Hypothèse de risque

Formulation d’hypothèses de risque
pertinentes : points communs et
différences entre la recherche en écologie
g
fondamentale et l’évaluation des risques
environnementaux
Alan Raybould, Sécurité des produits, Syngenta
La recherche sur l’ERE des OGM facilite-t-elle la prise de
décisions ?
• Données abondantes
• Lenteur des prises de décisions
• Effets nocifs peu nombreux, voire nuls • Critères d’approbation peu clairs
• Nombreux avantages pour
• Méfiance du public vis-à-vis des
l’
l’environnement
i
t
entreprises
t
i
ett des
d organismes
i
d
de régulation
é l ti
2
Qu’est-ce qui ne va pas dans la recherche en matière d’ERE
des OGM ?
● « Au cours des dix années qui ont suivi les premières autorisations de
mise sur le marché de cultures GM, on a pu observer une augmentation
phénoménale de la quantité de données issues d’études scientifiques
liées à l’évaluation des risques. Si cette tendance se poursuit, nous
courons le risque que les autorités compétentes soient ensevelies sous
une montagne de données dont la pertinence quant aux questions de
sécurité vérifiables est discutable. »
- An overview of general features of risk assessments of
genetically modified crops
- Craig et al., 2008, Euphytica 164: 853-80
3
Conséquences des données non pertinentes
● « Recueillir des données et déclarer évasivement qu’elles sont
significatives pour l’évaluation des risques, mais sans présenter
j des préoccupations, ne fait que
d’estimation précise concernant l’objet
semer la confusion et accroître le malaise. »
- How does scientific risk assessment of GM crops fit within the
wider risk analysis?
- Johnson et al., 2007, Trends in Plant Science 12: 1-5
4
Conséquences des données non pertinentes
● Le public est inquiet : il ne fait pas confiance aux entreprises ni aux
organismes de régulation.
● Les organismes de régulation sont inquiets : ils doivent montrer leur
rigueur.
i
● Les entreprises
p
sont inquiètes
q
: elles p
produisent des données,, au cas
où.
5
Conséquences de cette inquiétude
● L’inquiétude entraîne l’adoption d’une démarche prudente en ce qui
concerne les données requises.
- Si une étude est réalisée pour le produit A, elle sera probablement
requise également pour B, C, D...
- Le fait de ne pas recueillir de données comporte un risque
commercial important, le coût d’une étude étant relativement faible
par rapport au coût d’un retard.
- Ce n’est peut-être pas important pour le projet en cours, mais cela
crée un précédent.
- « Escalade » des données : accumulation d’études non pertinentes
p
dans les dossiers.
- Les dossiers de régulation sont de plus en plus volumineux.
6
Conséquences de cette inquiétude
● L’inquiétude crée également un climat propice à la multiplication des
études théoriques.
- Toute étude examinant un OGM p
peut susciter l’intérêt des médias.
- Prises de position des entreprises, des organisations industrielles,
etc.
- Davantage de données à évaluer
évaluer.
- Les données sont souvent de qualité inférieure à celle requise pour
un organisme de régulation.
7
La production de données non pertinentes n’est pas un
problème insignifiant.
● Conformité aux régulations très coûteuse
- Réduction du nombre de produits pouvant être mis au point
- Obstacle à la mise sur le marché pour les petites entreprises et les
établissements publics
● Approbations
pp
retardées en raison du temps
p nécessaire p
pour examiner
les dossiers, de plus en plus gros
- Retard ou obstruction de l’introduction de produits bénéfiques
- Retard ou obstruction de la suppression de produits nocifs
● Les produits les plus dangereux peuvent recevoir une évaluation
inadaptée.
● Cela
C l peutt accroître
ît les
l risques
i
pour l’l’environnement
i
t ett lla santé.
té
● Les chercheurs pourraient étudier un autre sujet plus intéressant.
8
Cette situation est-elle viable ?
9
Pourquoi produit-on des données non pertinentes ?
● Première raison possible : « l’erreur du naturalisme »
- « On ne peut pas déduire ce qui doit être de ce qui est. »
● L’erreur du naturalisme conduit à « l’idée fausse que la science (le
pensons q
qu’il est)) p
peut nous indiquer
q
q
quelle ligne
g
monde comme nous p
de conduite il faut adopter (le monde comme nous pensons qu’il doit
être) ».
