Analyses statistiques de réseaux d`associations et d`interactions au
Transcription
Analyses statistiques de réseaux d`associations et d`interactions au
Thèse de statistique appliquée ( 2016 – 2018 ) Analyses statistiques de réseaux d’associations et d’interactions au sein de communautés microbiennes INRA – Unité d’épidémiologie animale (UR046) [ www6.clermont.inra.fr/epidemiologie-animale ] Centre INRA : Auvergne-Rhône-Alpes Université d’inscription de l’étudiant en thèse : Université Blaise Pascal, Clermont-Ferrand Ecole doctorale : Sciences de la vie, santé, agronomie, environnement. Directrice de thèse : Gwenaël Vourc’h [ [email protected] ] Responsable épidémiologiste moléculaire : Xavier Bailly [ [email protected] ] Responsable épidémiologiste statisticien : Patrick Gasqui [ [email protected] ] Financement de la thèse : 50 % par le méta-programme INRA-MEM : " Méta-omiques des écosystèmes microbiens ", et 50 % par le méta-programme INRA-GISA : " Gestion intégrée de la santé des animaux ". Compétences demandées pour le doctorant : Le/la candidat/e devra posséder des compétences avancées en modélisation statistique ou mathématiques appliquées, de niveau Master 2. Il/elle devra être capable de formaliser et mettre en œuvre les méthodes d’analyses statistiques utilisées dans un cadre GEE (« Generalized Estimating Equations »). Il/elle devra maîtriser le langage de programmation du logiciel statistique R. Il/elle devra être capable de formaliser sous forme mathématique une problématique biologique. Des notions sur les communautés de micro-organismes seront un plus ainsi que la capacité à dialoguer et travailler avec des chercheurs d’autres domaines (biologie, épidémiologie, microbiologie). Abstract The simultaneous presence of several parasites (micro or macroparasites) within the same individual may have effects on the ecology of parasites and change their interactions with the host. The interactions between parasites can affect the diagnosis, treatment and epidemiology of infectious diseases. However, the identification of biological interactions between parasite, or more generally parasite associations is complex at the population level. In the context of massive data from highthroughput sequencing, methods based on the study of networks of interactions within microbial communities, are increasingly used. These network analyses are most of the time not supported by statistical tests needed to confirm the visual observations they provide. The objective of this thesis is to model associations and interactions between parasites of medical or veterinary importance. For that purpose, the student will formalize this epidemiological issue in the more general context of graph theory. Then he will develop statistical analysis tools to identify and test with greater reliability and robustness, parasites associations and interactions, while taking into account the "structuring" or "dependency" within the host populations. These methods will be tested in bacterial communities from data obtained two projects. These statistical approaches in the context of a network analysis ("multimode network") would make an original and useful contribution to this field. Résumé La présence simultanée de plusieurs parasites (micro ou macroparasites) au sein d’un même individu peut avoir des effets sur l’écologie des parasites et modifier leurs interactions avec les hôtes. Les interactions entre les parasites peuvent altérer le diagnostic, les traitements et l’épidémiologie des maladies infectieuses. Or, l’identification d’interactions biologiques entre parasites, ou plus généralement d’associations de parasites est complexe au niveau populationnel. Dans un contexte d’apport massif de données issues notamment du séquençage haut débit, les méthodes basées sur l’étude de réseaux d’interactions au sein de communautés microbiennes, sont de plus en plus utilisées. Ces analyses de réseaux ne sont pour la plupart du temps pas appuyées par des tests statistiques qui permettraient de valider les observations visuelles qu’ils procurent. L’objectif de cette thèse est de modéliser les associations