7. Génétique des populations de Trypanosoma brucei gambiense en Afrique de l’Ouest
p. 247-285
Note de l’éditeur
Une nouvelle édition de ce livre a été publiée : https://books.openedition.org/irdeditions/40492, DOI : 10.4000/books.irdeditions.40492
Texte intégral
INTRODUCTION
1Le jeu de données que nous allons analyser a fait l’objet d’une publication en 2009 (Koffi et al., 2009). Il va nous permettre d’explorer comment adapter les outils de la génétique des populations aux organismes à reproduction majoritairement asexuée.
ÉTAT DES LIEUX
2Les trypanosomiases africaines sont des maladies à vecteur transmises normalement par des glossines (mouches tsé-tsé) et parfois mécaniquement par d’autres insectes piqueurs (tabanides) ou même sexuellement pour Trypanosoma equiperdum (Brun et al., 1998). La maladie du sommeil ou trypanosomiase humaine africaine (THA) est connue sous deux formes : la forme chronique, rencontrée en Afrique de l’Ouest et centrale, et la forme aiguë, qui sévit en Afrique de l’Est. La forme chronique de la THA est provoquée par Trypanosoma brucei gambiense type 1 (Tbg1) et représente plus de 90 % des cas recensés par l’Organisation mondiale de la santé (OMS) (WHO, 2006b). Une personne infectée par Tbg1 peut rester asymptomatique durant des années avant de déclarer la forme neurologique (dramatiquement spectaculaire) de la maladie. La forme aiguë de la THA est provoquée par Trypanosoma brucei rhodesiense (Tbr) pour laquelle les premiers symptômes neurologiques peuvent apparaître au bout de quelques semaines seulement. Ce schéma idéal n’est pas toujours très clairement suivi in situ et de nombreux variants cliniques sont trouvés pour les deux formes en conséquence de facteurs liés à l’hôte, au parasite, à l’environnement socio-économique ou écologique, voire même une combinaison de tous ces paramètres ou d’une partie d’entre eux (MaClean et al., 2007). Sans traitement, les deux formes de la THA conduisent à une issue fatale (Garcia et al., 2006 ; WHO, 2006b), bien que des enquêtes épidémiologiques suggèrent de plus en plus l’existence de porteurs sains capables de contrôler l’infection, voire même de la juguler (Garcia et al., 2006). Après la flambée du début du XXe siècle, la THA semblait largement éradiquée dans le courant des années 1960. Elle a cependant réémergé dans les années 1980 en corollaire d’une baisse significative de la surveillance, de déplacements de populations, de guerres et de catastrophes naturelles (Aksoy et al. 2005 ; Garcia et al., 2006). En 2000, il a été estimé qu’environ 300 000 personnes étaient infectées et que seulement 10 à 15 % des 60 millions de personnes vivant dans les zones à risque étaient sous surveillance médicale (Garcia et al., 2006). Grâce aux mesures de contrôle, il semble que nous soyons aujourd’hui dans un contexte d’élimination (Jamonneau, communication personnelle).

Figure 81
Le cycle de Trypanosoma brucei. La tsé-tsé injecte à l’hôte des trypomastigotes métacycliques lors d’un repas sanguin qui se transforment en stades trypomastigotes sanguins. Après une phase de multiplication asexuée, les trypomastigotes raccourcissent et peuvent alors être ingérés par une nouvelle tsé-tsé lors d’un nouveau repas sanguin sur l’hôte. Dans l’intestin moyen de la glossine, les trypomastigotes se transforment en trypomastigotes procycliques qui se multiplient par fission binaire. Dans l’intestin moyen antérieur, les trypomastigotes procycliques se transforment en trypomastigotes mésocycliques qui migrent alors dans les glandes salivaires où ils se transforment en épimastigote puis enfin en trypomastigotes métacycliques de nouveau. Schéma inspiré d’une figure du TDR Wellcome/Trust (http://www.who.int/tdr/diseases/tryp/lifecycle.htm)
3La trypanosomiase animale africaine (TAA ou nagana) est causée par différentes espèces de trypanosomes, classiquement : T. brucei brucei (Tbb), T. congolense (Tc) et T. vivax (Tv) qui affectent gravement la santé du bétail. La TAA représente un frein majeur au développement en Afrique subsaharienne et son coût annuel a été estimé à hauteur de 4,75 milliards de dollars américains (FAO, 2000 ; Bouyer et al., 2009).
4Trypanosoma brucei sl requiert deux hôtes séquentiels pour accomplir son cycle (fig. 81). Un vertébré (l’homme, par exemple), où le parasite se propage par fission binaire (clonalité), et une glossine (le vecteur) où une phase de propagation clonale dans l’intestin moyen précède une éventuelle sexualité, de type classique (meïose avec ségrégation, recombinaison et amphimixie) qui a lieu dans les glandes salivaires de la mouche tsé-tsé (MaCleod et al., 2005a, b, c, 2006 ; Tait et al., 2007).
5En théorie, la recombinaison sexuée peut intervenir chez n’importe laquelle des espèces (ou sous-espèce, on y reviendra) du complexe T. brucei (Tait et al., 2007). Il semblerait cependant que ceci ne concerne que les T. brucei d’animaux (i. e. Tbb), alors que la sexualité serait rare ou absente chez les souches infectant l’homme (Tbg1 et Tbr) (MaCleod et al., 2000 ; De Meeûs et Balloux, 2005 ; Koffi et al., 2009 ; Simo et al., 2010). Cependant, ces inférences sont toujours l’objet de contestations, car elles dépendent fortement de la stratégie d’échantillonnage et notamment de ce qui est considéré comme appartenant ou non à la même espèce (Maynard-Smith et al., 1993 ; MaCleod et al., 2000). Par ailleurs, la plupart des investigateurs considèrent les déséquilibres de liaison comme des outils privilégiés de mesure de la clonalité, alors qu’il a été montré que ces déséquilibres de liaison sont très difficiles à estimer et dépendent fortement de la structure des populations cibles (De Meeûs et Balloux, 2004 ; Prugnolle et De Meeûs, 2010). Or les organismes tels que les trypanosomes ont de fortes chances de montrer des structures de populations assez cloisonnées. Pour les espèces diploïdes, comme c’est le cas des trypanosomes, le paramètre FIS de Wright (Wright, 1965), qui mesure comme on l’a vu l’homozygotie des individus relative à l’homogénéité génétique de la sous-population dont ils sont issus, représente un outil beaucoup plus performant (De Meeûs et Balloux, 2005 ; De Meeûs et al., 2006).
6Un autre problème, spécifique à Tbg1, concerne la méthode d’isolement des souches. Il a en effet été montré que les profils enzymatiques de souches provenant du même patient, mais isolées par différentes méthodes, étaient différents. De là, l’idée que ces méthodes sélectionnaient des souches de parasites particulières (Jamonneau et al., 2003), ce qui est gênant si on ne peut pas être certain d’avoir des échantillons représentatifs de la diversité présente. Ces méthodes d’isolement sont au nombre de trois : l’inoculation de rongeurs de laboratoire (IR) par du sang contaminé (trypomastigotes sanguins), peu efficace eu égard au manque de virulence des Tbg1 chez les rongeurs (Jamonneau et al., 2003) ; la culture in vitro avec le kit d’isolation in vitro (KIVI) beaucoup plus efficace (Jamonneau et al., 2003) ou enfin à partir des liquides biologiques (sang, lymphe des ganglions ou liquide céphalorachidien) directement. Ici, ce sont des extraits directs de sang ou BS (blood samples) qui ont été comparés aux deux autres.
7Dans ce chapitre, nous allons revisiter pas à pas les données de l’article de Koffi et al. (2009) afin d’explorer le système de reproduction de ce pathogène, tester le biais occasionné par les différentes méthodes d’isolement, estimer la taille de ses populations dans chaque foyer et le nombre de migrants sur un échantillon de 90 souches prélevées en Côte d’Ivoire dans le foyer de Bonon et en Guinée dans les foyers de Boffa et Dubréka (fig. 82), sur une période allant de 1998 à 2004.

