personnes infectées vont décéder, mais que la marge d’erreur est de seulement un point de pourcentage, le nombre final varie en réalité... entre moitié moins et moitié plus. ii À lire sur le site du CNRS  : « MODCOV19  : la modélisation pour mieux lutter contre la pandémie », entretien avec Jean-Stéphane Dhersin et Emmanuel Royer, directeurs adjoints scientifiques de l’Insmi. En mars, l’Institut national des sciences mathématiques et de leurs interactions (Insmi) du CNRS a lancé la plateforme Modcov19 1. Son but  : coordonner les actions impliquant de la modélisation autour de la maladie Covid-19. Rapidement, plusieurs centaines de réponses sont parvenues, issues des communautés des mathématiques, de la physique, de la biologie, de l’informatique, des sciences de l’environnement, de l’ingénieur ou des sciences humaines et 28 CNRS LE JOURNAL V/0/11//11/0/0/110/0/0/M, Une plateforme pour coordonner les compétences en modélisation sociales. Les résultats et outils susceptibles d’éclairer la décision politique sont ensuite transmis à Care, le Comité analyse, recherche et expertise chargé par le gouvernement de donner un avis éclairé sur les propositions faites par les scientifiques. 1. https://modcov19.math. cnrs.fr/Sciences numériques versus Covid-19. Informatique. Des spécialistes du numérique se sont mobilisés pour mettre les outils qu’ils développent en temps normal au service de la lutte contre la pandémie. Illustration avec ces trois projets proposés dans le cadre de la plateforme Modcov19. PAR MATHIEU GROUSSON À l’Institut de recherche en informatique fondamentale 1, Claire Mathieu et ses collègues Laurent Viennot et Vincent Cohen-Addad ont très vite eu l’idée que leurs travaux sur les graphes pourraient avoir un intérêt pour étudier la propagation du virus à l’échelle des petites structures sociales  : famille, école, entreprise… « Un graphe est un réseau de points appelés nœuds, reliés par des liens, explique Claire Mathieu. Dans le cadre d’une épidémie, chaque nœud représente une personne et chaque lien entre deux nœuds matérialise une interaction sociale entre deux individus. On se donne une probabilité pour la transmission du virus lors d’une interaction, à partir de quoi on peut étudier la façon dont l’infection se propage. » Par des modélisations similaires, les chercheurs ont par le passé étudié la façon dont une information se propage au sein d’un groupe. Il en ressortait que pour la diffuser au mieux, il fallait privilégier les individus très connectés, ainsi que ceux appartenant à plusieurs communautés. À l’inverse, ce serait eux qu’il faudrait isoler en premier pour contenir une épidémie. Des graphes pour le déconfinement Si les scientifiques ont commencé en exploitant les données collectées en 2011 au sein d’une école primaire par des physiciens dans le cadre du projet SocioPatterns 2, soit la totalité des interactions de l’ensemble des élèves et enseignants pendant deux jours, ils visent la modélisation de réseaux représentatifs de différentes situations, dans une famille, un hôpital ou une entreprise. L’idée est de lier entre eux les différents graphes correspondants afin de comprendre par quels « chemins » passe une épidémie. « Nous pourrions peutêtre aider à éclairer la réflexion sur les différents scénarii de déconfinement étudiés à l’échelle d’une ville ou d’un quartier, en indiquant concrètement quels sont les liens les plus pertinents à maintenir inactifs », envisage l’informaticienne.