et les interactions multiparasitaires, concernant notamment des parasites d’importance médicale ou vétérinaire. Pour cela, le doctorant formalisera cette problématique épidémiologique dans le cadre plus générale de la théorie des graphes. Ensuite, il développera des outils d’analyses statistiques permettant d’identifier et de tester avec une meilleure fiabilité et robustesse, les associations et interactions de parasites, tout en tenant compte d’une « structuration » ou d’une « dépendance » au sein des populations d’hôtes étudiés. Ces méthodes seront testées sur des données de communautés bactériennes obtenues dans le cadre de deux projets. Ces approches statistiques dans un cadre d’analyse de réseaux (« multi-mode network »), correspondraient à une réelle avancée originale et utile dans ce domaine. Liste de 5 publications récentes des responsables de la thèse, en rapport avec le projet proposé • • • • • Vaumourin E., Vourc'h G., Telfer S., Lambin X., Salih D., Seitzer U., Morand S., Charbonnel N., Vayssier-Taussat M., Gasqui P. (2014). To be or not to be associated: power study of four statistical modeling approaches to identify parasite associations in cross-sectional studies. Frontiers in Cellular and Infection Microbiology, 4, 11 p. Vaumourin E., Gasqui P., Buffet J.-P., Chapuis J.-L., Pisanu B., Ferquel E., Vayssier-Taussat M., Vourc'h G. (2013). A probabilistic model in cross-sectional studies for identifying interactions between two persistent vector-borne pathogens in reservoir populations. Plos One, 8 (6), 1-9. Vayssier-Taussat M, M Kazimirova, Z Hubalek, S Hornok, R Farkas, S Bonnet, G Vourc’h, P Gasqui, A D Mihalca, O Plantard, E Maguin, C Silaghi, S Cutler, A Rizzoli. Emerging horizons for understanding tick-borne pathogens threat: shifting from the «one pathogen-one disease» vision to the pathobiome paradigm. Submitted Jacquot M, Bisseux M, Abrial D, Marsot M, Ferquel E, Chapuis JL, Vourc'h G, Bailly X. (2014). High-throughput sequence typing reveals genetic differentiation and host specialization among populations of the Borrelia burgdorferi species complex that infect rodents.. Plos One 9:e88581. Pavoine S., Bailly X. (2007) New analysis for consistency among markers in the study of genetic diversity: development and application to the description of bacterial diversity. BMC Evol Biol 3:156. Enjeux socio-économiques et scientifiques Plus de 80% des espèces connues, réparties sur de très nombreux taxa, sont considérées comme des « parasites », i.e. entités biologiques vivant au dépend de leurs hôtes (Windsor 2000). Du fait de leur omniprésence, la plupart des « parasites » sont présents simultanément avec d’autres « parasites » ; c’est donc le « multi-parasitisme » qui constitue le cas général (Thumbi 2014, Keesing 2010). C’est une réalité qui depuis peu est mise en exergue chez l’homme (Adegnika 2012, Boraschi 2008, Abu-Raddad 2006), les animaux sauvages et domestiques (Telfer 2008, 2010, Behnke 2008, Lello 2004) et chez les plantes (Jesus Junior 2014). La nécessité de prendre en compte le multi-parasitisme est d’autant plus grande que cela concerne des « parasites » d’importance médicale, vétérinaire ou agronomique majeure. Les prévalences des infections multiples peuvent régulièrement atteindre 30% voire 80% dans certaines populations humaines (Petney 1998). Par analogie avec le concept écologique de « biocénose », les auteurs abordent ces systèmes adaptatifs concernant les parasites d’importance médicale, comme étant des pathobiomes (Vayssier-Taussat 2014), des pathosystèmes (Okmen 2014), des microbiomes (Keesing 2010), des viromes (Bosch 2013) ou des résistomes (Dantas 2012), suivant l’accent mis sur l’environnement, l’échelle et la pathogénicité. Les « parasites », au sens large, ne sont pas forcément pathogènes pour les hôtes qu’ils infectent et seule une petite minorité d’espèces ont un pouvoir pathogène qui peut s’exprimer suivant les conditions environnementales liées aux hôtes (Anderson 1979). La présence simultanée de plusieurs « parasites », et leurs éventuelles interactions, ont une grande influence sur la dynamique et la