Le projet EcoNet - Advanced statistical modelling of ecological networks, est un projet de recherche collaborative,
financé par l'ANR (2019-2022). Il est
identifié sous le code ANR-18-CE02-0010. Il rassemble les 6
partenaires suivants :
Le projet vise à développer des méthodes statistiques pour analyser différents types de
réseaux écologiques : trophiques, mutualistes, de compétition ou antagonistes et systèmes
hôtes-parasites. Nous créons un consortium unique alliant des chercheurs en statistique appliquée
avec une longue expérience de la modélisation du vivant et des écologues à l'avant-garde de
leur science, pour s'attaquer aux défis de la modélisation statistique avancée des reéseaux
écologiques. Notre proposition inclut :
l'intégration des dimensions temporelles et spatiales dans la modélisation des réseaux
écologiques et le développement d'outils de comparaison de réseaux le long de gradients
environnementaux ;
l'intégration des interactions multiples, en utilisant les informations de covariables
disponibles (traits, distributions, phylogeénies,...) ;
la prise en compte des effets de l'échantillonnage
dans nos analyses
la prédiction de réponses de l'écosystème à des changements
environnementaux.
De 09h15 à 10h30, en visio et pour Paris, sur le campus Jussieu dans la grande salle visio de l'UTES
(sous-sol). Les exposés sont stockés sur l'intranet.
Toutes les publications doivent indiquer le soutien de l'ANR et la référence du projet
ANR-18-CE02-0010-01. Toutes les communications doivent comporter le logo de
l'ANR. Suggestion de mention à indiquer dans les articles 'This work was partially supported by the grant ANR-18-CE02-0010-01 of the French National Research Agency ANR (project EcoNet).'
Production scientifique
Alric, B., ter Braak, C. J., Desdevises, Y., Lebredonchel, H., & Dray, S.Investigating microbial associations from
sequencing survey data with co-correspondence analysis. Molecular Ecology Resources, 2020. Journal link
Estelle Kuhn, Catherine Matias & Tabea Rebafka, Properties of the Stochastic Approximation EM Algorithm with
Mini-batch Sampling. Hal
preprint
Avner Bar-Hen, Pierre Barbillon and Sophie Donnet.
Block models for multipartite networksApplications in ecology and ethnobiology, 2019. Arxiv preprint
Saint-Clair Chabert-Liddel, Pierre Barbillon, Sophie Donnet and Emmanuel Lazega. A Stochastic Block Model for
Multilevel Networks: Application to the Sociology of Organisations, 2019. Arxiv preprint
Vincent Miele, Catherine Matias, Stéphane Robin & Stéphane Dray, Nine Quick Tips for
Analyzing Network Data.Plos Computational Biology, 15(12):e1007434, 2019. HAL preprint, Journal link.
Léa Longepierre & Catherine Matias, Consistency of the maximum likelihood and variational estimators in a dynamic stochastic block model.Electronic Journal of Statistics, 13(2):4157-4223, 2019. Journal
link.
Production logiciel
La page publique du projet R package Econetwork est ici.
EcoNet (first steps): Computing network diversity and dissimilarity using Hill numbers at different species aggregation
levels. Ohlmann, Dray, Miele, Thuiller. R package on CRAN,
missSBM: An R Package for Handling Missing Values in the Stochastic Block Model. Timothée Tabouy, Pierre
Barbillon, Julien Chiquet. R
package on CRAN, Arxiv paper