Mathématiques et sciences de la vie

Les suites arithmétiques et géométriques sont les fondations des modèles de croissance les plus simples. Elles décrivent des évolutions linéaires ou exponentielles.

Modèle de croissance linéaire (arithmétique)

Un modèle de croissance est dit linéaire si la population augmente ou diminue d'une quantité constante à chaque pas de temps. C'est le principe d'une suite arithmétique. Si $P_n$ représente la taille de la population à l'instant $n$, alors $P_{n+1} = P_n + r$, où $r$ est la raison de la suite (le changement constant). Le terme général d'une suite arithmétique est donné par $P_n = P_0 + n \times r$, où $P_0$ est la population initiale. Exemple biologique : Si une population de bactéries augmente de 10 individus toutes les heures, en partant de 100 individus, l'évolution est linéaire. $P_0 = 100$, $r = 10$. $P_n = 100 + 10n$. La représentation graphique d'une suite arithmétique est une série de points alignés sur une droite.

Modèle de croissance exponentielle (géométrique)

Un modèle de croissance est dit exponentiel si la population est multipliée par un facteur constant à chaque pas de temps. C'est le principe d'une suite géométrique. Si $P_n$ est la population à l'instant $n$, alors $P_{n+1} = P_n \times q$, où $q$ est la raison de la suite (le facteur multiplicatif). Le terme général d'une suite géométrique est $P_n = P_0 \times q^n$, où $P_0$ est la population initiale. Exemple biologique : Une population de cellules qui double toutes les heures. $P_0 = 10$, $q = 2$. $P_n = 10 \times 2^n$. La représentation graphique d'une suite géométrique est une courbe qui croît (ou décroît) de plus en plus rapidement. C'est un modèle très courant pour la croissance initiale de populations sans contraintes.

Ces modèles sont des approximations simplifiées mais utiles pour comprendre les dynamiques de base.

Les modèles discrets à un pas décrivent l'évolution d'une population $P_n$ en fonction de sa taille à l'instant précédent, $P_{n-1}$. Ils sont définis par une relation de récurrence de la forme $P_{n+1} = f(P_n)$.

Relation de récurrence

Une relation de récurrence permet de calculer la valeur d'un terme de la suite à partir du terme précédent. Exemple : $P_{n+1} = 1.05 P_n$ (croissance de 5% par pas de temps). C'est une suite géométrique. Exemple plus complexe : $P_{n+1} = P_n + k P_n (1 - P_n/K)$. Ce type de relation est souvent utilisé pour modéliser des croissances plus réalistes, comme le modèle logistique que nous verrons plus tard.

Équilibre d'une population

Un équilibre (ou point fixe) d'une population est une valeur $P^*$ telle que si la population atteint cette valeur, elle ne change plus. Mathématiquement, cela signifie que $P^* = f(P^*)$. Pour trouver les points d'équilibre, il faut résoudre l'équation $P = f(P)$. Exemple : Si $P_{n+1} = 0.8 P_n + 100$. À l'équilibre, $P^* = 0.8 P^* + 100 \implies 0.2 P^* = 100 \implies P^* = 500$. Si la population atteint 500, elle restera à 500.

Stabilité de l'équilibre

La stabilité de l'équilibre détermine si une population, légèrement perturbée de son point d'équilibre, y retourne ou s'en éloigne. Pour un modèle linéaire $P_{n+1} = a P_n + b$, l'équilibre est stable si $|a| < 1$. Si $|a| > 1$, il est instable. Si $a=1$, il y a de multiples équilibres ou pas d'équilibre unique. Pour des modèles non linéaires, l'étude de la stabilité est plus complexe et souvent liée à la dérivée de $f$ autour du point d'équilibre. En terminale, on se contente souvent d'une approche graphique ou par le calcul des premiers termes pour observer le comportement. Un équilibre stable agit comme un attracteur : les populations proches y convergent. Un équilibre instable les repousse.

Exemples biologiques

• Bactéries : La croissance exponentielle non limitée est un bon modèle pour la phase initiale de croissance bactérienne en milieu riche. $P_{n+1} = q P_n$.
• Cellules : La division cellulaire peut être modélisée par des suites géométriques. Cependant, dans un organisme, la croissance est régulée et s'arrête, suggérant l'existence d'une capacité d'accueil.
• Populations d'insectes : Certains modèles décrivent le cycle de vie annuel, où la population de l'année suivante dépend de celle de l'année en cours.

