📊 statistics

Bayesian inference on beta diversity via feature allocation models with imperfect detection

Cet article introduit un nouveau cadre d'allocation de caractéristiques bayésien qui intègre des modèles de composition d'espèces latents à des mécanismes de détection imparfaits afin de fournir une inférence robuste, scalable et quantifiée en termes d'incertitude sur la diversité bêta et le partage d'espèces dans les données écologiques de haute dimension.

Auteurs originaux : Federica Stolf, Tommaso Rigon, David B. Dunson

Publié 2026-08-12

📖 9 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Federica Stolf, Tommaso Rigon, David B. Dunson

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre un mystère dans une ville géante et invisible. Cette ville est le monde naturel, et ses citoyens sont les millions de petites espèces de champignons, de bactéries et d'insectes que nous ne pouvons pas voir à l'œil nu. Pour comprendre comment cette ville fonctionne, les scientifiques ont besoin de savoir deux choses : qui y vit, et à quel point les quartiers diffèrent les uns des autres. C'est le cœur de la recherche en écologie, plus précisément d'un concept appelé « diversité bêta ». Considérez la diversité bêta comme une mesure de la façon dont le casting de personnages change lorsque vous passez d'un parc à un autre. Si le Parc A ne possède que des écureuils et le Parc B uniquement des pigeons, ils sont très différents (diversité bêta élevée). Si les deux parcs possèdent des écureuils, des pigeons et des rouges-gorges, ils sont assez similaires (diversité bêta faible).

Cependant, résoudre ce mystère est incroyablement complexe. Premièrement, les « citoyens » se cachent souvent. Ce n'est pas parce que vous ne voyez pas un écureuil dans un arbre qu'il n'est pas là ; il est peut-être simplement en train de dormir, ou peut-être que vos jumelles ne sont pas assez performantes. En science, on appelle cela une « détection imparfaite ». Deuxièmement, la ville est immense. Il y a tellement d'espèces que même si vous regardez partout, vous manquerez probablement les plus rares. Les méthodes traditionnelles pour compter ces voisins invisibles agissent souvent comme si elles avaient une vision parfaite, supposant que si elles ne voient pas une espèce, elle n'existe tout simplement pas. Cela conduit à une image déformée du monde, nous faisant croire que certains quartiers sont vides alors qu'ils regorgent de vie.

C'est ici qu'une nouvelle équipe de statisticiens intervient avec un nouvel ensemble d'outils. Ils ont développé un cadre mathématique ingénieux appelé MOSAIC (Multi-site Occupancy-aware Species Allocation with Imperfect deteCtion). Au lieu de prétendre que leurs yeux sont parfaits, ils construisent un modèle qui admet : « Nous avons peut-être manqué des invités ». Ils traitent les données comme une partie de « Qui est-ce ? », où ils calculent la probabilité qu'une espèce soit réellement présente mais n'ait simplement pas été repérée, par rapport à la probabilité qu'elle ne soit vraiment pas là. Ce faisant, ils peuvent créer une carte beaucoup plus claire de la façon dont les espèces sont partagées entre différents lieux, même lorsque les données sont désordonnées et pleines de pièces manquantes.

La liste des invités invisibles

Pour comprendre ce que les auteurs ont fait, imaginez que vous organisiez un immense dîner de type « potluck » mondial. Vous avez invité des invités de 34 villes différentes à travers le monde. Dans chaque ville, à chaque table, les gens prennent des photos de la nourriture qu'ils ont apportée. Mais attention, les caméras sont défectueuses. Parfois, un plat est bien là sur la table, mais la caméra ne parvient pas à prendre de photo. D'autres fois, le plat est réellement absent.

Par le passé, les scientifiques analysant ces photos de repas partageaient simplement ce qu'ils voyaient. Si une photo de la Ville A montrait une pizza et une photo de la Ville B montrait une salade, ils disaient : « Ces deux villes n'ont rien en commun ». Mais cela ignore les caméras défectueuses. Peut-être que la Ville B avait aussi une pizza, mais que la caméra l'a manquée. Cela mène à la conclusion erronée que les villes sont plus différentes qu'elles ne le sont réellement.