structuration des populations de « parasites » concernés, mais aussi sur celles de leurs hôtes (Hermann 2013, Ezenwa 2011, Tompkins 2011, Wood 2007, Malakar 1999, Petney 1998, Courchamp 1997). Il est important de connaître l’origine des co-occurrences car cela modifie les conséquences médicales, agronomiques et vétérinaires, et donc conditionne les actions de prévention, de contrôle et les traitements qui devront être adaptés. Pour étudier et comprendre le « multi-parasitisme », de multiples méthodes sont nécessaires. La variété des échelles nécessite d’avoir plusieurs points de vue pour démêler les causes des conséquences de ce « multi-parasitisme ». La co-occurrence de « parasites » peut refléter une co-présence « au hasard » de « parasites » indépendants au sein d’un « hôte », mais surtout peut résulter de phénomènes d’interactions biologiques entre « parasites »: en synergie quand la présence de l’un favorise l’infection ultérieure par d’autres, ou de manière antagoniste quand la présence de l’un inhibe l’infection ultérieure par d’autres. Ces interactions sont majoritairement conceptualisées par des réseaux d’interactions deux à deux, tels que ceux étudiés en écologie pour l’étude des communautés (Bordes 2011, Rigaud 2010). La co-occurrence de « parasites » peut aussi résulter de facteurs de risque ou d’exposition communs, créant des associations aléatoires entre « parasites » proportionnellement à leurs prévalences, sans qu’il y ait de réelles interactions biologiques entre eux au sein des « hôtes » étudiés. Par exemples, les similarités d’environnement, de densité d’hôtes, de climat, de comportement ou de susceptibilité physiologique peuvent être des causes de corrélation statistique du risque d’infection conjointe entre « parasites » (Lello 2013, Ezenwa 2011, Lloyd-Smith 2005, Petney 1998). Dans les études sur les populations d’hôtes, les interactions entre deux « parasites » sont suspectées quand la probabilité des co-infections diffère de celle attendue par hasard, une fois les facteurs de risque communs connus a priori, pris en compte. Or la prise en compte au sein d’un réseau, de ces facteurs de risque communs reste à l’heure actuelle un défi méthodologique de par leur complexité, voire l’absence de connaissances a priori pour de nouvelles espèces. De simples études de corrélations ne permettent pas de déterminer si des changements dans les « communautés microbiennes » par exemple sont la cause ou la conséquence des infections (Keesing 2010). Or plus que les associations, ce sont les interactions qui jouent un rôle majeur dans la structuration des populations d’hôtes mais aussi de « parasites », aux niveaux intra- et inter-hôtes. La détection de réelles interactions à l’échelle des communautés reste un défi méthodologique (Pedersen 2007). Pour cela l’identification et la prise en compte a priori des facteurs de risque communs est l’une des voies de progression importante et nécessaire, pour une meilleure connaissance des interactions biologiques. A l’heure actuelle, leur intégration dans les modèles théoriques d’analyses, quand cela est possible, reste complexe (Sherlock 2013, Hellard 2012, Mahiane 2010). Les méthodes d’étude de communautés via l’analyse de réseaux, sont des méthodes potentiellement intéressantes, pour peu que soit développée une conceptualisation et une méthodologie d’analyse statistique permettant de mettre en œuvre des tests statistiques dans le cadre de ces réseaux. La prise en compte d’une éventuelle non-indépendance entre les individus hôtes (e.g. la contagion) complique encore plus les modèles d’analyses à utiliser, et constitue un objectif de plus long terme. Situation du projet et état de l’art scientifique – Originalité du projet Dans un contexte de l’apport massif de données issues notamment du séquençage haut débit, les réseaux sont de plus en plus utilisés pour l’identification d’association et d’interactions entre parasites (Godfrey 2013, Poisot et al. 2013, Griffiths et al. 2014). Ils présentent l’avantage de rendre un résultat très visuel, facilement interprétable. Cependant, plusieurs difficultés sont identifiées qui