Les modèles logistiques sont des modèles de croissance plus réalistes qui prennent en compte les limitations du milieu (ressources limitées, espace, prédateurs, etc.).

Capacité d'accueil du milieu

Contrairement à la croissance exponentielle illimitée, la croissance logistique introduit une capacité d'accueil du milieu, notée $K$. C'est la taille maximale de population que l'environnement peut durablement supporter. Le modèle logistique discret est souvent présenté sous la forme : $P_{n+1} = P_n + r P_n \left(1 - \frac{P_n}{K}\right)$ où $r$ est le taux de croissance intrinsèque. Lorsque $P_n$ est petit par rapport à $K$, le terme $\left(1 - \frac{P_n}{K}\right)$ est proche de 1, et la croissance est quasi-exponentielle ($P_{n+1} \approx P_n + r P_n = (1+r) P_n$). Lorsque $P_n$ approche $K$, le terme $\left(1 - \frac{P_n}{K}\right)$ tend vers 0, et la croissance ralentit, voire s'arrête. Les points d'équilibre sont $P^* = 0$ et $P^* = K$. En général, $K$ est un équilibre stable.

Point d'inflexion

La courbe de croissance logistique a une forme en "S" ou sigmoïde. Le point d'inflexion est le moment où la vitesse de croissance est maximale. Après ce point, la population continue de croître, mais de plus en plus lentement. Pour le modèle logistique simple, le point d'inflexion se situe souvent autour de $P = K/2$. C'est à ce moment que les ressources sont encore abondantes mais que la population est suffisamment grande pour que le taux de croissance absolu soit maximal.

Comportement asymptotique

Le modèle logistique montre un comportement asymptotique. Cela signifie que la population tend vers une valeur limite, la capacité d'accueil $K$, sans jamais la dépasser (théoriquement). $\lim_{n \to \infty} P_n = K$. Ce comportement est très important pour la gestion des populations, car il indique une taille maximale atteignable.

Applications

• Propagation de maladies : Le nombre de personnes infectées par une maladie dans une population peut suivre un modèle logistique. Au début, peu de personnes sont infectées, la propagation est rapide. Puis, à mesure que de plus en plus de personnes deviennent immunisées ou sont infectées, la vitesse de propagation ralentit jusqu'à atteindre un plateau.
• Croissance tumorale : La croissance d'une tumeur peut être modélisée de manière logistique, où $K$ représente la taille maximale que la tumeur peut atteindre compte tenu des nutriments disponibles.
• Exploitation de ressources : La gestion des stocks de poissons ou de forêts utilise des modèles logistiques pour déterminer le rendement maximal soutenable.

Les fonctions exponentielles et logarithmes sont omniprésentes en biologie pour décrire des croissances, des décroissances, ou des échelles de mesure.

Croissance et décroissance exponentielle

Une croissance exponentielle est caractérisée par une augmentation proportionnelle à la quantité présente. Elle est modélisée par $f(t) = C \cdot e^{kt}$ avec $k > 0$. Une décroissance exponentielle est caractérisée par une diminution proportionnelle à la quantité présente. Elle est modélisée par $f(t) = C \cdot e^{-kt}$ avec $k > 0$. Exemple : La multiplication de cellules (croissance) ou la désintégration radioactive (décroissance d'isotopes utilisés comme traceurs). La constante $k$ est le taux de croissance/décroissance. Plus $k$ est grand, plus le changement est rapide.

Demi-vie

La demi-vie ($T_{1/2}$) est le temps nécessaire pour que la quantité d'une substance subissant une décroissance exponentielle soit réduite de moitié. Pour une décroissance $N(t) = N_0 e^{-kt}$, la demi-vie est donnée par $T_{1/2} = \frac{\ln(2)}{k}$. Exemple : Le carbone 14 a une demi-vie d'environ 5730 ans, utilisé pour la datation en archéologie. La demi-vie d'un médicament dans le corps humain détermine la fréquence des doses.