Le modèle MOSAIC est comme un détective super intelligent qui regarde les photos et demande : « Étant donné la fréquence à laquelle cette caméra manque des choses, quelle est la probabilité qu'une pizza était réellement présente ? » Le modèle sépare deux événements distincts : l'Occupation (l'espèce est-elle réellement présente sur le site ?) et la Détection (l'avons-nous réellement vue ?). En gardant ces deux idées séparées, le modèle peut estimer le nombre réel d'espèces présentes, même celles qui n'ont jamais fait leur apparition sur les photos.

La magie de l'« échangeabilité partielle »

L'un des plus grands obstacles dans ce genre de travail de détective est que la nature n'est pas uniforme. Dans de nombreux anciens modèles statistiques, les scientifiques supposaient que chaque lieu n'était qu'un mélange aléatoire du même réservoir d'espèces. C'était comme supposer que chaque ville du monde possède exactement le même mélange de personnes, juste dans un ordre différent. Mais nous savons que ce n'est pas le cas. Une ville dans les tropiques a une « ambiance » et une liste d'invités totalement différentes de celles de l'Arctique.

Les auteurs introduisent un concept appelé « échangeabilité partielle ». Pensez-y de cette façon : au lieu de supposer que chaque ville est un mélange aléatoire du même jeu de cartes, ils permettent à chaque ville d'avoir son propre jeu unique, mais avec certaines règles. Les jeux sont liés (ils proviennent tous du même réservoir mondial d'espèces), mais le jeu spécifique de chaque ville dépend des conditions locales, comme la température ou le vent. Cela permet au modèle de respecter le fait qu'une forêt tropicale ressemble réellement très différemment d'une toundra enneigée, tout en utilisant les informations d'un endroit pour aider à deviner ce qui se passe dans un autre.

Le score de « diversité bêta »

L'objectif principal de cet article est de mesurer la diversité bêta — à quel point les listes d'invités diffèrent entre deux villes. Les auteurs proposent une nouvelle façon de calculer ce score qui tient compte des caméras défectueuses.

Ils définissent un score (appelons-le le « Score de Similarité ») qui varie de 0 à 1.

0 signifie que les deux villes sont identiques dans leur composition d'espèces.
1 signifie qu'elles ne partagent absolument rien.

Crucialement, ce score est conçu pour être équitable. Si la Ville A possède 100 espèces et la Ville B possède 100 espèces, et qu'elles en partagent 50, le score reflète cela. Mais si la Ville A possède 1 000 espèces et la Ville B possède 1 000 espèces, et qu'elles en partagent 50, le score sait que la différence est bien plus grande. Les auteurs montrent que leur nouvelle méthode est robuste : même si vous n'êtes pas certain de l'exactitude de la « défectuosité » des caméras (un paramètre qu'ils appellent $\sigma$ ), le score de similarité final reste étonnamment stable. C'est comme avoir une boussole qui indique le Nord même si vous êtes légèrement décentré.

Tester la théorie avec des données fictives

Avant d'appliquer leur modèle à la vie réelle, les auteurs ont joué à un jeu avec des données « fictives ». Ils ont créé une simulation informatique d'un monde comprenant 3 000 espèces et 3 sites différents. Ils ont programmé les caméras pour qu'elles manquent des choses exprès. Ensuite, ils ont laissé leur modèle MOSAIC tenter de deviner le nombre réel d'espèces partagées.

Les résultats étaient prometteurs. Les prédictions du modèle correspondaient étroitement aux nombres « réels » qu'ils avaient programmés dans la simulation. Le modèle a réussi à comprendre que même si les caméras manquaient beaucoup d'espèces, le motif sous-jacent de qui partageait quoi était toujours récupérable. Ils l'ont également testé sur un scénario plus complexe avec 15 sites et 5 000 espèces, et là encore, le modèle a tenu bon, faisant souvent mieux que les anciennes méthodes qui ignoraient le problème de la « caméra défectueuse ».