● De là découle le « modèle déficitaire » de la science appliqué à la prise
de décisions : « c’est par la multiplication des données scientifiques que
la bonne ligne de conduite finira par émerger ».
- Ecological versus ecotoxicological methods for assessing the
environmental risks of transgenic crops
- Raybould, 2007, Plant Science 173: 589-602
10
Pourquoi produit-on des données non pertinentes ?
● On produit des données non pertinentes parce que l’on pense que les
données peuvent remplacer ou permettre de déduire la ligne de
conduite et les critères de prise de décision
décision.
● « Une grande partie des choix auxquels la société est confrontée sont
d’ordre moral et éthique, et les informations scientifiques peuvent les
guider dans ces choix. La science ne donne pas de solution, mais elle
peut nous aider à comprendre les conséquences de différents choix. »
- Entering the century of the environment: a new social contract
for science
- Lubechenco, 1998, Science 279: 491-497
11
Pourquoi produit-on des données non pertinentes ?
● Deuxième raison p
possible : la « théorie du seau » en matière de
connaissances scientifiques
- On commence par faire des observations sans opinion préconçue
( yp
(hypothèses).
)
- Lorsqu’on ajoute suffisamment d’observations dans le seau, des
connaissances émergent.
- Les hypothèses générales sont induites à partir d’observations
d observations
spécifiques.
- C’est la méthode connue sous le nom d’inférence inductive.
● A
Appliquée
li é à l’é
l’évaluation
l ti d
des risques
i
lié
liés aux cultures
lt
GM
GM, lla thé
théorie
i d
du
seau suggère que l’accumulation de données permet de caractériser les
risques.
- Pl
Plus on a d
de d
données,
é
plus
l on est en mesure d
de caractériser
éi
lles
risques.
- Des données en quantité suffisante permettent de prouver la sécurité
d’un produit.
12
Pourquoi produit-on des données non pertinentes ?
● L’inférence inductive présente plusieurs problèmes en tant que base
logique pour la science.
- Il est impossible de prouver qu’une théorie est vraie, même si c’est le
cas.
- Le fait de fournir davantage de données appuyant une théorie ne la
rend pas plus susceptible d’être vraie.
- De nombreuses théories peuvent correspondre à un même
ensemble de données.
● Un plus grand nombre de données n’offre pas plus de garanties qu’un
OGM est sans danger.
g
● Dans ce cas, comment génère-t-on des connaissances scientifiques et
comment peut-on
peut on caractériser les risques ?
13
Autre option à la place du seau : le projecteur
● D’après Karl Popper (1902 – 1994), tenter de réfuter des théories ou des
hypothèses permet d’accroître le savoir.
- « Logique déductive »
- La « théorie du projecteur » en matière de connaissances
scientifiques
- On recherche des observations q
qui sont distinctes selon les
hypothèses.
14
La théorie du projecteur
● Les opinions préconçues (hypothèses) précèdent l’observation.
- Il n’est pas possible d’observer sans hypothèse.
● À partir d’une hypothèse générale, on peut déduire qu’un phénomène
spécifique
p
q va se p
produire.
- On effectue des prédictions.
● On réalise des obser
observations
ations afin de les comparer a
aux prédictions
prédictions.
- L’hypothèse est mise à l’épreuve.
- On essaie de montrer qu’elle est fausse et non qu’elle est vraie.
15
La théorie du projecteur
● Si les prédictions et les observations concordent, l’hypothèse est
corroborée.
- L’hypothèse peut alors subir une nouvelle mise à l’épreuve.
● Si les p
prédictions et les observations ne concordent p
pas,, l’hypothèse
yp
est
réfutée.
- L’hypothèse est alors modifiée ou abandonnée.
● La connaissance est un ensemble d’hypothèses corroborées.
● Les hypothèses sont comme des projecteurs qui éclairent les
observations et leur donnent du sens.
16
Seau et projecteur : exemple
● Hypothèse : « Tous les cygnes sont
blancs. »
● Seau : on observe quelques cygnes blancs
et on en déduit l’hypothèse ; on cherche
alors d’autres cygnes blancs pour
confirmer l’hypothèse.
● Projecteur : on commence par l’hypothèse
et on déduit que tous les cygnes qui se
trouvent sur une rivière donnée sont
blancs ; on cherche alors des cygnes noirs
afin d’essayer de réfuter l’hypothèse.