Échelle logarithmique

Les logarithmes sont utilisés pour représenter des grandeurs qui varient sur une très large gamme de valeurs, rendant l'échelle linéaire peu pratique.

• pH : Le pH mesure l'acidité ou la basicité d'une solution. $pH = -\log_{10}[H^+]$, où $[H^+]$ est la concentration en ions hydrogène. Une variation d'une unité de pH représente un facteur 10 de variation de $[H^+]$.
• Intensité sonore (Décibels) : L'oreille humaine perçoit le son sur une échelle logarithmique. L'intensité sonore en décibels est $L_{dB} = 10 \log_{10}\left(\frac{I}{I_0}\right)$. Ces échelles permettent de visualiser et comparer des valeurs très différentes sur un même graphique.

Résolution d'équations

Les fonctions exponentielles et logarithmes sont réciproques, ce qui est crucial pour résoudre des équations. Si $e^x = a$, alors $x = \ln(a)$. Si $\ln(x) = b$, alors $x = e^b$. Ces propriétés sont utilisées pour trouver des temps (par exemple, la demi-vie), des concentrations ou des taux de croissance.

La dérivation est un outil mathématique fondamental pour étudier le taux de changement, l'optimisation et la forme des courbes en biologie.

Taux de variation instantané

La dérivée d'une fonction $f(t)$ en un point $t_0$, notée $f'(t_0)$, représente le taux de variation instantané de la fonction à cet instant. En d'autres termes, c'est la pente de la tangente à la courbe au point $(t_0, f(t_0))$. Exemple biologique : La vitesse de croissance d'une population $P(t)$ est donnée par sa dérivée $P'(t)$. Si $P'(t) > 0$, la population croît ; si $P'(t) < 0$, elle décroît.

Optimisation

La dérivée est essentielle pour les problèmes d'optimisation, c'est-à-dire trouver les valeurs maximales ou minimales d'une fonction. Les points où la dérivée s'annule ($f'(t) = 0$) sont appelés points critiques. Ces points peuvent correspondre à des maximums locaux, des minimums locaux ou des points d'inflexion. Exemple : Trouver la dose optimale d'un médicament qui maximise son effet thérapeutique tout en minimisant les effets secondaires. Optimiser le rendement d'une culture en fonction de l'apport en nutriments.

Points critiques

Comme mentionné, un point critique est là où la pente de la tangente est nulle. L'étude du signe de la dérivée autour de ces points permet de déterminer s'il s'agit d'un maximum ou d'un minimum. Si $f'(t)$ change de signe de $+$ à $-$ en un point critique, c'est un maximum. Si $f'(t)$ change de signe de $-$ à $+$ en un point critique, c'est un minimum.

Convexité et concavité

La dérivée seconde $f''(t)$ renseigne sur la convexité ou la concavité de la fonction. Si $f''(t) > 0$, la fonction est convexe (sa courbe "sourit", sa pente augmente). Si $f''(t) < 0$, la fonction est concave (sa courbe "fait la moue", sa pente diminue). Les points où la dérivée seconde s'annule et change de signe sont des points d'inflexion, où la courbure de la fonction change. Exemple biologique : Dans un modèle de croissance, un point d'inflexion indique un changement dans la dynamique de croissance (accélération maximale puis ralentissement).

L'intégration est l'opération inverse de la dérivation. Elle permet de calculer des aires sous des courbes, des quantités totales ou des valeurs moyennes.

Calcul d'aires (quantité totale)

L'intégrale définie $\int_a^b f(t) dt$ représente l'aire sous la courbe de la fonction $f(t)$ entre $a$ et $b$. En biologie, cette aire peut souvent être interprétée comme une quantité totale accumulée sur un intervalle de temps. Exemple : Si $f(t)$ est le débit d'un liquide (par exemple, le flux sanguin à travers un organe) en fonction du temps, alors $\int_{t_1}^{t_2} f(t) dt$ représente le volume total de liquide qui a traversé l'organe entre $t_1$ et $t_2$. Si $f(t)$ est la vitesse de croissance d'une population, l'intégrale donnera l'augmentation totale de la population sur une période.