'0/0/1/11/00/11/00/10à 5B 1A 1A 1A 5A 5B 1A 1A 1A 1A 5B5A 5A 5A 1A 1A 1A 5B 1A 1A 1A 5B 5A 1A 5A 1A 5B 5A 1A 1A 1A 1A 1A 5A 5B 5B 5B5A 1A 1A 5A Teachers 5A 5A 5A 5A 5A 5B5A 5B 5A 5A 5A 3B 3B 4B 4B 5B 5A 5B 5A 5A 5A 5A 3B 3B 4B 4B 5B 5B 3B 5B 5B 5B 5A 3B 3B 4B 4B 5A Teachers 3B 5A1B 4B 5B 5A 5A 5B 5B 3B 5B 5A 3B 3B 5B 5B 5A 3B 3B 3B 4B 4B 4B 4B 3B 5B 5A 5A 5A 5A 3B 4B 5B 5B 5B 5A 5A 3B 3B 4B 4B 5B 4A 5B 3B 3B 4B 5B 5B 5A 5A 3B 3A 4B 4B 4B 5A 4A Teachers 5B 5B 5A 3B 3B 4B 4B 3A 3A Teachers 3B 3B 3B 3A 4B 4B 5B 4A 4B 5B 5A 5A 3B 4A 4A 4A 4B 3A 3A 3A 3A 5B 5B 4A 3A 4B 4A 4B 4A 5B 3A 3A 4B 3A 3A 3A 5B 5B 5B 4A 4A 4A 3A 3A 3A 5B 3B 1A 3B 3B 5B4A 4A 4B 3A 3A 3A 3B 5B 3B 3A 4B 4B 4A 3A 3A 3A 4B 4B 4B 3A Teachers 3A 3B3A 3B 3B 1B 4A Teachers Teachers 3B 4B 1A Teachers 3A3B 3A 1B 3A 3A 3B 4A 3A 1A 1B 1B 3A3A3A 2B 3A 3A 2A2B 1A 1B 1B 4A 2A 1B 1B 1B 1B 3A 3A 3A 1B 2A 2A 2A 2B 2B 1A 1B 3A 1A 2A 2A 2A 2A 2A 4A 2A 2A 2B 1B 1B 2B 2A 2A 1B 2B 2A 2A 2A 4A 2A 2B 1A 1B 1B 1B 1B 1B 1A 1A 1B 1A 2A 2A 4A 2B Teachers 1A 4A Teachers 2A 2A 2A 4A 4A 4A 4A 2A 2A 2B 1A 2A 2B 4A 2A 2A Teachers 4A 4A 4A 1A 2B 1A 2B 1B 2A 2A 1A 1A 4A 1B 4A 4A 1B 2A 2A 2B 1B 1B 1B 4A 1B 4A 4A 1A 1A 1BTeachers 4A 2A 1A 1B 1A 1A 1B 1B 4A 4A 2B 1B 1B 1B 2B 2A 2A 2A 2B 2BTeachers 1B 1B 2A 5B4B 1B 1B 1B 2B 4B 1B 1B 1B 1B 1B Teachers 3A 3A 2B 2A 1A 1A Teachers 4B 1B 2B 2B 3A 2B 1B 2B 2B 3B 3A 1B 5A 2B 2B 2A 2A 2B 2B 3B3A 2B 2B 2B 2B 4A Teachers 4B 3B 4B 2B 2B 5B 2B 2B 2B 2B 2A 2B 4B 2B 4A 3B 4B 2B 2B 2B 2B 2A Teachers 2A 5B Teachers 1A 4B MATIN MIDI Teachers 4A 4B 2B 2B 2B 2B 2A 4B2B2A 2B 2A 2B Graphes montrant 4B l’évolution des contacts entre élèves (en rouge) de classes différentes, le matin et à midi. Direction à présent le Gipsa-lab 3 de Grenoble, où Didier Georges est spécialiste des systèmes à dynamique spatiotemporelle qu’il modélise notamment pour la surveillance de systèmes naturels ou industriels complexes. Entouré d’autres scientifiques, il propose un modèle de la pandémie qui permettrait de suivre son évolution avec une résolution allant de la commune à l’ensemble du territoire. « À l’échelle de communautés réduites, l’idée est d’utiliser des modélisations multi-agents où les interactions sociales entre individus sont reproduites par une série de règles comportementales auxquelles on ajoute une part de hasard, détaille le chercheur. Le comportement d’une population et l’évolution de l’épidémie sont alors analysés à une échelle macroscopique ; de la même manière que les équations de la mécanique des fluides, à grande échelle, considèrent un liquide ou un gaz comme un milieu continu, sans modéliser le comportement de chaque molécule. » Les chercheurs ont consacré une part importante de leur temps à collecter les données de santé publique nécessaires à la mise en œuvre du modèle. À terme, l’objectif est aussi d’en faire un outil de surveillance, capable d’alerter sur les risques de redémarrage de l’épidémie. « Ce type d’approches est par exemple utilisé dans l’industrie pour anticiper des pannes, ou encore dans le cadre de la prévention des incendies de forêt », complète Didier Georges. Des modèles pour optimiser les coûts « Les algorithmes que nous élaborons permettent d’allouer une ressource en fonction d’un objectif et de contraintes propres au problème posé », explique de son côté Samson Lasaulce, spécialiste en optimisation pour l’aide à la décision au Centre de recherche en automatique de Nancy 4. Dans le cas du marketing, il peut s’agir de distribuer un budget publicitaire entre différents influenceurs afin d’assurer qu’une marque touche 1. Unité CNRS/Université de Paris. 2. http://www.sociopatterns.org. 3. Grenoble image, parole, signal automatique (CNRS/Université Grenoble-Alpes). 4. Unité CNRS/Université de Lorraine.