Modèles bayésiens non-paramétriques en phylogénie et en évolution moléculaire

La phylogénie moléculaire vise à reconstruire les relations évolutives entre les êtres vivants à partir de l'analyse des séquences génétiques. Les modèles probabilistes jouent un rôle fondamental dans cette entreprise. Au cours des dix dernières années, des modèles de complexité croissante ont été développés, qui cherchent à prendre en compte toute la subtilité des processus évolutifs au niveau moléculaire. De par leur complexité, ces modèles requierent des techniques statistiques de plus en plus sophistiquées. Pour cette raison, les modèles paramétriques simples, estimés par maximum de vraisemblance, sont progressivement abandonnés au profit d'approches par modèles hiérarchiques, avec effets aléatoires non-paramétriques, formulés dans un cadre d'inférence Bayésienne et implémentés par chaînes de Markov Monte Carlo.

Après une introduction générale des principes fondamentaux et des défis actuels en phylogénie moléculaire, je présenterai plus particulièrement une approche Bayésienne non-paramétrique, basée sur les processus de Dirichlet, visant à modéliser les spécificités positionnelles du processus évolutif le long des séquences génétiques. Ce cas particulier me permettra de souligner les enjeux spécifiques que soulève l'utilisation de l'inférence Bayésienne dans ce domaine particulier que représente les sciences de l'évolution, avec en particulier la question de l'interprétation (et des propriétés fréquentistes) des probabilités a posteriori ainsi obtenues.