Valeur moyenne

L'intégrale permet également de calculer la valeur moyenne d'une fonction sur un intervalle $[a, b]$ : $M = \frac{1}{b-a} \int_a^b f(t) dt$. Exemple : Calculer la concentration moyenne d'un médicament dans le sang sur une période donnée, même si sa concentration fluctue.

Accumulation de substances

L'intégration est cruciale pour modéliser l'accumulation de substances. Exemple : La quantité de polluant accumulée dans un organisme au fil du temps, connaissant son taux d'absorption. Exemple : La biomasse totale produite par une culture sur une saison, en intégrant le taux de production journalier.

Interprétation biologique

L'intégration permet de passer d'une grandeur instantanée (un taux, une vitesse) à une grandeur totale ou cumulée. C'est un pont essentiel entre la dynamique des processus et leurs effets globaux. Elle permet de quantifier l'effet global d'un phénomène variable dans le temps.

En biologie, de nombreux phénomènes sont aléatoires. Les variables aléatoires et leurs lois de probabilité permettent de les modéliser.

Variable aléatoire discrète/continue

Une variable aléatoire discrète est une variable qui ne peut prendre qu'un nombre fini ou dénombrable de valeurs (souvent des entiers). Exemple : Le nombre d'enfants atteints d'une maladie génétique dans une famille, le nombre de bactéries dans un échantillon. Une variable aléatoire continue est une variable qui peut prendre n'importe quelle valeur dans un intervalle donné. Exemple : La taille d'un individu, le poids d'un organe, la concentration d'une substance.

Loi binomiale (transmission génétique)

La loi binomiale modélise le nombre de succès dans une séquence de $n$ expériences de Bernoulli indépendantes, où chaque expérience a deux issues possibles (succès/échec) avec une probabilité $p$ de succès. $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$. Exemple : En génétique, la probabilité d'avoir $k$ enfants avec un certain trait génétique sur $n$ enfants, sachant que la probabilité de transmettre ce trait est $p$. Par exemple, la transmission d'un allèle récessif.

Loi normale (tailles, poids)

La loi normale (ou loi de Gauss) est la loi de probabilité continue la plus courante. Elle est caractérisée par sa forme en cloche symétrique, définie par sa moyenne $\mu$ et son écart-type $\sigma$. Exemple : De nombreuses caractéristiques biologiques suivent approximativement une loi normale : la taille des individus d'une population, le poids des fruits d'une plante, la tension artérielle. La loi normale est fondamentale pour l'inférence statistique car, grâce au théorème central limite, la moyenne d'un grand nombre d'observations indépendantes tend vers une distribution normale.

Espérance et écart-type

L'espérance $E(X)$ (ou moyenne) d'une variable aléatoire est la valeur "moyenne" attendue de cette variable si l'on répétait l'expérience un grand nombre de fois. L'écart-type $\sigma(X)$ mesure la dispersion des valeurs autour de l'espérance. Un grand écart-type indique une grande variabilité. Ces deux paramètres sont essentiels pour caractériser une distribution de probabilité.

En biologie, il est souvent impossible d'étudier une population entière. On travaille donc sur des échantillons et on utilise l'inférence statistique pour tirer des conclusions sur la population.

Échantillon représentatif

Un échantillon représentatif est un sous-ensemble de la population qui reflète fidèlement les caractéristiques de cette population. La qualité de l'échantillonnage est cruciale pour la validité des conclusions. Un échantillonnage aléatoire est souvent privilégié.

Intervalle de fluctuation

L'intervalle de fluctuation est un intervalle de valeurs qui, sous une certaine hypothèse (l'hypothèse nulle), contient la proportion d'un caractère dans un échantillon avec une forte probabilité (souvent 95% ou 99%). Il permet de juger si une observation est "normale" ou "exceptionnelle". Si l'on observe une fréquence échantillon en dehors de cet intervalle, on peut douter de l'hypothèse de départ. Exemple : Si on s'attend à ce que 50% d'une population ait un certain trait, l'intervalle de fluctuation donne les pourcentages acceptables dans un échantillon de taille $n$.