Figure 82
Localisation géographique des foyers de THA étudiés (marqués d’une étoile)
LE JEU DE DONNÉES BRUTES
8Les informations générales concernant les données sont présentées dans le tableau 34.
9Les données brutes sont contenues dans le fichier “TrypanoBruceiTotDataGPS.txt” qui, en plus des données des 90 isolats cités plus haut, donne les génotypes d’un certain nombre de souches de référence de Tbg1, de Tbb, de Tbg2 (des Tbb trouvés chez l’homme en Côte d’Ivoire (Gibson, 2007) et de Tbr. Les données se présentent comme suit (fig. 83).
Tableau 34
Nombre d’isolats (Nisolats) de Trypanosoma brucei gambiense échantillonnés dans les différents foyers et années de l’étude. La surface occupée, la taille de la population humaine, les prévalences et le nombre présumé de personnes infectées (Prévalence x Population) sont également indiqués

10Nous avons besoin de rajouter une information manquante à ces données, les génotypes multilocus (MLGs), qui est une information extrêmement utile en génétique des populations clonales (Tibayrenc et al., 1990 ; Tibayrenc et al., 1991 ; Tibayrenc, 1998 ; 1999 ; Tibayrenc et Ayala, 2002 ; De Meeûs et al., 2006). En ce qui me concerne, je le fais sous Excel. Je charge le fichier sous Excel. Je crée une colonne “Somme” où je fais la somme de tous les allèles de tous les loci pour chaque isolat et je trie le tableau en fonction de “Somme”. Je crée une nouvelle colonne “Id” avec une fonction qui marque 1 quand, dans la colonne “Somme”, plusieurs chiffres qui se suivent sont égaux. Si la colonne “Somme” correspond à la colonne P de Excel, alors tapez “= SI (P3 = P4 ; 1 ;””)” en ligne 3 (deuxième isolat) de la colonne Id et copier cette cellule et la coller sur toutes celles du dessous. Je crée enfin une colonne “MLG” où je numérote dans l’ordre les génotypes en mettant le même chiffre pour ceux qui se répètent en m’aidant de la colonne “Id”, mais en prenant garde que l’identité de la somme résulte bien d’une identité multilocus. J’ai enregistré ce fichier sous le nom “TrypanoBruceiTotDataGPS.txt” où je vais ensuite supprimer les colonnes de calculs intermédiaires et ne garder que MLG en dernière colonne (après le dernier locus donc).