17
Importance cruciale du tâtonnement
Karl Popper, Objective Knowledge, an Evolutionary Approach
→ problème de départ [P1] → solution provisoire [SP] → élimination de
l’erreur [EE] → nouvelle connaissance et nouveau problème [P2] →
18
L’évaluation des risques peut-elle suivre la logique déductive ?
● Oui – US EPA, 1998
19
L’évaluation des risques suit la même logique que la
découverte scientifique
Définition des effets nocifs potentiels de la culture GM (P1)
Développement d’hypothèses selon lesquelles
la culture GM n’est pas nocive (SP1)
Mise à l’épreuve des hypothèses (EE)
Connaissance accrue du risque (P2)
N
Nouvelle
ll h
hypothèse
thè concernantt lle risque
i
(SP2)
La sécurité correspond à une hypothèse suffisamment corroborée
d’absence
d
absence de nocivité.
nocivité
20
Réduction de la quantité de données non pertinentes
● Il est important
p
de reconnaître q
que l’évaluation des risques
q
p
possède une
logique déductive.
- Les données non pertinentes (pour l’évaluation des risques) sont
parfois recueillies p
p
par ceux q
qui p
pensent q
qu’ils essayent
y
de p
prouver
l’absence de danger par inférence inductive.
- Cela consiste à remplir le seau de cygnes blancs inoffensifs.
● Il faut aussi éviter l’erreur du naturalisme.
- On remplit le seau de cygnes.
- On découvre ensuite ce qui est nocif d’après la couleur des cygnes.
- Or, la nocivité se définit, elle ne se découvre pas.
● La collecte de données est plus efficace lorsqu’on considère l’évaluation
des risques comme la mise à l’épreuve d’une hypothèse.
- On recherche les cygnes noirs nocifs
nocifs.
21
L’évaluation des risques est scientifique, mais ce n’est pas de
la recherche.
● Pour la recherche fondamentale comme pour l’évaluation des risques,
on procède en mettant à l’épreuve des hypothèses (les solutions
provisoires aux problèmes).
● Il est important de comprendre que les sources de problèmes et les
types
yp d’hypothèses
yp
sont différents dans la recherche fondamentale et
l’évaluation des risques.
22
Source de problèmes
● On considère généralement que la science est objective.
● Cela s’applique particulièrement à la phase d’élimination des erreurs
(phase de test).
● La sélection des problèmes scientifiques contient une part de
subjectivité.
bj ti ité
- Intérêts personnels du scientifique
- Intérêts d’ordre sociétal au travers de l’attribution de fonds
- (Créativité dans la formulation des hypothèses)
23
Source de problèmes
● L’idée erronée que le choix des problèmes est objectif n’a probablement
pas d’importance pour l’avancement de la science pure.
● En revanche, elle nuit beaucoup à l’évaluation
l évaluation des risques.
● Elle doit être axée sur la protection des choses importantes.
- C’est inévitablement subjectif.
- On ne peut pas le déduire scientifiquement.
- On évite ainsi l’erreur du naturalisme q
qui conduit au modèle
déficitaire.
24
Propriétés des hypothèses
● « Il est d’un homme cultivé de ne chercher la rigueur pour chaque genre
de choses que dans la mesure où la nature du sujet l’admet. »
- Aristote, Ethique à Nicomaque
● Les hypothèses scientifiques s’efforcent d’être précises et intéressantes.
● En recherche fondamentale, l’intérêt découle de la précision.
● En ERE, l’intérêt doit provenir de la pertinence relative à une décision.
25
Propriétés des hypothèses
● En recherche fondamentale, plus une théorie fournit de prédictions
précises, meilleure elle est.
- Plus intéressant, plus improbable, plus grande testabilité.
● Il va pleuvoir quelque part en Europe le mois prochain.
- Probable,, mais sans intérêt.
● Demain à 15 h, il va pleuvoir à Madrid, mais pas à Londres.
- Moins probable, plus intéressant.
● En évaluation
é al ation des risq
risques,
es il pe
peutt ssuffire
ffire de connaître l’éq
l’équivalent
i alent de la
probabilité qu’il pleuve en Europe le mois prochain.
- Si c’est le cas, il est inutile de concevoir et de mettre à l’épreuve une
thé i sur lla llocalisation
théorie
li ti ett l’h
l’heure d
des précipitations.
é i it ti
26
Précision superflue ?
● Hybridisation between Brassica napus and Brassica rapa in the UK
- Wilkinson et al., 2003, Science 302: 457-459
A = Brassica napus; B = Brassica rapa; C = co
co-occurrence
occurrence
27
Précision superflue ?