limitent leur fiabilité et leur interprétation : • Les analyses de réseaux ne sont pour la plupart du temps pas appuyés par des tests statistiques qui permettraient de valider les observations visuelles qu’ils procurent. En effet, les analyses utilisées sont le plus souvent des analyses multivariées « standard » (Dray 2015) comme l’AFC (Analyse Factorielle des Correspondances) par exemple, mais qui ne procurent pas de tests statistiques. Une des difficultés est l’élaboration d’hypothèse H0 nécessaires à l’élaboration de tests statistiques, du fait que la structuration des individus composant les réseaux est complexe à formaliser. • La plupart des réseaux sont des réseaux qui considèrent deux entités, des « graphes bipartis » (« 2-mode network »), dans lequel chacune des entités, telles que les parasites et les hôtes, forme un ensemble distinct de « sommets ». Or, un nombre important de systèmes épidémiologiques requiert l’intervention d’une troisième entité, les vecteurs. Il est donc nécessaire de pouvoir considérer l’élaboration de « graphes tripartis ». Il est possible dans ce cas de comparer des indicateurs particuliers de ce type de graphe, indicateurs observés à partir d’un échantillon, par rapport à la distribution de ces indicateurs obtenus après génération aléatoire de graphes de même structure (Vaumourin 2014). Dans ce contexte se pose la question de quels indices utilisés pour résumer ces graphes multi-partites, sachant que ce sont ces indices qui doivent être simulés sous H0. Il semblerait que la plupart des indices utilisés pour l’analyse des graphes puisse être adaptée, reste que leur interprétation doit être adaptée aux diverses problématiques. Par exemple, la mesure basée sur les nombres de liens réalisés, c’est-à-dire la densité d’un « graphe biparti » symbolisant les relations entre deux entités, peut aisément se calculer en divisant le nombre de liens par le produit du nombre de sommets dans chacun des deux ensembles. L’interprétation des liens reliant des entités réparties dans des ensembles différents doit alors pouvoir avoir une interprétation biologique, même si on sait l’évaluer. Les mesures de centralité les plus fréquentes (degré, proximité, …) peuvent aussi être calculées pour chacun des deux sous-ensembles de sommets d’un « graphe biparti », mais pour pouvoir être interprétées cela nécessite une réflexion a priori sur les hypothèses biologiques correspondantes. • La structuration des populations formant les entités n’est pas prise en compte dans les réseaux, pas plus que la dépendance entre les populations ou groupes de populations. Or cette structuration peut être due à des éléments très importants à prendre en compte dans l’analyse des associations microbiennes. Pour les hôtes, cette structuration peut être due à des facteurs d’exposition qui vont favoriser l’exposition de groupe d’individu à tel ou tel parasite. Pour les parasites, cette structuration va correspondre à des interactions biologiques entre parasites. Un des enjeux majeurs de l’étude d’association de parasites est de pouvoir départager les associations dues à des facteurs d’exposition, d’association résultantes d’interactions biologiques. En ce qui concerne la dépendance, elle apparaît, par exemple, lorsque l’on considère des échantillons de fèces, de lait et de sang d’un même individu. Les communautés de parasites retrouvés dans ces différents échantillons ne sont pas indépendantes. Dans ce cadre, des approches ont été développées (Kivelä 2015, Newman 2011, 2004), permettant d’identifier des « sous-ensembles particuliers » ou des « structures de communautés » a posteriori. Les analyses de réseaux ne sont pour la plupart du temps pas supportées par des tests statistiques qui permettraient de valider les observations visuelles qu’ils procurent. notamment des analyses de type « analyse de variance ». Ce type d’analyse offrirait la possibilité de « tester » l’existence de divers « sous-ensembles pertinents », pour les « hôtes » afin d’identifier une « structuration d’hôtes », et pour les « parasites » afin d’identifier une « structuration de parasites » (« interactions »). Ces approches statistiques dans le cadre d’analyse de réseaux « simples » voire « bipartis », n’ont pas encore été proposées, et correspondraient à une réelle avancée originale et utile dans ce domaine. Question de recherche proposée au candidat L’objectif est d’étudier les apports d’un formalisme issu de la théorie des graphes pour la compréhension d’une problématique épidémiologique caractérisée par la co-présence de différents « parasites » au sein d’un même « hôte ». Cela se traduit par quatre questions principales : 1 - Comment les systèmes épidémiologiques (hôtes, vecteurs, pathogènes, sous-populations d’expositions différentes, avec une structure de dépendance éventuelle) peuvent être formalisés par la théorie des graphes ? Est-il intéressant de considérer différents types de lien, par exemple en fonction des sous-populations ? 2 - Quelles méthodes statistiques peuvent être mises en œuvre pour analyser la coprésence de parasites dans des populations à partir de la théorie des graphes ? Quelles sont les propriétés (puissance, contrôle du risque alpha) de ces méthodes ? 3 - Est ce que cette approche améliore l’identification d’interactions potentielles entre parasites par rapport à des associations dues à des facteurs de risque commun ? 4 – Quelles sont les conditions d’application de ces tests à des données en terme, notamment, de quantité de données et de connaissances biologiques sur les modèles ? Partenariat scientifique dans lequel s’inscrit le travail Ce projet s’inscrit dans le cadre de deux projets principaux : - projet PATHO-ID, financement méta-programme INRA-MEM « Méta-omiques des écosystèmes microbiens » (2012-2014), « Rodent and tick pathobiome », porteurs : Muriel Vayssier-Taussat et JF Cosson - projet SAFECHEESE: « Identification of germs of the microflora as tools to guarantee the hygienic quality of unpasteurized cheeses without drug inputs: a combination of metagenomics and statistical approaches », 3 ans, porteur: Bruno Martin (UMR 1213 Herbivores, INRA Auvergne-Rhône-Alpes) Matériel disponible : Jeux de données : - Données issues du projet PATHO-ID, disponibles, analysées avec d’autres approches dans le cadre de la thèse d’Elise Vaumourin (2014) : données NGS de communautés bactériennes sur des rongeurs et des tiques. - Données issues du projet SAFECHEESE. Ce projet porte sur l’établissement d’indicateurs microbiens caractérisant les différents systèmes de production en AOP saint nectaire (Montel 2003). Dans cette approche, la structuration des « hôtes » correspondrait à la structuration en différents types d’échantillons réalisés dans chacun des élevages étudiés. Quant aux communautés bactériennes étudiées, outre les flores lactiques classiques, et les flores environnementales natives (Godon 2001), il est prévu d’étudier spécifiquement leurs éventuelles interactions avec des germes pathogènes particuliers : Staphylococcus Aureus et Escherichia coli, germes responsables de mammites cliniques (Gasqui 2003, Coulon 2002), ainsi que Listeria monocytogenes et Salmonella, pour leurs importances en santé publique ; l’ensemble de ces germes sont en effet susceptibles d’être retrouvés dans le lait et les fromages issus d’élevages laitiers. Références bibliographiques : • • • • • • • Abu-Raddad L.J., Patnaik P., Kublin J.G. (2006) Dual infection with HIV and malaria fuels the spread of both diseases in sub-Saharan Africa. Science, 314, 1603-6. Adegnika A.A., Kremsner P.G. (2012) Epidemiology of malaria and helminth interaction: a review from 2001 to 2011. Current Opinion in HIV and AIDS, 7, 221-224. Anderson R.M., May R.M. (1979) Population biology of infectious diseases: Part I. Nature, 280, 361367. Behnke J.M. (2008) Structure in parasite component communities in wild rodents: predictability, stability, associations and interactions .... or pure randomness? Parasitology, 135, 751-66. Boraschi D., Abebe Alemayehu M., Aseffa A., Chiodi F., Chisi J., Del Prete G., Doherty T.M., Elhassan I., Engers H., Gyan B., Harandi A.M., Kariuki T., Kironde F., Kouriba B., Langhorne J., Laskay T., Medaglini D., Olesen O., Onyebujoh P., Palma C., Sauerwein