Figure 83
Extrait du fichier de données de Trypanosoma brucei. En ligne figurent les différents isolats (comme d’habitude). Les deux premières colonnes donnent les coordonnées GPS des patients (pour Bonon 2000 seulement), suivent le nom de l’isolat, le pays, le foyer, la méthode d’isolement des souches et les huit loci microsatellites sur lesquels ces isolats ont été génotypés
11Il faut ensuite rendre ce fichier lisible par Create, ce qui nous permettra ensuite de le traduire pour n’importe quel logiciel. Par commodité, il convient de transformer d’abord tous les “0” en “000000”. Ensuite, il faut séparer les deux allèles de chaque locus en collant une colonne de tabulation entre les deux allèles de chaque locus (on obtient deux colonnes par locus donc). Il faut répéter donc sur la première ligne le nom des loci et faire en sorte que le nom de chaque locus ne dépasse pas six caractères (certains logiciels vont les tronquer sinon) et ne comporte pas de caractères spéciaux tels que – ou/. Enfin, certains loci ont des allèles dont la taille est inférieure à 100. Il faut penser à leur rajouter un 0 devant (par exemple, 085). Il faut coder aussi les MLGs avec trois caractères et dupliquer cette colonne (rendre ce “locus” diploide homozygote). Les MLGs seront utilisés pour des tests de randomisations d’individus entre sous-échantillons et pour mesurer l’indice de différenciation, soit θ l’estimateur du FST. Nous avons déjà vu que le FST ne dépend que de l’homogénéité interindividuelle dans et entre sous-populations, la diploïdisation homozygote n’a donc aucun effet à ce niveau.
12En principe, nous pouvons commencer. Nous allons déjà nous débarrasser du facteur « technique d’isolement » afin, en cas de non-significativité, de pouvoir ignorer ce facteur et travailler sur de plus grands sous-échantillons.
TESTER L’EFFET DE LA TECHNIQUE D’ISOLEMENT DES SOUCHES
Création d’un fichier Fstat et MSA
13Nous allons utiliser ici les procédures FST par paire de sous-échantillons et les tests de différenciation par paire de sous-échantillons sous Fstat et aussi créer un dendrogramme. Nous ne pouvons pas utiliser HierFstat ici car le facteur « technique d’isolement » est un facteur croisé (ou orthogonal) et non pas hiérarchisé, comme cela est requis pour HierFstat (voir la discussion à ce sujet dans De Meeûs et Goudet, 2007). Il faut donc créer ce fichier avec par exemple Create (il s’agit juste d’une suggestion). N’oubliez pas de créer une nouvelle colonne qui informe sur le foyer, l’année et la méthode d’isolement (Bon00KI pour Bonon 2000 KIVI) et de trier selon cette colonne. Quand cela est en ordre, on lance Create pour convertir le fichier au format Fstat et MSA (qui nous servira à construire une matrice de distances génétiques). N’oubliez pas de supprimer la colonne supplémentaire inutile du fichier “.lab” que Create va créer. Vous pouvez également raccourcir les noms de fichiers à votre convenance.
Analyse Fstat par paire de sous-échantillons
14Il faut charger ensuite le fichier .dat sous Fstat. Il faut sélectionner les loci (pas le locus MLG dans un premier temps) et les sous-échantillons pertinents (pas les souches de références ni les sous-échantillons où il n’y a eu qu’une seule méthode de prélèvement). Ceci se fait avec le menu déroulant “Options” de Fstat et les sous-menus “Label file for pops” pour indiquer le fichier contenant le nom des sous-échantillons (plus facile pour la suite), “Loci to use” (on sélectionne tout sauf MLG) et “Samples to use” (on sélectionne les sous-échantillons de Bonon en 2002 et 2004 qui sont les seuls où plusieurs méthodes de prélèvements sont disponibles). Dans le cadre principal du menu Fstat, cochez “Fst per pair of samples”, “Pairwise tests of differentiation” et activez le bouton “1/1000” de “Nominal level to multiple tests” (pour avoir suffisamment de permutations). Enfin, cliquez sur “Run”. Nommez le nouveau fichier (T-BruceiBetweenIsolationMetFstat.dat) (nous avons en effet sélectionné des loci et sous-échantillons particuliers pour ce test) et cliquez sur “Enregistrer” pour lancer l’analyse Fstat. Deux fichiers de sortie Fstat nous intéressent, celui qui possède les FST par paire de sous-échantillon et qui porte l’extension “fst” et celui qui donne les P-values avec l’extension “pvl”. Les seules paires qui nous intéressent sont celles qui comparent deux méthodes dans un même sous-échantillon. Comme on le voit dans le tableau 35, nous obtenons quatre comparaisons qui toutes présentent un estimateur de FST < 0 non significatif.
Tableau 35
Résultats des mesures et tests de significativité par paire de méthodes d’isolement des souches de Trypanosoma brucei gambiense 1 à Bonon en 2002 et en 2004. Données avec les loci individuels
Année | Méthode 1 | Méthode 2 | FST | P-value |
2002 | KIVI | Rodent inoculation | - 0,0164 | 0,9547 |
Blood sample | KIVI | - 0,0088 | 0,6749 | |
2004 | Blood sample | Rodent inoculation | - 0,0181 | 0,8319 |
KIVI | Rodent inoculation | - 0,0131 | 0,7192 |
15Les organismes clonaux ont la fâcheuse habitude de générer une corrélation entre les loci (déséquilibres de liaison), d’où la présence de génotypes multilocus. Cela pourrait conduire un test de différenciation, par effet d’auto-corrélation, à pencher trop fort dans une direction ou l’autre (bien qu’ici les résultats soient peu ambigus). Pour valider notre test, l’utilisation des génotypes multilocus ou MLGs comme autant d’allèles d’un même et unique locus est une option efficace. Nous allons donc répéter ce que nous venons de faire, mais en ne gardant que le “locus” MLG. L’analyse du nouveau jeu de données ainsi créé (T-BruceiBetweenIsolationMetFstatMLG.dat) aboutit aux résultats présentés dans le tableau 36. On voit encore que la différenciation n’est pas significative avec des mesures de différenciation systématiquement négatives ou nulles.
Tableau 36
Résultats des mesures et tests de significativité par paire de méthodes d’isolement des souches de T. brucei gambiense 1 à Bonon en 2002 et en 2004. Données MLG
Année | Méthode 1 | Méthode 2 | FST | P-value |
2002 | KIVI | Rodent inoculation | - 0,0399 | 0,9061 |
Blood sample | KIVI | - 0,0256 | 1 | |
2004 | Blood sample | Rodent inoculation | - 0,0345 | 1 |
KIVI | Rodent inoculation | 0,0000 | 1 |
Analyse NJTree
16Nous allons pour cela créer un fichier MSA avec Create. N’oubliez pas de retirer le locus MLG, ainsi que les souches de référence qui n’ont pas lieu d’être ici. Quand votre fichier est prêt, copiez-le dans le répertoire de MSA (ou copiez MSA dans votre répertoire de travail). Lancez MSA, tapez “i” pour choisir le nom de votre fichier de données et tapez le nom complet de ce fichier (celui que vous venez de créer avec Create). Tapez ensuite “d” pour le menu des distances, puis “p” pour choisir le type de distance. Ensuite, tapez “c” pour sélectionner le calcul par paire de sous-échantillons, puis les chiffres correspondant aux distances à sélectionner ou à désélectionner. En principe, on garde la distance harmonique de Cavalli-Sforza et Edwards (chord distance) quiest réputée produire les meilleurs NJTree, eux-mêmes réputés donner les arbres dotés de la meilleure topologie (Takezaki et Nei, 1996). Donc on va garder l’option correspondant à cette distance “on” (option 7, indissociable de l’option 8, pour une raison qui m’échappe). Tapez enfin “ !” pour lancer les calculs. MSA crée un répertoire plein de sous-répertoires pleins de trucs inutiles. Intéressez-vous à ce qu’il y a dans le répertoire “Distance_data” dans le quel se trouve le fichier “CAS_Pop.txt” qui nous intéresse. Il faut ouvrir ce fichier avec un tableur ou un bon éditeur de texte. Il contient la matrice des distances harmoniques de Cavalli-Sforza et Edwards entre toutes les paires de sous-échantillons. Il faut ensuite ouvrir un fichier type MEGA (Kumar et al., 2004), comme décrit dans la figure 84. Le résultat obtenu est présenté en figure 85. On voit bien que la méthode d’isolement n’est pas un paramètre très important. Notez que le dendrogramme obtenu diffère de celui publié par Koffi et al. (2009), car ce dernier était basé sur six des loci (Micbg6 et Trbpa avaient été éliminés pour des raisons que nous verrons plus loin) et sur des distances évaluées par Genetix qui calcule en fait une autre distance que la distance harmonique de Cavalli-Sforzza et Edwards (contrairement à ce qui est dit). Mais la conclusion générale ne change pas.

Figure 84
Extrait du fichier de données de matrice de distances pour fabriquer un NJTree sous Mega (les “>>” représentent des tabulations)

Figure 85
Résultat du NJTree basé sur la distance harmonique de Cavalli-Sforza et Edwards entre paires de sous-échantillons calculée à partir de huit loci microsatellites
17Nous pouvons donc désormais ignorer le facteur méthode d’isolement dans les analyses qui vont suivre.
DÉSÉQUILIBRES DE LIAISON, HOMOZYGOTIE RELATIVE LOCALE ET SYSTÈME DE REPRODUCTION
Création du fichier Fstat
18En reprenant le fichier de départ, nous allons construire un fichier Create où chaque combinaison de Foyer × Année d’isolement correspondra à une population différente et en éliminant pour le moment les souches de référence. Une fois que cela est fait, on traduit ce fichier au format Fstat en suivant la même procédure que précédemment.
Analyse des déséquilibres de liaison et des FIS
19J’ai appelé mon fichier “T-BruceiFoyAnCI & Guin.dat”. Dans l’analyse Fstat, après avoir chargé ce fichier et choisi un fichier “Label for pops” dans “Options”, j’ai coché les cases correspondant aux fréquences alléliques, mesures de diversité génétiques sur l’ensemble et par locus et population, le test sur le FIS global et pour chaque locus dans chaque sous-population, ainsi que celui pour le déséquilibre de liaison dans chaque population et entre chaque paire de loci. Je m’arrange pour qu’il y ait 10 000 permutations au moins. Une fois que tout est prêt, il faut cliquer sur “Run” et attendre que toutes les permutations soient finies (1 mn chez moi). Les résultats apparaissent dans le fichier “T-BruceiFoyAnCI & Guin.out”.
Déséquilibres de liaison
20Nous ne regardons que les tests sur l’ensemble des sous-échantillons et par paire de loci. Sur les 21 tests possibles, 18 paires de loci sont significativement en déséquilibre de liaison au seuil 5 %. Cela est largement au-dessus des 5 % attendus (même pas besoin de faire un test binomial, mais bon cela donne une P-value < 0,0001). Treize tests restent significatifs au seuil Bonferroni séquentiel et chaque locus est impliqué au moins une fois dans une liaison significative à ce seuil. Nous pouvons conclure qu’une liaison statistique très significative existe entre tous les loci, c’est-à-dire que cette association concerne l’ensemble du génome des trypanosomes.
Excès d’hétérozygotes locaux
21Globalement, il existe un important excès d’hétérozygotes avec un FIS = - 0,611 et un intervalle de confiance à 95 % de [- 0,76, - 0,473]. Cet excès est très significatif (P-value < 0,0001). Globalement, Fstat ne teste que FIS > 0, mais il suffit de prendre 1-P-value, qui est ici de 0,9999, ce qui donne 0,0001. Regardons ce qui se passe locus par locus. Dans le fichier “T-BruceiFoyAnCI&Guin.out”, il s’agit maintenant de récupérer les valeurs de FIS (smallf) par locus sur l’ensemble des sous-échantillons, leur erreur standard de jackknife (StrdErrFis) sur les sous-échantillons (over populations). Pour six sous-échantillons (donc 6 - 1 = 5 ddl), le paramètre t ≈ 2,57 au seuil 5 % (cf. p. 72-74 de la 1re partie de ce manuel). Pour chaque locus, l’intervalle de confiance se calcule donc avec les formules FIS-2,57xStrdErrFis pour la limite inférieure, qui ne peut dépasser - 1, et FIS- + 2,57xStrdErrFis pour la limite supérieure, qui ne doit pas dépasser + 1. Les valeurs d’intervalle de confiance qui dépassent les valeurs - 1 et + 1 doivent donc être artificiellement ramenées à ces valeurs frontières. En faisant cela, nous supposons que les FIS suivent la loi normale, ce qui est sans doute faux. D’un autre côté, nous n’utiliserons pas ces intervalles de confiance pour une décision statistique, mais pour illustrer le comportement des différents loci dans un graphique. Nous pouvons ainsi réaliser le graphe de la figure 86. On notera que toutes les P-values = 0,0001 sauf pour trbpa (P-value = 0,0011). On peut aussi noter que deux loci sortent du lot, micbg6 qui est en fait fixé hétérozygote 182/266 dans tous les échantillons et trbpa dont la variance est anormalement élevée. Ce locus est d’ailleurs situé dans une zone codante (Roditi et al., 1998) et nous avons là typiquement une bonne raison d’éliminer une source d’information qui apporte plus de confusion qu’autre chose.