\un maximum de clients potentiels. « De la même manière, on peut se demander quelles sont les règles de confinement optimales à appliquer sur une zone géographique (dates de début et de fin, et intensité) en fonction d’un coût économique et sanitaire global sur l’ensemble du territoire. » Ainsi, avec ses collègues Vineeth Varma et Constantin Morarescu, ils ont planché sur un modèle permettant de déterminer un calendrier de confinement optimal en fonction d’un ratio donné entre perte économique et coût sanitaire. À partir de là, « notre algorithme balaie toutes les possibilités afin de déterminer celle qui permet un coût minimal », précise l’informaticien. Les scientifiques ont ainsi pu évaluer de combien aurait pu être réduit le coût sanitaire et économique si le confinement avait débuté en France dès les premiers jours de mars. Samson Lasaulce commente  : « Il ne s’agit pas là de critiquer une décision politique prise dans un contexte de grande incertitude, mais de montrer comment, notre outil peut aider à optimiser une décision lorsque l’objectif est clairement identifié. » Pour aller au-delà d’un résultat rétrospectif, les chercheurs travaillent sur une nouvelle version de leur algorithme permettant de prendre en compte des niveaux de décision distincts, comme un ensemble de pays aux stratégies différentes ii La logistique en temps de crise MODÉLISATION Christian Artigues informaticien À écouter sur lejournal.cnrs.fr « La recherche opérationnelle, héritage de la Seconde Guerre mondiale, s’est mobilisée pour aider à la résolution de problèmes logistiques, cruciaux en période de crise. Avec des modèles génériques basés sur les formalismes mathématiques assez particuliers et précis comme les graphes, on peut par exemple optimiser les distributions de masques, ou les transferts de patients entre hôpitaux en fonction des ressources disponibles, comme les respirateurs. » N°300 29 LAURENT VIENNOT - SOURCE  : HTTPS://JOURNALS.PLOS.ORG/PLOSONE/ARTICLE ? ID=10.1371/JOURNAL.PONE.0023176 3B



Autres parutions de ce magazine  voir tous les numéros


Liens vers cette page
Couverture seule :


Couverture avec texte parution au-dessus :


Couverture avec texte parution en dessous :


CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 1CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 2-3CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 4-5CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 6-7CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 8-9CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 10-11CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 12-13CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 14-15CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 16-17CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 18-19CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 20-21CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 22-23CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 24-25CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 26-27CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 28-29CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 30-31CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 32-33CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 34-35CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 36-37CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 38-39CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 40-41CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 42-43CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 44-45CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 46-47CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 48-49CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 50-51CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 52-53CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 54-55CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 56-57CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 58-59CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 60-61CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 62-63CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 64-65CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 66-67CNRS Le Journal numéro 300 jun/jui/aoû 2020 Page 68