Le test en conditions réelles : Les champignons dans l'air

Enfin, les auteurs ont appliqué leur modèle au monde réel en utilisant les données du Global Spore Sampling Project (GSSP). Ce projet a collecté des échantillons d'air dans 34 lieux à travers l'hémisphère Nord, de l'Amérique du Nord à l'Arctique. L'objectif était d'étudier les champignons aéroportés.

Les données étaient un désordre, dans le meilleur sens du terme pour ce type de problème :

Ils ont trouvé 15 352 types distincts de champignons.
Mais plus de la moitié d'entre eux (57 %) étaient des « succès éphémères » (one-hit wonders) — vus une seule fois.
Les données étaient éparses, ce qui signifie que de nombreuses espèces étaient probablement totalement manquées.

En utilisant MOSAIC, les auteurs ont estimé que le nombre réel d'espèces de champignons dans leur zone d'étude était en fait d'environ 16 574. Cela suggère qu'environ 1 200 espèces étaient présentes mais n'ont jamais été détectées par les échantillonneurs.

Ils ont également examiné ce qui influence ces communautés fongiques. En injectant des données météorologiques dans leur modèle, ils ont découvert que :

La latitude et la température étaient les principaux moteurs. Les champignons suivent un schéma prévisible : ils sont plus diversifiés près de l'équateur et moins diversifiés à mesure que l'on se rapproche des pôles.
La température présente une relation en forme de « bosse ». Les champignons aiment la chaleur modérée mais peinent lorsqu'il fait trop chaud ou trop froid.
La pluie a un effet négatif. Il semble que les fortes pluies lavent les spores fongiques de l'air pour les déposer au sol, les rendant plus difficiles à trouver dans les échantillons aériens.

Ce que cela signifie

L'article ne prétend pas avoir résolu le mystère de toute la biodiversité. Il offre plutôt une meilleure loupe. Il suggère qu'en admettant que nos méthodes de détection sont imparfaites et en acceptant le fait que différents endroits ont des règles différentes, nous pouvons obtenir une image beaucoup plus fidèle de la façon dont la vie est distribuée sur Terre.

Les auteurs montrent que leur méthode fournit un « traitement probabiliste cohérent », ce qui signifie qu'elle ne nous donne pas seulement un chiffre unique, mais une plage de réponses probables avec une mesure de confiance. Lorsqu'ils ont appliqué leur modèle aux données fongiques, les résultats faisaient sens biologiquement, confirmant les schémas connus sur la façon dont les champignons réagissent au climat.

En résumé, MOSAIC est un outil qui aide les écologues à cesser de deviner pour commencer à calculer. Il reconnaît que le monde est rempli d'invités cachés, et il offre un moyen mathématique de les compter, même lorsqu'ils se cachent dans l'ombre. C'est une étape cruciale pour comprendre comment la biodiversité change à travers la planète, ce qui est essentiel pour protéger le monde naturel face à un climat changeant.

Résumé technique : Inférence bayésienne sur la diversité $\beta$ via des modèles d'allocation de caractéristiques avec détection imparfaite