Figure 86
Valeurs de FIS par locus et sur l’ensemble (All), intervalles de confiance à 95 % de jackknife sur les sous-échantillons (pour les loci) ou de bootstrap sur les loci (pour la moyenne globale : All)
22Pour recommencer cette analyse sans le locus trbpa, il suffit de recharger le fichier dans Fstat et de sélectionner les sept autres loci. Fstat crée un autre fichier que j’ai personnellement nommé “T-BruceiFoyAnCI & Guin-CleanLoci.dat”. En regardant ce qui se passe dans le fichier de sortie “T-BruceiFoyAnCI&Guin-CleanLoci.out”, on obtient la figure 87. On voit que le FIS = - 0,66 avec un intervalle de bootstrap à 95 % de [- 0,8, - 0,55]. C’est plus bas que Koffi et al., mais parce que nous avons gardé micbg6. La variance reste apparemment importante entre loci. Cette forte variance entre loci et d’un sous-échantillon à l’autre pourrait être le signe d’événements rares de sexe dans un système très majoritairement clonal, comme le montrent les simulations de Balloux et al. (2003).

Figure 87
Valeurs de FIS par locus et sur l’ensemble (All) sans le locus trbpa, intervalles de confiance à 95 % de jackknife sur les sous-échantillons (pour les loci) ou de bootstrap sur les loci (pour la moyenne globale : All)
23Cela pourrait provenir également d’allèles nuls rares (il y a quelques rares homozygotes). Ce pourrait être aussi la conséquence d’un taux de mutation variable entre loci. En effet, chez les clones purs, il existe une relation directe entre diversité génétique et FIS. Reprenons la formule générale du FIS :

24Or nous savons que chez les clones purs, l’homozygotie QI tend vers 0, ce qui donne :
25, et comme QS = 1 - Hs on a forcément

Figure 88
Résultat de la régression entre les valeurs de FIS aux différents loci et dans les différents sous-échantillons et la valeur attendue en fonction de Hs sous l’hypothèse d’une clonalité absolue. La droite d’ajustement parfait est en pointillé
26Dans la figure 88, on remarque une relation quasi parfaite entre les deux paramètres, hormis quatre apostats (cherchez dans le dictionnaire !) dus à quelques individus homozygotes (un pour msatg9, quatre pour m6c8) rencontrés ça et là et très vraisemblablement dus à des allelic dropouts, ouàde l’homoplasie (homozygoties fortuites dues au nombre limité d’allèles). Tous les autres points sont en effet parfaitement alignés sur la droite d’ajustement parfait.
27La clonalité pure est donc ici certaine.
DIFFÉRENCIATION GÉNÉTIQUE ET STRUCTURE DES POPULATIONS
28En général, je préconise les approches globales plutôt que par paire de sous-échantillons. En effet, les mesures et tests par paire ne sont pas les plus efficaces pour appréhender la structure d’une population. Il vaut mieux alors utiliser des distances génétiques. Cependant ici, il n’y a que trois sous-populations subdivisées, parfois en deux ou trois périodes (années) d’échantillonnage. J’ai donc créé un nouveau fichier contenant les sept loci ne présentant pas de problème et les MLG (“T-BruceiFoyer AnCleanLoci & MLGCreate.txt”). Il faut mettre ces données au format Fstat et analyser les différenciations par paire de sous-échantillons en sélectionnant les loci de façon pertinente (ne pas laisser MLG avec les loci normaux !). En fait, les données “loci” sont déjà dans “T-BruceiFoyAnCI & Guin-CleanLoci.dat”. Pour les MLG, il suffit d’ouvrir le fichier global et sélectionner le locus MLG avec le menu “Options” et “Loci to use”. Pour ces deux nouveaux fichiers, l’analyse se fait sous Fstat avec la procédure “Pairwise test of differentiation” avec 10 000 permutations des individus entre sous-populations et les “Fst per pair of samples”. Le résultat de ces deux analyses, si vous ne vous êtes pas trompés, à extraire des fichiers *.fst et *.pvl, sont compilés dans le tableau 37.
Tableau 37
Résultats des mesures de différenciation par paire d’échantillons de Tbg1 aux échelles spatiales et temporelles. Tous les tests restant significatifs au seuil Bonferroni séquentiel (en considérant sept tests) sont indiqués en gras. La mesure standardisée du FST, FST’= FST/(1 - Hs) est aussi indiquée