● La prédiction peut avoir été un sujet intéressant de recherche
fondamentale.
● Elle prétend également pouvoir aider à évaluer les risques du colza GM.
De quelle manière ?
- Il n’y avait pas auparavant de critère de prise de décision fondé sur
l’abondance et la localisation des hybrides GM.
- Possibilité de confusion,, car l’étude menée peut
p
sous-entendre q
qu’il
faut prendre une décision en fonction de la prédiction du nombre
d’hybrides GM.
● Il pourrait être plus utile pour la prise de décision de connaître la
probabilité d’au moins un hybride GM.
28
Formulation d’hypothèses utiles à l’ERE (hypothèses de
risque)
S é
Scénario
i
H
Hypothèse
thè
Culture de la plante GM
↓
L’événement A ne se produira pas
Evénement A
↓
L’événement
L
événement B ne se produira pas
Evénement B
↓
L’événement C ne se produira pas
Evénement C
↓
Evénement D ((effet nocif))
29
L’événement D ne se produira pas
Formulation d’hypothèses de risque
Modèle conceptuel (scénario)
Hybridation entre la culture et l’espèce
sauvage
Hypothèse de risque
Pas d’hybridation entre la culture et
ll’espèce
espèce sauvage
Le caractère GM augmente la résistance virale Espèce sauvage immunisée contre le
de l’espèce sauvage
virus
Contamination de l’espèce sauvage par le
virus dans le champ.
Espèce sauvage non contaminée par le
virus dans le champ
Meilleure survie des plantes GM infectées et
plus
l grande
d production
d i de
d graines
i
que les
l
plantes non GM infectées
Pas de réduction de la survie ni de la
production
d i de
d graines
i
due
d à l’infection
l’i f i
Abondance accrue de l’espèce sauvage
entraînant la baisse de l’abondance d’espèces
importantes (effet nocif)
Population
p
non limitée par
p la production
p
de graines
Environmental Biosafety Research 4: 127-140
30
Exemples
p
d’hypothèses
yp
de risque
q
Hypothèse de risque
● Concentration sans effet nocif
observé > 10 x l’exposition max.
● La culture A ne s’hybride
s hybride pas
avec la plante sauvage B.
Hypothèse de recherche
● Concentration sans effet nocif observé = X
ug/g d’aliment ; concentration estimée
dans l’environnement = Y ug/g d’aliment
● Nombre d’hybrides A x B = X
Xerwrewrewrewrewwerew
● La culture GM A n’est
n est pas plus
envahissante que son progéniteur ● Nombre d’adventices de A = Y
B.
dasdasdasdadaddasds
● La culture de la plante GM A
n’entraîne aucun changement
nocif de la fonction du sol.
31
● Pas de changement de l’abondance
relative des microbes dans le sol à la suite
de la culture de la plante GM A par rapport
à son progéniteur B
Mise à l’épreuve des hypothèses de risque
● Le niveau de confiance de l’évaluation des risques dépend de la rigueur
avec laquelle l’hypothèse d’absence de nocivité est mise à l’épreuve.
● L’écologie se méfie des tests en laboratoire :
Les études en laboratoire peuvent... « grossir des facteurs
accidentels ou anodins... en effet, les expériences en laboratoire
sont sans doute capables
p
de montrer l’effet de n’importe
p
q
quel facteur
dans des conditions suffisamment extrêmes. Les études en
laboratoire sont efficaces pour isoler la réaction à un facteur donné,
mais cette réaction n’est pas nécessairement pertinente en
écologie. »
- R.H. Peters – « A Critique for Ecology » (1991)
32
Surestimation des effets dans les études en laboratoire
● C’est problématique si c’est la présence d’un effet que l’on recherche.
- p. ex., temps perdu à élaborer et à mettre à l’épreuve des théories
employant des variables n’ayant
n ayant pas de capacité prédictive sur le
terrain
● Avantageux si c’est l’absence d’un effet que l’on recherche.
- P.
P ex
ex., évaluation des risques
- Pas d’effet nocif si le phénomène est absent
● Si aucun effet n’est détecté en laboratoire, il y a de fortes probabilités
que l’effet
l effet soit absent sur le terrain
terrain.
● Si l’effet se produit en laboratoire, il faut vérifier s’il se produit aussi sur
le terrain en effectuant des tests.
