Processus de branchement pour l’infection cellulaire. Vincent Bansaye & Chi Tran Viet CMAP, Polytechnique. 15 septembre 2009, Nice. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 1 / 30 Infection et division cellulaire en temps discret Introduction Motivations Modéliser la transmission du patrimoine d’une cellule qui se divise. Ici on s’intéresse à des parasites qui croissent dans les cellules (mais on peut imaginer aussi des protéines, des mitochondries ou de l’énergie dans les cellules, des individus dans une tribu...) Prendre en compte les répartitions inégales aléatoires : Fortes dissymétries observées au laboratoire TaMaRa à l’hopital Necker. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 2 / 30 Infection et division cellulaire en temps discret Introduction Motivations Modéliser la transmission du patrimoine d’une cellule qui se divise. Ici on s’intéresse à des parasites qui croissent dans les cellules (mais on peut imaginer aussi des protéines, des mitochondries ou de l’énergie dans les cellules, des individus dans une tribu...) Prendre en compte les répartitions inégales aléatoires : Fortes dissymétries observées au laboratoire TaMaRa à l’hopital Necker. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 2 / 30 Infection et division cellulaire en temps discret Vincent Bansaye (CMAP, X) Introduction 15 septembre 2009, Nice. 3 / 30 Infection et division cellulaire en temps discret Vincent Bansaye (CMAP, X) Introduction 15 septembre 2009, Nice. 3 / 30 Infection et division cellulaire en temps discret Vincent Bansaye (CMAP, X) Introduction 15 septembre 2009, Nice. 3 / 30 Infection et division cellulaire en temps discret Vincent Bansaye (CMAP, X) Introduction 15 septembre 2009, Nice. 3 / 30 Infection et division cellulaire en temps discret Vincent Bansaye (CMAP, X) Introduction 15 septembre 2009, Nice. 3 / 30 Infection et division cellulaire en temps discret Vincent Bansaye (CMAP, X) Introduction 15 septembre 2009, Nice. 3 / 30 Infection et division cellulaire en temps discret Vincent Bansaye (CMAP, X) Introduction 15 septembre 2009, Nice. 3 / 30 Infection et division cellulaire en temps discret Introduction S T := n∈N {0, 1}n = arbre binaire des cellules. X := loi de reproduction des parasites. (P(i))i∈T suite iid distribuée comme P ∈ (0, 1). Zi = nombre de parasites de la cellule i ∈ T. Conditionnellement à Zi = x et P(i) = p, le nombre de parasites des cellules filles (Zi0 , Zi1 ) est distribué comme x X (p) (Xi (p) , Xi − Xi ), i=1 avec (Xi )i≥1 iid distribuées comme X P i (p) (i) 1lU (i) ≤p , avec (Uj )i,j≥1 iid de loi uniforme sur [0, 1]. Xi = Xj=1 j (Zi )i∈T est une chaîne de Markov indexée par un arbre binaire. Voir Athreya, Benjamini, Peres ... dans le cas iid, Guyon dans le cas assymétrique. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 4 / 30 Infection et division cellulaire en temps discret Vincent Bansaye (CMAP, X) Répartition égale ou inégale 15 septembre 2009, Nice. 5 / 30 Infection et division cellulaire en temps discret Comportement asymptotique Questions... Quand est ce que l’organisme guérit ? Combien y-a-t-il de cellules infectées asymptotiquement ? Combien y-a-t-il de parasites dans les cellules infectées asymptotiquement ? Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 6 / 30 Infection et division cellulaire en temps discret Comportement asymptotique Guérison Nn := Nombre de cellules infectées à la génération n := #{i ∈ {0, 1}n : Zi > 0}. Guérison := le nombre de cellules infectées devient négligeable n→∞ := {Nn /2n −→ 0} Proposition Si log(E(X )) ≤ E(log(1/P)), alors p.s. l’organisme guérit. Sinon, avec probabilité positive, l’organisme ne guérit pas. Dans le deuxième cas, dès que les parasites survivent, l’organisme ne guérit pas et les parasites prolifèrent même dans les cellules, i.e. pour tout K ≥ 1, #{i : 0 < Zi ≤ K } n→∞ −→ 0. 