Comparing and Contrasting Individual-Based and Continuum Models of Within-Host Tuberculosis

À l'intérieur du poumon humain, une guerre silencieuse est constamment livrée. Lorsque les bactéries responsables de la tuberculose pénètrent dans le corps, elles ne se multiplient pas simplement dans une soupe uniforme de fluide. Au lieu de cela, elles rencontrent un paysage complexe et encombré de cellules immunitaires. Ces cellules, qui agissent comme la force de défense du corps, se rassemblent autour des envahisseurs pour former des amas structurés et serrés appelés granulomes. L'issue de cette bataille — que le corps élimine l'infection ou que les bactéries persistent pendant des années — dépend fortement de la manière dont ces cellules se déplacent, interagissent et réagissent à leur environnement immédiat. Parce que le tissu pulmonaire est un espace physique où la position importe, les scientifiques tentent depuis longtemps de construire des modèles informatiques pour comprendre ces dynamiques. Cependant, il existe deux manières très différentes de construire un tel modèle. Une approche traite le système immunitaire comme un flux continu et lisse, semblable à de l'eau circulant dans un tuyau, où les cellules individuelles sont moyennées en de grands groupes. L'autre approche, connue sous le nom de modèle à base d'agents, traite chaque cellule comme un acteur distinct possédant sa propre localisation, son propre historique et ses propres choix aléatoires concernant le moment de son mouvement ou de son attaque.

Une équipe de chercheurs s'est donné pour mission de comparer ces deux manières très différentes de simuler une infection tuberculeuse au sein d'un hôte unique. Ils voulaient voir si les modèles lisses et moyennés pouvaient véritablement capturer la réalité désordonnée et chaotique des cellules individuelles combattant dans un espace encombré. Pour ce faire, ils ont construit une nouvelle version simplifiée d'un modèle informatique qui suit chaque bactérie et chaque cellule immunitaire en tant qu'entité distincte. Ils ont ensuite dérivé mathématiquement un second modèle à partir du même ensemble de règles, mais cette fois, ils l'ont contraint à traiter les cellules comme des densités continues, lissant tous les détails individuels. En faisant fonctionner les deux modèles côte à côte avec les mêmes conditions initiales — plaçant le même nombre de bactéries et de cellules immunitaires aux mêmes endroits — ils pouvaient observer comment l'infection se déroulait dans chaque version et voir où les récits concordaient et où ils divergeaient.

Les chercheurs ont fait fonctionner leurs simulations sur une période de 96 heures, ce qui représente quelques jours d'infection dans le poumon. Ils ont testé dix scénarios de départ différents et, pour chacun d'eux, ils ont exécuté le modèle à base d'agents quatre fois pour tenir compte du caractère aléatoire naturel de la vie, tandis que le modèle lisse a été exécuté une seule fois comme un chemin déterministe unique. Les résultats ont montré que les deux modèles étaient souvent d'accord sur le verdict final : si l'infection était éliminée ou si elle persistait. Si le modèle lisse prédisait que les bactéries seraient anéanties, le modèle à base d'agents était souvent d'accord, et si le modèle lisse prédisait une infection persistante, le modèle à base d'agents l'était généralement aussi. Cela suggère que les grandes lignes de la réponse immunitaire sont assez bien capturées par les modèles lisses plus simples.

Cependant, l'accord s'arrêtait là. Lorsque les chercheurs ont examiné les détails de la progression de l'infection au fil du temps, les deux modèles racontaient des histoires très différentes. Le modèle lisse montrait des nombres de bactéries augmentant et diminuant selon des cycles répétés et des oscillations fréquentes. En revanche, le modèle à base d' agents présentait un profil en escalier, saccadé. Dans la version à base d'agents, la population bactérienne augmentait brusquement lors de sa reproduction, puis chutait brutalement lorsqu'une cellule immunitaire située à proximité la trouvait et la consommait. Ces événements soudains et discrets créaient un rythme de croissance et de déclin que le modèle lisse ne pouvait tout simplement pas percevoir. De plus, le calendrier des événements clés différait considérablement. Dans les simulations à base d'agents, le système immunitaire mettait souvent plus de temps à répondre, et les bactéries étaient parfois éliminées beaucoup plus vite ou beaucoup plus lentement que ce que prédisait le modèle lisse.

L'une des découvertes les plus frappantes fut le rôle du hasard. Parce que le modèle à base d'agents suit chaque cellule, il a révélé que l'issue d'une infection peut dépendre fortement de la chance. Dans un scénario de départ spécifique, le modèle lisse prédisait que l'infection persisterait, les bactéries submergeant le système immunitaire malgré des tentatives répétées de lutte. Pourtant, dans chaque exécution du modèle à base d'agents pour ce même point de départ, les bactéries étaient complètement éliminées par le système immunitaire, et cela se produisait sans même que les cellules immunitaires plus avancées n'aient besoin de rejoindre le combat. Les cellules individuelles, simplement en étant au bon endroit au bon moment, ont réussi à gagner la bataille là où le modèle moyenné prédisait une défaite. Cela souligne que l'arrangement spécifique des cellules au tout début d'une infection peut faire pencher la balance de manières que les modèles lisses ne perçoivent pas.

L'étude a également révélé que les deux modèles gèrent différemment le mouvement des cellules immunitaires. Dans le modèle lisse, les cellules migrent en un flux régulier vers l'infection. Dans le modèle à base d'agents, les cellules se déplacent de manière plus erratique et aléatoire, s'embourbant occasionnellement ou s'écartant de leur trajectoire avant de trouver leur cible. Ces petites différences de mouvement se sont accumulées au fil du temps, menant à des schémas différents de localisation des bactéries et de présence de cellules immunitaires dans des zones spécifiques. Les chercheurs ont noté que si le modèle lisse est excellent pour comprendre le comportement général de grandes populations et qu'il est beaucoup plus facile à analyser mathématiquement, il perd les détails à petite échelle qui dirigent l'infection dans le monde réel. Le modèle à base d'agents, bien que plus coûteux en termes de calcul et plus difficile à analyser, conserve les détails cruciaux des interactions individuelles et de l'encombrement spatial.

En fin de compte, l'article conclut qu'aucun des deux modèles n'est parfait en soi, mais qu'ils offrent des vues complémentaires de la même réalité biologique. Le modèle lisse fournit une vue globale et de haut niveau des tendances de population, tandis que le modèle à base d'agents révèle la nature chaotique et stochastique des interactions cellulaires qui dirigent ces tendances. Les chercheurs ont constaté que le modèle lisse est généralement meilleur pour prédire si une infection sera éliminée ou non, mais qu'il échoue souvent à prédire exactement quand cela arrivera ou comment les bactéries se comporteront entre-temps. Le modèle à base d'agents, grâce à sa capacité à capturer l'aléa des mouvements et des rencontres de cellules individuelles, a montré que l'issue d'une infection n'est pas seulement une question de chiffres, mais aussi de chance et d'arrangement spatial précis. Ce travail suggère que pour comprendre pleinement la tuberculose, les scientifiques devront peut-être utiliser les deux approches, en s'appuyant sur les modèles lisses pour les prédictions générales et sur les modèles à base d'agents pour comprendre les moments spécifiques et imprévisibles qui déterminent le sort d'une infection.