R., Sibanda E., Steinhoff U., Tagliabue A., Thiel A., Vahedi M., Troye-Blomberg M. (2008) Immunity against HIV/AIDS, malaria, and tuberculosis during co-infections with neglected infectious diseases: recommendations for the European Union research priorities. PLoS Neglected Tropical Diseases, 2, e255. Bordes F. & Morand S. (2009) Coevolution between multiple helminth infestations and basal immune investment in mammals: cumulative effects of polyparasitism? Parasitology Research, 106, 33-37. Bordes F. & Morand S. (2011) The impact of multiple infections on wild animal hosts: a review. Infection Ecology & Epidemiology, 1. • • • • Bosch A.A., Biesbroek G., Trzcinski K., Sanders E.A., Bogaert D. (2013) Viral and bacterial interactions in the upper respiratory tract. PLoS Pathogens, 9, e1003057. Coulon J. B., Gasqui P., Barnouin J., Ollier ,Pradel P., Pomies D. (2002). Effect of mastitis and related-germ on milk yield and composition during naturally-occuring udder infections in dairy cows. Animal Research, 51, 383-393. Courchamp F., Suppo C., Fromont E. & Bouloux C. (1997) Dynamics of two feline retroviruses (fiv and felv) within one population of cats. Proceedings of the Royal Society of London. Series B: Biological Sciences, 264, 785-794. Dantas G. & Sommer M.O. (2012) Context matters - the complex interplay between resistome genotypes and resistance phenotypes. Current Opinion in Microbiology, 15, 577-82. • Dray S., Pavoine S., Aguirre de Carcer D., (2015), « Considering external information to improve the phylogenetic comparison of microbial communities : a new approach based on constrained double Principal Coordinates Analysis (cDPCoA) », Molecular Ecology Resources, 15 (2), 242-249. • Ezenwa V.O., Jolles A.E. (2011) From host immunity to pathogen invasion: the effects of helminth coinfection on the dynamics of microparasites. Integrative and Comparative Biology, 51, 540-51. Gasqui P., Coulon J. B., Pons O. (2003). An individual modelling tool for within and between lactation consecutive cases of clinical mastitis in the dairy cow: an approach based on a survival model. Veterinary Research, 34 (1), 85-104. Godon J.-J., Duthoit F., Delbès C., Millet L., Montel M.-C., (2001), « Utilisation d'une technique d'empreinte moléculaire dans l'étude d'écosystèmes microbiens complexes. Application à la fabrication d'un fromage au lait cru "l'AOC Salers" », Lait, 81, 257-262. Hellard E., Pontier D., Sauvage F., Poulet H., Fouchet D. (2012) True versus false parasite interactions: a robust method to take risk factors into account and its application to feline viruses. PLoS One, 7, e29618. Herrmann C., Gern L., Voordouw M.J. (2013) Species co-occurrence patterns among Lyme borreliosis pathogens in the tick vector Ixodes ricinus. Applied and Environmental Microbiology, 79, 7273-7280. Jesus Junior W.C., Paula Júnior T.J., Lehner M.S., Hau B. (2014) Interactions between foliar diseases: concepts and epidemiological approaches. Tropical Plant Pathology, 39, 1-18. Keesing F., Belden L.K., Daszak P., Dobson A., Harvell C.D., Holt R.D., Hudson P., Jolles A., Jones K.E., Mitchell C.E., Myers S.S., Bogich T. & Ostfeld R.S. (2010) Impacts of biodiversity on the emergence and transmission of infectious diseases. Nature, 468, 647-52. • • • • • • • Kivelä M., Arnaud-Haond S., Sramäki J., (2015), “EDENetworks: A user-friendly software to build and analyse networks in biogeography, ecology and population genetics”, Molecular Ecology Resources, 15 (1), 117-122. • Lello J., Boag B., Fenton A., Stevenson I.R., Hudson P.J. (2004) Competition and mutualism among the gut helminths of a mammalian host. Nature, 428, 840-844. • Lello J., Knopp S., Mohammed K.A., Khamis I.S., Utzinger J. & Viney M.E. (2013) The relative contribution of co-infection to focal infection risk in children. Proceedings of the Royal Society B: Biological Sciences, 280, 20122813. • Lloyd-Smith J.O., Schreiber S.J., Kopp P.E. & Getz W.M. (2005) Superspreading and the effect of individual variation on disease emergence. Nature, 438, 355-9. Mahiane S.G., Nguéma E.P.N., Pretorius C. & Auvert B. (2010) Mathematical models for coinfection by two sexually transmitted agents: the human immunodeficiency virus and herpes simplex virus type 2 case. Journal of the Royal Statistical Society: Series C, 59, 547-572. Malakar R., Elkinton J.S., Hajek A.E., Burand J.P. (1999) Within–host interaction of Lymantria dispar (Lepidoptera: Lymantriidae) nucleopolyhedrosis virus and Entomophaga maimaiga (Zygomycetes: Entomophthorales). Journal of Invertebrate Pathology, 73, 91-100. Montel M.