29La différenciation temporelle est plus facile a détecter avec les MLGs. Substantielle au bout de deux années, elle devient très importante au bout de quatre ans. La dérive est donc rapide et suggère de faibles effectifs efficaces pour les MLGs. La structure géographique est très prononcée avec un isolement total entre Guinée et Côte d’Ivoire et probablement peu d’échanges entre Boffa et Dubréka. Si on reprend l’équation (26) du chapitre 2 de la première partie (modèle en deux îles), on peut en déduire un équivalent Nm =(1-FST’)/8FST’= 0,21 MLG échangé par génération entre deux sous-populations. Il est probable que la division cellulaire n’est pas la bonne mesure du temps de générations ici. En effet, cela signifierait que chaque cellule de trypanosome correspond à un individu. Étant donné le nombre de personnes atteintes, et surtout le nombre de cellules trypanosomiales contenues par patient, cela reviendrait à des populations de tailles gigantesques qui ne devraient pas ou peu dériver (pour des chiffres, consulter l’article original de Koffi et al., 2009). Le temps de génération correspond donc davantage au temps d’un cycle complet tsé-tsé-homme-tsé-tsé qui prend environ 37 à 49 jours (se référer à l’article de Koffi et al., 2009 pour les détails), d’où un nombre maximal de générations par an de 10. Soit donc deux MLG échangés par année.
Calculs d’effectifs efficaces
30Nous allons utiliser ici une pirouette dont nous vérifierons la pertinence ensuite à l’aide de quelques simulations. Comme nous avons des échantillons des mêmes foyers échantillonnés dans le temps pour Bonon et Dubréka, nous allons tenter d’estimer la taille de dérive des MLGs à l’aide de méthodes temporelles et spatio/temporelles. Pour Bonon et pour Dubréka, nous utiliserons la méthode de Waples (1989) avec NeEstimator. Pour les foyers guinéens, nous pourrons aussi essayer d’estimer conjointement la taille efficace et le taux de migration à l’aide de la méthode de Wang et Whitlock (2003) avec le logiciel MLNe. Il nous faut donc dans un premier temps convertir les données MLG au format approprié.
Construction des fichiers pour NeEstimator et pour MLNe
31Pour la méthode de Waples (NeEstimator), il faut faire un fichier de type Genepop pour chaque année de chaque site pertinent, soit cinq fichiers (Bonon en 2000, 2002, 2004, Dubréka 1998 et Dubréka 2002), comme en figure 89.
32Pour MLNe nous allons passer par Create, car le formatage du fichier est horrible (je ne remercierai jamais assez Jason Coombs16). Le fichier a donc la forme de la figure 90.
33Il convient ensuite sous Create de charger ce fichier et de lui donner les informations, comme indiqué dans la figure 91.
34Create vous demande si c’est bon en vous montrant ce qu’il a fait et vous dites oui. Un nouveau cadre apparaît où vous allez cocher “MLNE” dans “Specialized genetic programs” et cliquer ensuite sur “Create”. On vous demande ensuite de choisir les populations focales (pour laquelle le Ne et le m seront calculés) et sources (d’immigrants). Nous choisissons d’abord Bonon comme population focale (pour laquelle nous essayerons d’obtenir m et Ne) et les deux autres comme source (fig. 92).

Figure 89
Aspect d’un fichier de données pour NeEstimator. Exemple des données de Bonon 2000. Le seul locus correspond aux MLGs. Les données commencent en seconde ligne (qui ne sera pas lue par NeEstimator). Le signe “>>” signifie une tabulation
35Renommez le fichier de telle sorte qu’il soit identifié comme focalisé sur Bonon, comme par exemple “T-BruceiFoyerAnMLGCreate-MLNE-Bonon.txt”. Faites ensuite la même chose pour Boffa et Dubréka. Pour Boffa ça ne marche pas, car il n’y a qu’un seul échantillon temporel. Nous n’obtenons donc que deux fichiers analysables par MLNe, un pour Bonon et un pour Dubréka. N’oubliez pas d’identifier le fichier de Dubréka.
Analyses avec NeEstimator
36Lancez NeEstimator et après avoir lu l’avertissement, cliquez sur OK. Après avoir cliqué sur “File” et choisi “New”, vous obtenez un cadre de menu où vous allez sélectionner les mêmes options que celles indiquées en figure 93. En particulier, choisissez le format de fichier Genepop et ignorez la première ligne avec un format de délimitation entre données “Tab” (tabulations).
37Cliquez ensuite sur l’onglet “Data file” puis sur “Load”. Allez chercher les fichiers contenant les données de Bonon 2000 auxquelles vous affecterez la génération 0 et Bonon 2002 auxquelles vous affecterez la génération 19 (10 générations par an, comme indiqué plus haut), comme représenté dans la figure 94.

Figure 90
Le jeu de données MLG de tous les sous-échantillons pour Create, avant transformation pour MLNe. t indique la génération en partant de 0 pour 1998 et en finissant avec 79 pour 2004 sur la base de 10 générations par an
38Il s’agit ensuite de lancer le calcul en cliquant sur “File” et “Run”, comme sur la figure 95.
39Les résultats apparaissent sous forme d’un tableau (fig. 96). Seule l’analyse par la méthode temporelle de Waples (celle qui nous intéresse ici) donne un résultat avec 95 % d’intervalle de confiance. Cet intervalle de confiance est calculé selon la formulation complexe décrite dans Waples (1989) qui utilise la loi du Chi-2 avec un degré de liberté égal au nombre total d’allèles indépendants ayant servi à l’estimation et un seuil α = 0,05.

Figure 91
Menu Create pour créer le fichier pour MLNe

Figure 92
Définir la population focale et les populations sources pour MLNe dans CREATE

Figure 93
Menu NeEstimator pour estimation de Ne temporel (Waples)

Figure 94
Cadre de menu de NeEstimator pour choisir les fichiers à analyser pour un calcul d’effectifs efficaces pour deux échantillons du même site prélevés à deux dates différentes

Figure 95. Lancement du calcul de Ne
Figure 96. Résultats de l’analyse NeEstimator pour le calcul du Ne temporel de Waples à Bonon

