Du fait de l’activité humaine, la biodiversité connaît un bouleversement rapide à l’échelle mondiale. Les mesures de conservation nécessitent de pouvoir évaluer l’état de la biodiversité sur un site donné. L’étude de l’ADN environnemental par métabarcoding permet de remplacer l’observation directe des espèces, laborieuse, et fournit une source d’information prometteuse pour améliorer la gestion des écosystèmes. Cependant, l’estimation des abondances relatives des espèces est encore mal établie pour ce type de données.
Je présenterai d’abord un projet de correction des biais d’abondance induits par le métabarcoding. Ces travaux sont appuyés par une modélisation de la PCR (Polyerase Chain Reaction), cruciale dans ce protocole. Le choix des paramètres optimaux dudit modèle n’est pas établi de manière analytique mais repose sur une optimisation numérique.
Je présenterai donc dans un second temps un nouvel algorithme d’inférence de paramètres pour modèles aléatoires appelé Fixed Landscape Inference MethOd (flimo). Celui-ci est applicable à divers modèles utilisés en écologie. Il fonctionne dans le même cadre que les algorithmes d’Approximate Bayesian Computation (ABC) en procédant par simulations du modèle sans considérer sa vraisemblance. Sur les exemples étudiés, les résultats de flimo sont obtenus beaucoup plus vite que pour les algorithmes utilisés en comparaison, avec une précision similaire.