Intervalle de confiance

L'intervalle de confiance est une estimation de la plage de valeurs dans laquelle se situe un paramètre inconnu de la population (par exemple, la moyenne ou la proportion), avec un certain niveau de confiance (généralement 95%). Il est construit à partir des données d'un échantillon. Exemple : Estimer la taille moyenne d'une espèce animale dans une région à partir de la mesure de quelques individus. Un intervalle de confiance à 95% signifie que si l'on répétait l'échantillonnage un grand nombre de fois, 95% des intervalles construits contiendraient la vraie moyenne de la population.

Prise de décision statistique

Les intervalles de fluctuation et de confiance sont des outils clés pour la prise de décision statistique.

• Pour un intervalle de fluctuation : Si la valeur observée est en dehors de l'intervalle, on rejette l'hypothèse nulle avec un certain risque d'erreur.
• Pour un intervalle de confiance : Il nous donne une idée de la précision de notre estimation et permet de comparer différentes populations ou traitements.

Les tests d'hypothèses permettent de décider si les données observées sont compatibles avec une certaine hypothèse concernant la population.

Hypothèse nulle et alternative

Un test d'hypothèse commence par formuler deux hypothèses :

1. L'hypothèse nulle ($H_0$) : C'est l'hypothèse de "non-effet", "pas de différence", "pas d'association". C'est celle que l'on cherche à réfuter.
2. L'hypothèse alternative ($H_1$) : C'est l'hypothèse que l'on veut démontrer, souvent l'opposé de $H_0$. Exemple : $H_0$: Un nouveau médicament n'a pas d'effet sur la tension artérielle. $H_1$: Le nouveau médicament a un effet sur la tension artérielle.

Risque d'erreur

Lors d'un test d'hypothèse, il y a toujours un risque de se tromper :

• Erreur de type I ($\alpha$) : Rejeter $H_0$ alors qu'elle est vraie (faux positif). On fixe souvent $\alpha = 0.05$ (5%).
• Erreur de type II ($\beta$) : Ne pas rejeter $H_0$ alors qu'elle est fausse (faux négatif). Le seuil de signification $\alpha$ est la probabilité maximale d'accepter une erreur de type I. Si la p-value (probabilité d'observer les données si $H_0$ était vraie) est inférieure à $\alpha$, on rejette $H_0$.

Test du Chi-2 (indépendance, ajustement)

Le test du Chi-2 ($\chi^2$) est un test statistique non paramétrique très utilisé :

• Test d'indépendance : Permet de vérifier s'il existe une association entre deux variables qualitatives (catégorielles). Exemple : Y a-t-il un lien entre le groupe sanguin et la susceptibilité à une maladie ?
• Test d'ajustement (ou de conformité) : Permet de vérifier si une distribution observée correspond à une distribution théorique attendue. Exemple : Les proportions de phénotypes observées dans une expérience génétique correspondent-elles aux lois de Mendel ?

Comparaison de moyennes

Pour comparer les moyennes de deux groupes ou plus (par exemple, un groupe traité et un groupe témoin), on utilise des tests comme le test de Student (t-test) ou l'ANOVA (Analyse de la Variance). Exemple : Comparer l'efficacité de deux engrais sur la croissance des plantes en mesurant la taille moyenne des plantes dans chaque groupe.

Les suites peuvent modéliser la diffusion de substances entre différents compartiments ou l'évolution de concentrations.

Modèle de diffusion simple

Un modèle de diffusion simple peut décrire comment une substance se répartit entre deux compartiments. Exemple : Soit $C_n$ la concentration d'un médicament dans un compartiment à l'instant $n$. Si une fraction $a$ de la substance est éliminée et une quantité $Q$ est ajoutée à chaque pas de temps : $C_{n+1} = (1-a) C_n + Q$. C'est une suite arithmético-géométrique.

Échanges entre compartiments

En biologie, le corps est souvent divisé en compartiments (sang, tissus, organes). Les échanges entre ces compartiments peuvent être modélisés par des systèmes de suites ou, plus souvent, par des équations différentielles. Exemple : Un médicament administré passe du sang aux tissus, puis est éliminé. On peut modéliser la concentration dans le sang $S_n$ et dans les tissus $T_n$ par un système de relations de récurrence.

Concentration d'un médicament

La concentration d'un médicament dans le sang après des prises répétées peut être modélisée. Si une dose $D$ est prise régulièrement et qu'une fraction $k$ du médicament est éliminée entre deux prises, la concentration $C_n$ juste avant la $n$-ième prise peut être modélisée par $C_{n+1} = (1-k)C_n + D$. On peut alors étudier la concentration à l'équilibre et s'assurer qu'elle reste dans la fenêtre thérapeutique.