Figure 97
Sauver les résultats de NeEstimator
40Vous pouvez (et je le conseille) sauvegarder ces résultats avec le menu déroulant “File” et “Save” (fig. 97). Nommez votre fichier de façon appropriée et NeEstimator y ajoutera l’extension NeA. J’ai personnellement nommé ce fichier “ResNeEstimBonon00-02. NeA”.
41Refaites la même chose pour tous les sous-échantillons temporels. Les résultats sont synthétisés dans le tableau 38.
Analyses avec MLNE
42Après avoir créé un répertoire pour Bonon et pour Dubréka et y avoir déplacé les fichiers correspondants créés par Create, copiez dans chacun de ces deux répertoires le logiciel MLNE “mne2. exe”. Lisez bien la notice, qui n’est pas des plus didactiques, afin d’effectuer les modifications nécessaires dans les fichiers sources. Prenez le fichier pour Bonon. La première ligne doit indiquer “1”, car vous souhaitez estimer à la fois m et Ne. La deuxième ligne indique la taille efficace maximale autorisée (pour économiser de la mémoire), et est par défaut 5 000, ce qui est largement suffisant. Si le résultat est proche de cette valeur, vous pourrez éventuellement recommencer avec une valeur plus élevée. La troisième ligne n’a pas d’intérêt et on ne s’en occupe pas. La quatrième ligne est destinée aux informaticiens experts dont nous ne faisons malheureusement pas partie, donc nous zappons. La cinquième ligne désigne le nombre de loci (vérifiez que le nombre indiqué est bien “1”). La sixième ligne indique le nombre total d’allèles. La septième ligne indique le nombre de sous-échantillons temporels pour la sous-population focale (ici Bonon). Il y en a trois correspondants aux générations 39, 59 et 79. Il faut donc que soit indiqué “3”. En huitième ligne sont indiqués les numéros de cohorte de chacun de ces sous-échantillons temporels, dans l’ordre et en commençant par “0”. Il faut donc taper “0,20,40” sur cette ligne. Ensuite, ce sont les données codées par Create au format MLNE et que personnellement je n’aurais jamais eu le courage de faire tout seul. Il faut ensuite enregistrer ce fichier sous le nom “MNE_DATA” en lettres capitales et sans extension. Il suffit ensuite de double cliquer sur mne2.exe pour lancer la procédure. Après un certain nombre de calculs plus ou moins longs, le logiciel crée alors un fichier “MNE_OUT”. Le programme donne les valeurs de Ne et de m selon deux méthodes. Celle du maximum de vraisemblance avec les intervalles de confiance à 95 % et celle des moments. Ces deux méthodes sont décrites dans l’article Wang et Whitlock (2003). Pour Dubréka, il n’y a que deux sous-échantillons temporels (“2” en ligne 7) correspondant aux cohortes 0 et 59 (“0,59” en ligne 8). Les résultats de cette approche figurent dans le tableau 38.
Estimation de la taille clonale des foyers par modélisation
43Ici, les allergiques aux formules mathématiques vont souffrir, mais il n’y a guère d’autres moyens d’expliquer comment obtenir des valeurs d’effectifs clonaux. Ceux pour lesquels la cause est perdue peuvent se référer directement aux résultats finaux. Cependant, si vous lisez ce chapitre c’est que vous comptez travailler sur des organismes à reproduction clonale. Je crois alors indispensable d’avoir compris au moins une fois ce qui suit, ou au moins de comprendre la démarche permettant d’aboutir aux résultats finaux.
Cas général
44Dans un modèle en île subdivisé en n sous-populations, chacune composée de N individus diploïdes à générations non chevauchantes avec un taux de mutation u dans un modèle IAM (infinite allele model), soit QI la probabilité de prendre au hasard deux fois le même allèle au sein d’un même individu, QS la probabilité de prélever au hasard le même allèle dans deux individus de la même sous-population et QT la probabilité de prendre deux allèles identiques dans deux sous-populations différentes de la population totale, soit γ =(1 - u)² la probabilité qu’aucun des deux allèles pris au hasard n’ait muté d’une génération à l’autre, c la proportion de zygotes formés de façon clonale (asexuée) et s la proportion, parmi les (1 - c) qui se forment suite à une autofécondation, soit qs la probabilité de tirer au hasard deux individus de la même sous-population qui soient originaires tous les deux d’une seule et même sous-population avant migration et qd la probabilité que deux individus pris au hasard dans deux sous-populations différentes parmi les n disponibles soient issus, avant migration, de la même sous-population, alors la récurrence d’une génération à l’autre pour QI, QS et QT peut s’écrire :

45Pour que deux allèles restent identiques, il faut qu’aucun des deux n’ait muté (nous négligeons l’homoplasie), soit γ. Pour QI, les zygotes issus de reproduction clonale (probabilité c) gardent la même probabilité de posséder deux allèles identiques qu’à la génération précédente. Parmi ceux issus de reproduction sexuée (1 - c), ceux issus d’autofécondations (s) ont déjà deux gènes identiques qui le restent avec la probabilité QI(t) ou, sachant qu’ils n’étaient pas identiques (1 - QI(t)), la probabilité de tirer deux fois le même après autofécondation est de ½, soit donc QI(t) +(1-QI(t))/2 = (1 + QI(t))/2. Les zygotes issus de croisements panmictiques (1 - s) obtiennent deux allèles identiques avec la probabilité QS(t), par définition. Pour QS, la probabilité de tirer deux allèles identiques de deux individus de la même sous-population, il faut que ces deux individus aient été issus de la même sous-population (qs). Parmi ceux-ci, on tire deux fois le même individu (1/N) et ce dernier a les deux même allèles avec la probabilité QI(t) ou ils ne le sont pas (1 - QI(t)) et on tire deux fois le même avec la probabilité ½, ce qui donne (1/N) (1 + QI(t))/2, mais si on tire deux individus différents (1 - 1/N), la probabilité de tirer deux allèles identiques est QS(t) par définition, ce qui donne bien (1 - 1/N) QS(t) et donc au final, si deux individus sont issus d’une même sous-populations (q s), la probabilité de tirer deux allèles identiques chez eux est (1/N)(1 + QI(t))/2 +(1-1/N) QS(t). Enfin, si les deux individus n’étaient pas initialement dans la même sous-population (1-qs), alors la probabilité de tirer deux fois le même allèle est QT(t) par définition. Pour finir, en ce qui concerne QT, les deux individus tirés de deux sous-populations différentes pouvaient initialement avoir été dans la même sous-population (qd) et dans ce cas, la probabilité de tirer deux allèles identiques chez eux est (1/N)(1 + QI(t))/2 +(1-1/N) QS(t) (comme vu précédemment), alors que dans le cas contraire (1-qd), la probabilité de tirer deux allèles identiques est QT(t) par définition.
46Nous allons supposer que les sous-populations sont de taille N suffisamment grande de telle sorte qu’échantillonner dans une telle sous-population ne change pas les fréquences d’allèles. Nous savons qu’il y a n sous-populations. Alors, qs représente la probabilité que soit les deux individus pris au hasard dans une sous-population soient tous les deux non migrants, avec la probabilité P1 =(1 - m)(1- m)=(1 - m)² et auquel cas ils sont effectivement issus de la même sous-population avant migration, soit que ces deux individus soient des immigrants venus d’autres sous-populations, avec une probabilité P2 = m² et qu’ils viennent d’une même sous-population parmi les (n - 1) restantes, soit P3 = 1/(n-1)², mais sachant que les (n - 1) sous-populations peuvent indépendamment fournir ces deux individus. Par conséquent, qs = P1 + P2 × P3 ×(n - 1), ou :

47Par ailleurs, qd est égal à la probabilité de prélever deux individus de deux sous-populations différentes parmi les n puis parmi les (n - 1) disponibles avec n possibilités, soit P4 =(1/ n)(1/(n - 1))× n = 1/(n-1) et que tous les deux soient des migrants (m²) et que, avant migration, l’un provienne alors d’une des n - 1 sous-populations res-tantes et l’autre de cette même sous-population parmi les n-2 restantes (soit
48ou bien alors que le premier individu soit un immigrant et pas l’autre ou l’inverse (2m (1 - m)) et que l’immigrant provienne d’une autre des (n - 1) sous-populations (1/(n - 1)) avec n - 1 possibilités, donc P6 = 2m (1 - m)(n - 1)/(n-1)= 2m (1 - m). Par conséquent, nous pouvons écrire que qd = P4 ×(P5 + P6), ou encore :

49Nous pouvons réarranger cette équation :


50Il en résulte que :

51Nous faisons maintenant l’hypothèse d’une clonalité totale (c = 1), les récurrences deviennent :

52Si nous nous posons à un état proche de l’équilibre mutation/migration/dérive, alors QI(t) = QI(t + 1) = QI ; QS (t) = Q S(t + 1) = QS ; QT(t) = QT(t + 1) = QT et on voit tout de suite que QI = 0, ce qui correspond bien à l’attendu théorique d’une population clonale en nombre infini d’allèles (hétérozygotie totale) (Balloux et al., 2003). Le système d’équations précédent devient :