Énoncé du problème
Quantifier la $\beta$ -diversité — la variation de la composition des espèces à travers les communautés écologiques — est fondamental pour comprendre les modèles de biodiversité, pourtant l'inférence statistique dans ce domaine est confrontée à trois défis principaux. Premièrement, les données d'occurrence des espèces sont de haute dimension et parsemées, de nombreuses espèces restant inobservées même après un échantillonnage intensif. Deuxièmement, les communautés écologiques présentent une hétérogénéité substantielle entre les localisations en raison de gradients environnementaux, rendant irréalistes les hypothèses d'échangeabilité standard (où l'ordre des échantillons n'importe pas). Troisièmement, les inventaires de biodiversité souffrent d'une détection imparfaite ; des espèces présentes dans un échantillon peuvent ne pas être enregistrées en raison des limites de la technologie d'échantillonnage ou des protocoles de mesure (par exemple, de faibles concentrations d'ADN dans le méta-barcoding). Les approches existantes reposent généralement sur des indices de dissimilarité empiriques avec une quantification limitée de l'incertitude, ou sur des modèles qui supposent soit une détection parfaite, soit une échangeabilité irréaliste, échouant ainsi à rendre compte de la variation systématique de la composition des espèces ou de la découverte d'espèces auparavant non observées.

Méthodologie : Le modèle MOSAIC
Les auteurs introduisent le modèle Multi-site Occupancy-aware Species Allocation with Imperfect deteCtion (MOSAIC), une nouvelle classe de modèles d'allocation de caractéristiques bayésiens conçus pour les données d'occurrence d'espèces partiellement échangeables avec une détection imparfaite.

Structure du modèle : Le cadre combine des modèles d'allocation de caractéristiques latentes avec des mécanismes d'occupation basés sur l'occupation. Il distingue la présence réelle d'une espèce à un site (occupation) de son enregistrement dans un échantillon (détection).
- Soit $\tilde{Y}_{ijq}$ l'indicateur binaire que l'espèce $j$ est enregistrée dans l'échantillon $i$ au site $q$ .
- Le modèle factorise cette observation en deux processus de Bernoulli indépendants : $\tilde{Y}_{ijq} = \tilde{W}_{ijq} \tilde{T}_{ijq}$ , où $\tilde{W}_{ijq} \sim \text{Bernoulli}(\eta_{jq})$ représente la probabilité d'occupation réelle et $\tilde{T}_{ijq} \sim \text{Bernoulli}(\gamma_{jq})$ représente la probabilité de détection étant donné la présence.
- Le produit $\eta_{jq}\gamma_{jq}$ suit une distribution Beta, liant le modèle au cadre Beta-Bernoulli (BB) partiellement échangeable.
Échangeabilité partielle : Contrairement aux modèles standards qui supposent que tous les échantillons sont échangeables, MOSAIC permet aux compositions d'espèces de varier systématiquement selon les sites ( $q=1, \dots, Q$ ). Ceci est réalisé en permettant des paramètres spécifiques au site pour les probabilités d'occupation et de détection.
Pool d'espèces fini : Le nombre total d'espèces $N$ est traité comme une variable aléatoire suivant une distribution de Poisson (ou Binomiale Négative dans les extensions), plutôt que de supposer un pool d'espèces infini. Ce choix garantit la tractabilité analytique et la scalabilité tout en s'adaptant à la nature finie des pools d'espèces réels.
Priors hiérarchiques : Pour emprunter de l'information entre les sites, le modèle utilise une spécification hiérarchique où les probabilités d'occupation moyennes par site sont pilotées par des covariables (par exemple, la température, la latitude) via une structure de régression logistique.
Identifiabilité et sensibilité : Le modèle reconnaît que l'occupation ( $\eta$ ) et la détection ( $\gamma$ ) ne peuvent pas être pleinement séparées des données observées seules. Le paramètre $\sigma_q$ , qui redistribue la masse entre l'occupation et la détectabilité, est traité comme un paramètre de sensibilité plutôt que comme un paramètre apprenable.

