Quand l’IA générative peut prédire les communautés de poisson
Une nouvelle étude publiée le 22 octobre dans Current Biology et portée par Noémie Coulon, chercheuse au sein de l’unité mixte de recherche Marbec, associée à des scientifiques du Lirmm, propose d’utiliser un modèle de distribution d’espèces inspiré des modèles de langage pour prédire des communautés de poissons récifaux. Entraîné à partir de près de 27 000 relevés, le modèle génère plusieurs communautés plausibles dans les mêmes conditions environnementales, plutôt qu’une seule réponse moyenne. Dans environ un tiers des relevés, ces communautés se répartissent en configurations distinctes, associant par exemple des espèces liées aux coraux ou aux macroalgues. Cette approche offre une nouvelle manière d’étudier l’organisation des communautés marines et la diversité des configurations possibles dans un même environnement.
© Rick Stuart-Smith, Reef Life Survey
Une nouvelle façon de prédire les communautés de poissons
Historiquement, les modèles écologiques prédisent la distribution de chaque espèce séparément : ils estiment, par exemple, si un poisson donné est susceptible d’être présent dans un récif. Cette étude propose plutôt d’utiliser un modèle de langage pour reconstruire une communauté entière.
Le principe est comparable à la rédaction d’une phrase : à partir du contexte environnemental, le modèle « écrit » progressivement une communauté de poissons, en tenant compte des espèces déjà générées et de leur biomasse. Il apprend ainsi comment les espèces sont statistiquement associées les unes aux autres.
Surtout, il ne fournit pas seulement une réponse unique ou une communauté moyenne. Comme un modèle de langage peut proposer plusieurs suites plausibles à une même phrase, il permet d’explorer différentes compositions de communautés dans les mêmes conditions environnementales.
Entraîné à partir de près de 27 000 relevés de récifs, cet outil améliore également la prédiction des communautés de poissons par rapport aux méthodes comparées dans l’étude.
Explorer les différentes communautés possibles dans un même environnement
Pour chaque relevé, l’équipe de recherche a généré 500 communautés de poissons à partir du même contexte environnemental. L’analyse de ces différentes réalisations montre que, dans environ un tiers des relevés étudiés, les communautés générées se répartissent en plusieurs groupes distincts, caractérisés par des combinaisons propres d’espèces et de biomasses.
Ces groupes ne correspondent pas seulement à des listes d’espèces différentes : ils sont aussi structurés par des associations d’espèces récurrentes. Certaines espèces sont particulièrement associées à une configuration donnée, tandis que d’autres peuvent être présentes dans plusieurs configurations.
Cette structure fournit une signature statistique compatible avec l’existence de plusieurs communautés plausibles. Le modèle ne prouve pas, à lui seul, que ces différentes communautés existent ou basculent réellement ainsi dans la nature. Il fournit en revanche un cadre inédit pour examiner cette hypothèse à partir de données écologiques.
Pourquoi est-il important de considérer plusieurs configurations ?
Ces configurations ne sont pas de simples variations mineures : elles peuvent correspondre à des communautés écologiquement contrastées.
Par exemple, l’une des configurations d’un récif de Lord Howe est associée aux macroalgues et aux herbiers, tandis qu’une autre rassemble davantage d’espèces dépendantes des coraux durs.
Cette différence n’est pas seulement taxonomique : elle peut aussi modifier les enjeux de conservation. Dans cet exemple, la part de biomasse représentée par des espèces menacées diffère fortement entre les deux configurations, atteignant jusqu’à 10 % dans la première, contre 3,6 % dans la seconde.
Distinguer ces configurations permet ainsi de mieux représenter la diversité des communautés et ouvre la voie à l’étude des fonctions écologiques qui leur sont associées.
A language-model approach to species distribution reveals alternative stable states