53On peut résoudre ce système de deux équations à deux inconnues à l’aide des calculs matriciels comme dans l’article de Balloux et al. (2003). Cependant, pour gagner du temps et simplifier les calculs nous allons tout de suite faire trois hypothèses (trois cas de figures) et voir ce que cela donne. Dans la première hypothèse, nous supposerons que le nombre de sous-populations n est très grand. Dans le deuxième cas qu’il n’y a que deux sous-populations, telles que Boffa et Dubréka en Guinée (il existe un troisième foyer, Forecariah, mais qui reste assez éloigné) et en Côte d’Ivoire avec Bonon et Sinfra (Kaba et al., 2006). Enfin, dans la mesure où nous avons pu constater que la différenciation entre foyers était assez forte nous ferons, pour le troisième cas de figure, l’hypothèse d’une seule population isolée.
Nombre infini de sous-populations
54C’est le modèle décrit dans De Meeûs et Balloux (2005). Dans ce cas, on montre que, puisque n→∞ :

55et

56Le système de trois équations (73) devient :

57Il y apparaît clairement que la solution pour QT est QT = 0 et donc :

58À partir de là on peut poser :

59d’où il est facile d’extraire :

60Nous pouvons réarranger cette équation :

61Sachant que γ =(1-u)², nous pouvons poser :

62Nous allons considérer maintenant que tous les termes en u² et m² sont négligeables devant 1. L’équation précédente peut donc s’écrire :

63En développant nous obtenons :

64Nous pouvons également négliger les termes en um devant 1, ce qui donne :

65Nous allons maintenant considérer que le taux de migration est faible (c’est le cas ici) et le taux de mutation aussi. Le taux de mutation moyen des microsatellites est en effet de l’ordre de u = 10-3 d’après la littérature sur cette question (Ellegren, 2000 ; Balloux et Lugon-moulin, 2002 ; Ellegren, 2004). Si nous négligeons les termes en u et m devant 1 nous obtenons pour QS :

66Nous pouvons maintenant nous servir de ces valeurs d’identité à l’équilibre pour calculer les FIS et FST à l’équilibre mutation, migration et dérive en utilisant l’équation (21) du chapitre 2 de la première partie de ce manuel :

67ce qui donne :

68Et finalement

69Nous retrouvons la fameuse équation FST = -FIS/ (1 - FIS). À partir de là, nous pouvons extraire N et m des valeurs de FIS et FST.

70Nous posons que m >> u et donc :

71Nous nous retrouvons donc avec deux valeurs pour Nm :

72Nous savons, d’après les simulations de De Meeûs et Balloux (2005), que c’est le FIS qui donne les meilleurs résultats, c’est donc cette formulation que nous retiendrons. Les résultats du calcul des Nm figurent dans le tableau 38. Ils ont nécessité le calcul d’un FIS avec son intervalle de confiance à 95 % de bootstrap dans chaque foyer (valeurs moyennes calculées sur l’ensemble des sous-échantillons). Pour Boffa (un seul sous-échantillon), si on utilise Fstat qui ne sait pas travailler sur un seul sous-échantillon, il faut ajouter un deuxième sous-échantillon fictif de même taille que Boffa et fixé (111111) pour tous les loci.
Deux sous-populations
73Avec seulement deux sous-populations, comme on peut raisonnablement penser que ce soit le cas en Guinée avec Boffa et Dubréka et en Côte d’Ivoire avec Bonon et Sinfra (Kaba et al., 2006), les équations (70), (71) et (73) deviennent :

74Il n’y a cependant pas de façon simple de résoudre le système d’équations (73) ici et il faut passer par une résolution matricielle avec un logiciel de mathématiques. Ceci avait déjà été fait dans Balloux et al. (2003) et donne pour FIS et FST (après correction des erreurs dans les formules) (Koffi et al., 2009, Appendice) :

75Si on remplace q d par 1 - q s (dans le cas où n = 2 sous-populations) :

76Sachant que les termes en u² sont négligeables par rapport à 1, on peut considérer que γ ≈ 1 - 2u et donc :


77Nous allons maintenant négliger les termes en u devant 1, ce qui donne :

78Nous allons maintenant poser que qs = 1 - 2m (1 - m) < 1. Cette valeur maximale correspond ici à m < 1. En effet, dans le cas de deux sous-populations, m = 1estéquivalentà une absence de migration puisque cela signifie que tous les individus d’une sous-population migrent ensemble dans l’autre et vice-versa. Nous allons en fait ne considérer que les cas où 0 ≤ m ≤ 0,5, où m = 0,5 correspond dans ce cas au maximum d’échange de migrants possible. Nous pouvons donc simplifier le système d’équations (79) en :


79Nous savons aussi qu’ici (n = 2sous-populations) qs = 1-2m (1 - m), soit : qs = 1-2m - 2m²

80Nous avons déjà vu que m ≤ 0,5 donc :

81En combinant les équations (80) et (81), nous obtenons :


82Nous pouvons maintenant calculer les effectifs clonaux des différents foyers, ainsi que la proportion de migrants. Notez que dans le cas particulier des clones structurés en deux sous-unités, le FIS devient indépendant de la migration et on peut directement estimer N à partir du FIS. Nous prendrons comme précédemment u = 0,001. Les résultats sont présentés dans le tableau 38.
Une sous-population isolée
83Dans ce cas, on considère que m = 0 et donc qs = 1, qd = 0 et QT = 0etlesystème d’équations 73 devient :


84Nous savons que u ≈ 0,001, donc que u ²<< 1 et donc que γ ≈ 1-2u, ce qui fait :

85Nous allons considérer que u << 1, ce qui fait :

86Nous ne pouvons ici nous contenter de calculer un FIS : 1

87C’est le même résultat que dans l’article de SIMO et al. (2010). Les résultats de cette approche, en utilisant u = 0,001 comme ailleurs, figurent également sur le tableau 38. Les renseignements complémentaires figurent quant à eux dans le tableau 39 (FIS et FST).
Tableau 38
Récapitulatif de l’estimation de la taille des populations (N) et taux de migration (m) de Trypanosoma brucei gambiense en Côte d’Ivoire et en Guinée. FST’ provient du calcul décrit auparavant et présenté dans le tableau 37. Les intervalles de confiances à 95 % (Li et Ls) sont obtenus par bootstrap sur les loci sauf pour l’estimation de m avec le modèle à deux îles où la méthode du jackknife a été utilisée sur les quatre loci disponibles. Les valeurs de FIS et de FST utilisées figurent dans le tableau 39