-C., Beuvier E., Hauwuy A., (2003), « Pratiques d'élevage, microflore du lait et qualités des produits laitiers », INRA Productions Animales, 16 (4), 279-282. • • • • Newman M.E.J., (2004), « Detecting community structure in networks », Eur.Phys.J.B, 38, 321-330. • Newman M.E.J. (2011) Communities, modules and large-scale structure in networks. Nature Physics, 8, 25-31. Okmen B. & Doehlemann G. (2014) Inside plant: biotrophic strategies to modulate host immunity and metabolism. Current Opinion in Plant Biology, 20C, 19-25. Pedersen A.B. & Fenton A. (2007) Emphasizing the ecology in parasite community ecology. Trends in Ecology & Evolution, 22, 133-139. Petney T.N., Andrews R.H. (1998) Multiparasite communities in animals and humans: frequency, structure and pathogenic significance. International Journal for Parasitology, 28, 377-393. • • • • • • • • • • • • • • • Rigaud T., Perrot-Minnot M.J. & Brown M.J. (2010) Parasite and host assemblages: embracing the reality will improve our knowledge of parasite transmission and virulence. Proceedings of the Royal Society B: Biological Sciences, 277, 3693-702. Sherlock C., Xifara T., Telfer S., Begon M. (2013) A coupled hidden Markov model for disease interactions. Journal of the Royal Statistical Society: Series C, 62, 609–627 Telfer S., Birtles R., Bennett M., Lambin X., Paterson S., Begon M. (2008) Parasite interactions in natural populations: insights from longitudinal data. Parasitology, 135, 767-81. Telfer S., Lambin X., Birtles R., Beldomenico P., Burthe S., Paterson S., Begon M. (2010) Species interactions in a parasite community drive infection risk in a wildlife population. Science, 330, 243246. Thumbi S.M., de Clare Bronsvoort B.M., Poole E.J., Kiara H., Toye P.G., Mbole-Kariuki M.N., Conradie I., Jennings A., Handel I.G., Wynand Coetzer J.A., Steyl J.C.A., Hanotte O. & Woolhouse M.E.J. (2014) Parasite co-infections and their impact on survival of indigenous cattle. PLoS One, 9, e76324. Tompkins D.M., Dunn A.M., Smith M.J., Telfer S. (2011) Wildlife diseases: from individuals to ecosystems. Journal of Animal Ecology, 80, 19-38. Vaumourin E., Gasqui P., Buffet J.-P., Chapuis J.-L., Pisanu B., Ferquel E., Vayssier-Taussat M., Vourc'h G. (2013). A probabilistic model in cross-sectional studies for identifying interactions between two persistent vector-borne pathogens in reservoir populations. Plos One, 8 (6), 1-9. Vaumourin E., Vourc'h G., Telfer S., Lambin X., Salih D., Seitzer U., Morand S., Charbonnel N., Vayssier-Taussat M., Gasqui P. (2014). To be or not to be associated: power study of four statistical modeling approaches to identify parasite associations in cross-sectional studies. Frontiers in Cellular and Infection Microbiology, 4, 11 p. Vaumourin E. (2014), « Modélisation statistique des associations et des interactions entre des parasites transmis par des vecteurs, à partir de données issues d’études transversales », thèse codirigée par Vourc'h G. et Vayssier-Taussat M., et co-encadré par Gasqui P. , 153 pages. Vayssier-Taussat M., Albina E., Citti C., Cosson J.F., Jacques M.A., Lebrun M.H., Le Loir Y., Ogliastro M., Petit M.A., Roumagnac P., Candresse T. (2014) Shifting the paradigm from pathogens to pathobiome: new concepts in the light of meta-omics. Frontiers in Cellular and Infection Microbiology, 4, 29. Windsor D.A. (2000) Biocartels-units of ecology and evolution based on host-symbiont interrelationships. Archives of the SciAesthetics Institute, 1, 4-12. Wood C.L., Byers J.E., Cottingham K.L., Altman I., Donahue M.J., Blakeslee A.M. (2007) Parasites alter community structure. Proceedings of the National Academy of Sciences, 104, 9335-9339.