- Concept du test en plusieurs étapes
- On commence par les études les plus susceptibles de détecter l’effet
nocif.
33
Mise à l’épreuve des hypothèses de risque
● « Tester » ne signifie pas qu’il faut réaliser une nouvelle étude.
● Les données existantes peuvent corroborer les hypothèses de risques
avec suffisamment de certitude.
● Protéine Cry exprimée dans une nouvelle culture
- On recueille de nouvelles données sur l’expression
p
de la p
protéine.
- On examine les données existantes sur la faune associée à la
culture dans la zone de culture proposée.
- Les données existantes sur la toxicité de la protéine Cry peuvent
suffire à montrer que la culture de la plante présente des risques
faibles pour les espèces non nuisibles.
- P
P. ex.,
ex les données sur Cry1Ac et Cry2Ab recueillies pour les
évaluations de risques du coton et du maïs peuvent être suffisantes
pour l’expression de ces protéines dans le pois cajan (Romeis et al.,
2009).
34
Pour résumer : découverte scientifique et évaluation des
risques
Découverte
Dé
t scientifique
i tifi
P1 →SP → EE → P2 →
P1 est apparemment objectif
• Découle des tests objectifs
réalisés pour les précédents
problèmes
on cherche une SP intéressante
• Prédictions p
précises
EE cherche à invalider la SP
• SP est corroborée par la
présence de phénomènes
dans les études sur le terrain
35
Evaluation des risques
environnementaux
P1 →SP → EE → P2 →
P1 est subjectif
• Découle de la définition des
effets nocifs
SP a pour but de faciliter la prise
de décisions
• Prédiction d’absence de
nocivité
EE cherche à invalider la SP
• SP est corroborée par
l’absence de phénomènes en
l b t i
laboratoire
Réduction de l’incertitude
● L’effet nocif a-t-il été défini ?
- Subjectif ; ne peut pas être découvert scientifiquement
- Dérivé de la loi ou d’autres
d autres textes règlementaires
- Le changement n’est pas nocif en soi.
- Il peut être plus utile de débattre de ce qu’est un effet nocif que
d’effect er da
d’effectuer
davantage
antage d’ét
d’études
des po
pourr prédire des effets
effets.
36
Réduction de l’incertitude
● A-t-on formulé des hypothèses claires d’absence de nocivité ?
- La corroboration ou l’invalidation doit faciliter la prise de décisions.
- Il faut éviter les hypothèses qui posent des prédictions précises, à
moins q
que les décisions à p
prendre dépendent
p
de la q
quantification
exacte d’un effet.
- Les hypothèses simples qui posent des prédictions
semi-quantitatives
q
(pas p
(p
plus q
que,, p
pas moins q
que,, etc.)) p
peuvent être
plus utiles.
- Il peut être plus utile de débattre des valeurs seuil d’un effet nocif
que d’effectuer davantage
q
g d’études p
pour améliorer la p
précision des
prédictions concernant cet indicateur.
37
Réduction de l’incertitude
● A-t-on rigoureusement mis à l’épreuve les hypothèses d’absence de
nocivité
i ité ?
- Les études en laboratoire permettent souvent d’effectuer des tests
plus rigoureux que sur le terrain.
- Si c’est le cas, ce n’est pas la peine d’effectuer des études sur le
terrain si aucun effet n’est détecté en laboratoire.
- Il vaut mieux chercher les cygnes noirs que compter les blancs.
- Si l’incertitude du niveau de risque reste trop importante après les
tests en laboratoire, des tests supplémentaires en laboratoire
peuvent être plus utiles qu’un programme d’études sur le terrain long
et poussé.
38
Réduction de l’incertitude
● Les données existantes ont-elles été pleinement exploitées ?
- Réaliser une étude n’est pas la même chose qu’évaluer un risque ou
répondre
é
d àd
des préoccupations.
é
ti
- Le risque d’un produit n’est pas jugé selon la volonté du fabricant à
fournir des données.
- La certitude dépend de la rigueur avec laquelle l’hypothèse de risque
est mise à l’épreuve, et non de la quantité de données qui
l’« appuient ».
- Si les données existantes évaluent déjà le risque adéquatement, des
études supplémentaires peuvent augmenter les risques, si
l’introduction de produits bénéfiques est retardée.
39
Prise de décisions
● Les décisions difficiles peuvent exiger une meilleure évaluation des
risques, pas un plus grand nombre de recherches.
40