88Il est important de spécifier que pour les méthodes basées sur les différenciations spatiales, temporelles ou spatio-temporelles, c’est un effectif efficace de génotypes multilocus que l’on obtient. Des simulations effectuées avec une version de Easypop modifiée par Franck Prugnolle (disponible sur demande) montrent que dans ce cas, on obtient un Ne très inférieur à Nc (taille de recensement).
Tableau 39
Récapitulatif des valeurs utilisées pour le calcul des effectifs clonaux à partir des modèles. Les FIS ont été calculés avec les données des sept meilleurs loci et en séparant les méthodes d’isolement (plus d’échantillons). Les intervalles de confiance des FIS correspondent aux bootstraps sur les loci, ceux du FST à un jackknife sur les quatre loci disponibles dans ce cas (trois ne varient pas d’un locus à l’autre et donnent un θ de Weir et Cockerham indéfini
Sous-échantillon | FIS | Li | Ls |
Bonon | - 0,663 | - 0,825 | - 0,534 |
Boffa | - 0,833 | - 0,947 | - 0,714 |
Dubréka | - 0,517 | - 0,719 | - 0,359 |
FST | Li | Ls | |
Boffa/Dubréka | 0,051 | -0,054 | 0,156 |
89Dans le cas des estimations effectuées à partir des modèles de populations clonales, c’est un effectif clonal que l’on estime (population clonale d’une taille Na dérivant à la même vitesse que celle observée), en principe assez proche de Nc sauf si la population n’est pas totalement clonale, auquel cas on risque de surestimer l’effectif réel. Mais ce n’est pas le cas ici comme on l’a vu.
90La première chose que l’on remarque est que les effectifs efficaces et clonaux sont du même ordre de grandeur et correspondent assez bien aux nombres de personnes infectées, tels qu’estimés pour chaque foyer dans le tableau 34. Ceci est étonnant, car on sait que les Ne devraient être très petits par rapport au nombre réel de souches présentes. Par ailleurs, comme cela avait été montré dans l’article initial (Koffi et al., 2009), si un taux de mutation de 10-4 est utilisé au lieu de 0,001 comme ici, les effectifs clonaux se trouvent multipliés par 10, suggérant une sous-estimation du nombre de souches circulantes estimé par les prospections médicales. Ceci ne devrait cependant pas changer beaucoup l’estimation du Nm. Or dans ce cas, nous observons une variation entre 0,2 et 2 individus échangés par génération. Si nous prenons un maximum de 10 générations de trypanosomes par année (comme discuté ailleurs), nous obtenons un maximum d’individus échangés de l’ordre de 2 à 20 par an. Cela signifie, si une éradication séquentielle devait être envisagée (idéalement couplée d’ailleurs à une lutte vectorielle), qu’il faudrait d’abord s’occuper des plus gros foyers (Dubréka en Guinée), qui envoient le plus de migrants ailleurs, avant de s’occuper des plus petits (Boffa) et ce sans laisser passer trop de temps.
Structure à l’échelle sub-spécifique
91Il ne nous reste plus maintenant qu’à étudier comment s’organisent les différentes souches de cette étude entre elles et comment elles se positionnent par rapport à des souches de référence des différentes sous-espèces du complexe T. brucei. Nous allons effectuer pour ce faire une analyse NJTree qui est, à mon avis, la plus illustrative. Vous connaissez maintenant la procédure par cœur. En prenant le jeu de données complet, vous le faites passer à la moulinette Create pour obtenir un jeu de données MSA. Avec ce dernier, vous obtenez une matrice de distances harmoniques de Cavalli-Sforza et Edwards entre individus (isolats) que vous faites passer dans MEGA pour dessiner l’arbre. Cet arbre est représenté en figure 98. On peut tout d’abord y voir une certaine disparité avec l’arbre présenté en figure supplémentaire de Koffi et al. (2009). Ceci est dû au fait que nous avons utilisé MSA pour calculer les distances harmoniques de Cavalli-Sforza et Edwards. Je me suis aperçu récemment que Genetix ne calcule en fait pas la distance harmonique, mais une version plus ancienne. Ensuite, on peut également remarquer que les souches Tbg1 sont toutes ensemble y compris celles de référence, avec une souche de notre échantillon très divergent par rapport aux autres. Nous remarquons également que les souches de référence Tbg1, qui proviennent du Congo et du Cameroun, se groupent avec les souches de Côte d’Ivoire et jamais avec la Guinée. Ceci est à mettre en parallèle avec la très forte divergence déjà mise en évidence plus haut entre les souches guinéennes et les autres. Enfin, on voit nettement que les autres sous-espèces, Tbb, Tbr ne correspondent à rien de concret génétiquement et qu’en particulier Tbg2, lui-même très hétérogène, n’a aucun rapport génétique avec Tbg1.
CONCLUSION
92Après avoir exclu un locus manifestement défectueux, nous avons pu démontrer que la technique d’isolement ne sélectionne pas des génotypes très particuliers en ce qui concerne les génotypes obtenus avec les microsatellites. Il apparaît donc que l’apparente sélection de génotypes isoenzymatiques prend davantage sa source dans la sélection de cellules trypanosomiales à différents stades de développement exprimant différents loci (régulation de l’expression). Cela confirme, si besoin était, que l’utilisation de marqueurs non codants comme les microsatellites est toujours souhaitable pour effectuer des analyses de génétique des populations inférentielle.
93L’analyse de l’hétérozygotie relative (FIS) démontre que la recombinaison sexuée est suffisamment rare pour n’avoir laissé aucune signature sur les échantillons examinés.

Figure 98
NJTree basé sur la distance harmonique de Cavalli-Sforza et Edwards. Les isolats de l’étude de génétique des populations sont en noir (un seul représentant par MLG pour gagner de la place). Les souches de référence sont en couleur (rouge = Tbg1, jaune = Tbg2, vert = Tbb, bleu = Tbr). L’espèce hôte est indiquée si non-humain
94Les analyses concernant des tailles génétiques des populations de Tbg1 suggèrent un nombre de souches circulantes supérieur à l’estimation du nombre de personnes infectées. Les hôtes réservoirs et/ou les patients asymptomatiques représentent les hypothèses les plus parcimonieuses pour expliquer cela, mais ceci nécessitera confirmation par d’autres types d’études.
95La différenciation génétique entre Côte d’Ivoire et Guinée indique une divergence extrême entre ces deux pays. La Guinée semble en effet abriter des souches qui s’éloignent de toutes celles présentes dans notre étude et montrent même des caractéristiques épidémiologiques très différentes des autres (majorité des souches dans les ganglions cérébraux au lieu du sang) (Camara et al., 2005). Nous pouvons ajouter qu’en Guinée le vecteur de la maladie du sommeil est Glossina palpalis gambiensis, alors que c’est G. palpalis palpalis dans les autres zones concernées par notre étude. Il existe donc vraisemblablement plusieurs taxons distincts au sein de l’entité Tbg1. Que dire alors des autres sous-espèces qui ne se raccrochent a rien ? Que probablement beaucoup reste à faire sur la taxonomie et l’écologie de ces organismes.
Notes de bas de page
16 Notez que comme PGD-Spider ne prend pas en charge cette conversion, CREATE est donc à ma connaissance le seul logiciel utilisable pour convertir un jeu de données au format MLNe.
Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Tiques et maladies à tiques
Biologie, écologie évolutive, épidémiologie
Karen D. McCoy et Nathalie Boulanger (dir.)
2015
Initiation à la génétique des populations naturelles
Applications aux parasites et à leurs vecteurs
Thierry De Meeûs
2012
Audit des décès maternels dans les établissements de santé
Guide de mise en oeuvre
Alexandre Dumont, Mamadou Traoré et Jean-Richard Dortonne (dir.)
2014
Les anophèles
Biologie, transmission du Plasmodium et lutte antivectorielle
Pierre Carnevale et Vincent Robert (dir.)
2009
Les champignons ectomycorhiziens des arbres forestiers en Afrique de l’Ouest
Méthodes d’étude, diversité, écologie, utilisation en foresterie et comestibilité
Amadou Bâ, Robin Duponnois, Moussa Diabaté et al.
2011
Lutte contre la maladie du sommeil et soins de santé primaire
Claude Laveissière, André Garcia et Bocar Sané
2003