Équilibre dynamique

Un équilibre dynamique est atteint lorsque les taux d'entrée et de sortie d'une substance dans un compartiment s'égalisent, de sorte que la concentration nette reste constante, bien que les molécules individuelles continuent de se déplacer. Pour la suite $C_{n+1} = (1-a) C_n + Q$, l'équilibre est $C^* = (1-a) C^* + Q \implies a C^* = Q \implies C^* = Q/a$. Cet équilibre est crucial pour maintenir l'homéostasie (stabilité du milieu intérieur) dans les organismes vivants.

Les équations différentielles sont utilisées pour modéliser des processus continus où le taux de changement d'une quantité dépend de la quantité elle-même.

Modèle de Malthus

Le modèle de Malthus est le plus simple pour la croissance d'une population illimitée : $\frac{dP}{dt} = kP$ où $P(t)$ est la population au temps $t$ et $k$ est le taux de croissance instantané. La solution de cette équation est $P(t) = P_0 e^{kt}$, qui est une croissance exponentielle. Ce modèle est une bonne approximation pour la croissance initiale de populations sans contraintes.

Modèle de décroissance radioactive

La décroissance radioactive suit une loi similaire : $\frac{dN}{dt} = -\lambda N$ où $N(t)$ est le nombre de noyaux radioactifs au temps $t$ et $\lambda$ est la constante de désintégration. La solution est $N(t) = N_0 e^{-\lambda t}$, une décroissance exponentielle. Ce modèle est utilisé en datation (carbone 14) et en médecine nucléaire.

Solutions d'équations différentielles

La résolution d'une équation différentielle consiste à trouver la fonction $f(t)$ qui satisfait l'équation. Pour les équations de la forme $y' = ay$, la solution générale est $y(t) = C e^{at}$. La constante $C$ est déterminée par une condition initiale (par exemple, $y(0) = y_0$).

Interprétation des paramètres

Les paramètres dans les équations différentielles ont une signification biologique directe :

• $k$ dans le modèle de Malthus est le taux de natalité net.
• $\lambda$ dans la décroissance radioactive est la probabilité de désintégration par unité de temps. Ces paramètres permettent de quantifier l'intensité des processus biologiques.

Les chaînes de Markov sont des modèles probabilistes pour décrire des systèmes qui changent d'état au fil du temps, où l'état futur dépend uniquement de l'état actuel (propriété de Markov).

États et transitions

Un système est décrit par un ensemble d'états possibles. Une transition est le passage d'un état à un autre. Exemple : Propagation d'une maladie : États = {Sain, Infecté, Rétabli}. Les probabilités de passer d'un état à un autre sont appelées probabilités de transition.

Matrice de transition

Les probabilités de transition sont souvent organisées dans une matrice de transition $M$. Chaque élément $M_{ij}$ représente la probabilité de passer de l'état $i$ à l'état $j$. La somme des probabilités de chaque ligne doit être égale à 1. Si $P_n$ est un vecteur ligne représentant la distribution des probabilités d'être dans chaque état à l'instant $n$, alors $P_{n+1} = P_n M$.

Probabilités d'état

En calculant $P_n = P_0 M^n$, on peut trouver la probabilité d'être dans chaque état après $n$ pas de temps. Pour certaines chaînes de Markov, il existe une distribution stationnaire (ou état d'équilibre) $\pi$ telle que $\pi = \pi M$. Cela signifie que sur le long terme, la proportion du système dans chaque état se stabilise. Exemple : La proportion de la population dans chaque état de santé (sain, malade, guéri) après un temps très long.

Applications

• Évolution d'une maladie : Modéliser la progression d'une maladie à travers différentes phases (infection, rémission, rechute).
• Génétique : Modéliser l'évolution des fréquences alléliques dans une population.
• Comportement animal : Décrire les séquences de comportements (ex: alimentation, repos, vigilance). Les chaînes de Markov sont des outils puissants pour comprendre la dynamique des systèmes à états discrets soumis à des influences aléatoires.