Contributions clés et résultats théoriques
L'article développe une inférence probabiliste cohérente pour le partage des espèces et la $\beta$ -diversité, dérivant des expressions explicites des distributions a priori et a posteriori pour plusieurs fonctionnelles de biodiversité :

Richesse spécifique et espèces partagées : Les auteurs dérivent des expressions en forme fermée des distributions a priori et a posteriori de :
- l' $\alpha$ -diversité (richesse spécifique à un seul site) et la $\gamma$ -diversité (richesse cumulée à travers les sites) ;
- le nombre d'espèces partagées entre n'importe quelle paire de sites ( $C_{n_q, n_r}$ ) ;
- les distributions prédictives pour le nombre de nouvelles espèces découvertes lors d'efforts d'échantillonnage futurs, tant pour les sites uniques qu'entre les sites.
Équivalence théorique : Le Théorème 1 établit que la distribution marginale des occurrences observées sous MOSAIC coïncide avec celle du modèle BB partiellement échangeable (Ghilotti et al., 2025). Cette équivalence permet l'utilisation des vraisemblances et des distributions a posteriori en forme fermée existantes pour les données observées, tout en fournissant une couche d'augmentation de données plus riche et interprétable pour les espèces non observées.
Un indice de $\beta$ -diversité basé sur un modèle : Les auteurs proposent un nouvel indice, $\beta_{qr}$ $β_{q r}$ , défini comme la dissimilarité cosinus entre les profils d'occupation de deux sites.
- $\beta_{qr} = 1 - \frac{\sum \eta_{jq}\eta_{jr}}{(\sum \eta_{jq}^2 \sum \eta_{jr}^2)^{1/2}}$ .
- Cet indice est borné entre 0 et 1, tient compte des espèces non observées et est invariant à la remise d'échelle globale des probabilités d'occupation (ce qui le rend robuste au choix du paramètre de sensibilité $\sigma_q$ ).
- Il diffère des indices empiriques (comme Jaccard ou Sørensen) en corrigeant la détection imparfaite et en incorporant le pool complet d'espèces, y compris les espèces invisibles.

Résultats

Études de simulation :
- Dans un contexte de $Q=3$ sites, le modèle a prédit avec précision les surfaces de raréfaction pour les espèces partagées, correspondant étroitement aux données empiriques.
- Dans un contexte complexe de $Q=15$ sites, MOSAIC a démontré des performances prédictives comparables ou améliorées pour le nombre de nouvelles espèces découvertes par rapport aux modèles de mélange binomial négatif échangeables. Crucialement, la référence échangeable ne pouvait pas fournir d'estimations ou de prédictions pour les espèces partagées entre les sites, une capacité propre à MOSAIC.
Application à la biodiversité fongique mondiale (GSSP) :
- Le modèle a été appliqué à 1 425 échantillons de spores fongiques aéroportées provenant de 34 sites à travers le monde.
- La moyenne a posteriori a estimé le nombre total d'espèces $N$ à 16 574, suggérant qu'environ 1 200 espèces restent non détectées au-delà des 15 352 observées.
- Les coefficients de régression ont identifié la latitude et la température annuelle moyenne comme les principaux moteurs de la distribution fongique, ce qui est cohérent avec les gradients de diversité latitudinale connus et les courbes de performance thermique.
- L'indice de $\beta$ -diversité proposé a quantifié avec succès l'hétérogénéité de composition entre les sites, les résultats montrant une stabilité à travers différents scénarios de détectabilité.

Signification
L'article affirme que MOSAIC fournit un cadre rigoureux et scalable pour l'inférence de la $\beta$ -diversité dans les études de biodiversité de haute dimension où les données sont parsemées et la détection imparfaite. En intégrant l'allocation de caractéristiques latentes avec les modèles d'occupation, l'approche surmonte les limites des indices empiriques (qui manquent de quantification de l'incertitude) et des modèles d'occupation standards (qui ne gèrent pas les structures de partage d'espèces latentes). La dérivation de distributions a posteriori explicites pour les espèces partagées et la proposition d'un indice de $\beta$ -diversité robuste facilitent des résumés interprétables de l'hétérogénéité de composition et soutiennent des conceptions d'échantillonnage adaptatives. Les auteurs soulignent que ces résultats représentent une étape importante vers une inférence rigoureuse sur les fonctionnelles de biodiversité dans des contextes hétérogènes et partiellement échangeables.