2n Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 7 / 30 Infection et division cellulaire en temps discret Comportement asymptotique Guérison Nn := Nombre de cellules infectées à la génération n := #{i ∈ {0, 1}n : Zi > 0}. Guérison := le nombre de cellules infectées devient négligeable n→∞ := {Nn /2n −→ 0} Proposition Si log(E(X )) ≤ E(log(1/P)), alors p.s. l’organisme guérit. Sinon, avec probabilité positive, l’organisme ne guérit pas. Dans le deuxième cas, dès que les parasites survivent, l’organisme ne guérit pas et les parasites prolifèrent même dans les cellules, i.e. pour tout K ≥ 1, #{i : 0 < Zi ≤ K } n→∞ −→ 0. 2n Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 7 / 30 Infection et division cellulaire en temps discret Comportement asymptotique Equivalent du nombre de cellules infectées << 2n Nn := Nombre de cellules infectées à la génération n Théorème (i) Si log(E(X ))/2 < E(P log(1/P)), alors Nn n→∞ −→ W ∈ (0, ∞) en probabilité. E(X )n (ii) Si log(E(X ))/2 > E(P log(1/P)) et log(E(X )) < E(log(1/P)), E(Nn ) n→∞ −→ c ∈ (0, ∞), (2γ)n n−3/2 avec 2γ = 2 inf{E((E(X )P)s : s ∈ [0, 1]}< E(X ). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 8 / 30 Infection et division cellulaire en temps discret Comportement asymptotique Equivalent du nombre de cellules infectées << 2n Nn := Nombre de cellules infectées à la génération n Théorème (i) Si log(E(X ))/2 < E(P log(1/P)), alors Nn n→∞ −→ W ∈ (0, ∞) en probabilité. E(X )n (ii) Si log(E(X ))/2 > E(P log(1/P)) et log(E(X )) < E(log(1/P)), E(Nn ) n→∞ −→ c ∈ (0, ∞), (2γ)n n−3/2 avec 2γ = 2 inf{E((E(X )P)s : s ∈ [0, 1]}< E(X ). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 8 / 30 Infection et division cellulaire en temps discret Comportement asymptotique Prolongements Convergence des proportions de cellules inféctées par un nombre donné de parasites vers des limites déterministes. Ajout d’une contamination aléatoire extérieure. Ajout d’une barrière, contaminaion entre cellules ? Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 9 / 30 Infection cellulaire en temps continu et espace continu Introduction Nous nous intéressons maintenant au temps (et espace) continu : la quantité de parasites (Pt : t ≥ 0) croit continument dans la cellule suivant une diffusion de Feller. p dPt = gPt dt + 2σ 2 Pt dBt . la cellule se divise avec un taux r (x) qui peut dépendre de son infection x. Ici r est monotone. quand la cellule se divise, une fraction aléatoire F des parasites se retrouve dans la première cellule fille, tandis que le reste va d dans l’autre. F = 1 − F . A nouveau, les répartitions peuvent être inéquitables. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 10 / 30 Infection cellulaire en temps continu et espace continu Introduction Nous nous intéressons maintenant au temps (et espace) continu : la quantité de parasites (Pt : t ≥ 0) croit continument dans la cellule suivant une diffusion de Feller. p dPt = gPt dt + 2σ 2 Pt dBt . la cellule se divise avec un taux r (x) qui peut dépendre de son infection x. Ici r est monotone. quand la cellule se divise, une fraction aléatoire F des parasites se retrouve dans la première cellule fille, tandis que le reste va d dans l’autre. F = 1 − F . A nouveau, les répartitions peuvent être inéquitables. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 10 / 30 Infection cellulaire en temps continu et espace continu Introduction Nous nous intéressons maintenant au temps (et espace) continu : la quantité de parasites (Pt : t ≥ 0) croit continument dans la cellule suivant une diffusion de Feller. p dPt = gPt dt + 2σ 2 Pt dBt . la cellule se divise avec un taux r (x) qui peut dépendre de son infection x. Ici r est monotone. quand la cellule se divise, une fraction aléatoire F des parasites se retrouve dans la première cellule fille, tandis que le reste va d dans l’autre. F = 1 − F . A nouveau, les répartitions peuvent être inéquitables. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 10 / 30 Infection cellulaire en temps continu et espace continu Introduction Propriété de branchement : conditionellement à leur infection initiale, les cellules évoluent indépendamment. Ref : Dawson & al (02) ou Evans-Steinsaltz (08) pour une approche superprocessus, Rouault & al pour les processus de Markov branchant. Note : Ce modèle peut etre vu comme une fragmentation aléatoire où la masse du fragment croît suivant une diffusion de Feller et le fragment se casse en deux morceaux à un taux qui peut dépendre de sa masse. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 11 / 30 Infection cellulaire en temps continu et espace continu Introduction Propriété de branchement : conditionellement à leur infection initiale, les cellules évoluent indépendamment. Ref : Dawson & al (02) ou Evans-Steinsaltz (08) pour une approche superprocessus, Rouault & al pour les processus de Markov branchant. Note : Ce modèle peut etre vu comme une fragmentation aléatoire où la masse du fragment croît suivant une diffusion de Feller et le fragment se casse en deux morceaux à un taux qui peut dépendre de sa masse. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 11 / 30 Infection cellulaire en temps continu et espace continu Introduction Propriété de branchement : conditionellement à leur infection initiale, les cellules évoluent indépendamment. Ref : Dawson & al (02) ou Evans-Steinsaltz (08) pour une approche superprocessus, Rouault & al pour les processus de Markov branchant. Note : Ce modèle peut etre vu comme une fragmentation aléatoire où la masse du fragment croît suivant une diffusion de Feller et le fragment se casse en deux morceaux à un taux qui peut dépendre de sa masse. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 11 / 30 Infection cellulaire en temps continu et espace continu Introduction Les parasites ’grouillent’ dans les cellules en division... On suppose que la quantité de parasites évolue comme un processus de naissance et de mort supercritique et que le nombre initial N de parasites est grand. On considère une renormalisation standard : birth rate = b+Nσ 2 , death rate = d +Nσ 2 , σ > 0, N → ∞. En divisant la quantité de parasites par N, on obtient à la limite une diffusion de Feller : p dPt = (b − d)Pt dt + 2σ 2 Pt dBt . Ici g = (b − d) > 0 et la quantité de parasites croit geométriquement. La population de cellules reste discrète. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 12 / 30 Infection cellulaire en temps continu et espace continu Introduction Les parasites ’grouillent’ dans les cellules en division... On suppose que la quantité de parasites évolue comme un processus de naissance et de mort supercritique et que le nombre initial N de parasites est grand. On considère une renormalisation standard : birth rate = b+Nσ 2 , death rate = d +Nσ 2 , σ > 0, N → ∞. En divisant la quantité de parasites par N, on obtient à la limite une diffusion de Feller : p dPt = (b − d)Pt dt + 2σ 2 Pt dBt . Ici g = (b − d) > 0 et la quantité de parasites croit geométriquement. La population de cellules reste discrète. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 12 / 30 Infection cellulaire en temps continu et espace continu Introduction Les parasites ’grouillent’ dans les cellules en division... On suppose que la quantité de parasites évolue comme un processus de naissance et de mort supercritique et que le nombre initial N de parasites est grand. On considère une renormalisation standard : birth rate = b+Nσ 2 , death rate = d +Nσ 2 , σ > 0, N → ∞. En divisant la quantité de parasites par N, on obtient à la limite une diffusion de Feller : p dPt = (b − d)Pt dt + 2σ 2 Pt dBt . Ici g = (b − d) > 0 et la quantité de parasites croit geométriquement. La population de cellules reste discrète. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 12 / 30 Infection cellulaire en temps continu et espace continu Introduction Questions ... On note Vt l’ensemble des cellules vivantes au temps t et Xti la quantité de parasites dans la cellule i au temps t quand i ∈ Vt . L’organisme guérit quand lim #{i ∈ V (t) : Xti > 0}/#Vt = 0 t→∞ Les parasites prolifèrent dans les cellules quand lim sup #{i ∈ Vt : Xti ≥ eβt }/#Vt > 0 pour un β > 0. t→∞ Dans le cas intermédiaire, on parlera d’ ’infection modérée.’ Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 13 / 30 Infection cellulaire en temps continu et espace continu Introduction Questions ... On note Vt l’ensemble des cellules vivantes au temps t et Xti la quantité de parasites dans la cellule i au temps t quand i ∈ Vt . L’organisme guérit quand lim #{i ∈ V (t) : Xti > 0}/#Vt = 0 t→∞ Les parasites prolifèrent dans les cellules quand lim sup #{i ∈ Vt : Xti ≥ eβt }/#Vt > 0 pour un β > 0. t→∞ Dans le cas intermédiaire, on parlera d’ ’infection modérée.’ Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 13 / 30 Infection dans une lignée cellulaire Quantité de parasites dans une lignée cellulaire. Combien de parasites y-a-t-il dans une cellule typique ? Pour répondre, on suit une lignée cellulaire et on relève la quantité (Yt : t ≥ 0) de parasites à l’intérieur : Yt = XtI avec I = (0...0) ∈ Vt . Ce processus suit une diffusion de Feller (Pt : t ≥ 0), plus des sauts multiplicatifs F qui correspondent à la division de la cellule et se produisent au taux r (Yt ) : Z t Z tp Yt = Y0 + gYs ds + 2σ 2 Ys dBs 0 0 Z tZ − 1lθ≤r (Ys− ) fYs− Q(ds, dθ, df ). 0 R+ ×[0,1] où Q est une mesure de Poisson sur E := R+ × R+ × [0, 1] d’ intensité ds dθ P(F ∈ .). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 14 / 30 Infection dans une lignée cellulaire Quantité de parasites dans une lignée cellulaire. Combien de parasites y-a-t-il dans une cellule typique ? Pour répondre, on suit une lignée cellulaire et on relève la quantité (Yt : t ≥ 0) de parasites à l’intérieur : Yt = XtI avec I = (0...0) ∈ Vt . Ce processus suit une diffusion de Feller (Pt : t ≥ 0), plus des sauts multiplicatifs F qui correspondent à la division de la cellule et se produisent au taux r (Yt ) : Z t Z tp Yt = Y0 + gYs ds + 2σ 2 Ys dBs 0 0 Z tZ − 1lθ≤r (Ys− ) fYs− Q(ds, dθ, df ). 0 R+ ×[0,1] où Q est une mesure de Poisson sur E := R+ × R+ × [0, 1] d’ intensité ds dθ P(F ∈ .). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 14 / 30 Infection dans une lignée cellulaire Quantité de parasites dans une lignée cellulaire. Combien de parasites y-a-t-il dans une cellule typique ? Pour répondre, on suit une lignée cellulaire et on relève la quantité (Yt : t ≥ 0) de parasites à l’intérieur : Yt = XtI avec I = (0...0) ∈ Vt . Ce processus suit une diffusion de Feller (Pt : t ≥ 0), plus des sauts multiplicatifs F qui correspondent à la division de la cellule et se produisent au taux r (Yt ) : Z t Z tp Yt = Y0 + gYs ds + 2σ 2 Ys dBs 0 0 Z tZ − 1lθ≤r (Ys− ) fYs− Q(ds, dθ, df ). 0 R+ ×[0,1] où Q est une mesure de Poisson sur E := R+ × R+ × [0, 1] d’ intensité ds dθ P(F ∈ .). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 14 / 30 Infection dans une lignée cellulaire Comportement asymptotique pour r constant Critère d’extinction pour une diffusion de Feller avec sauts multiplicatifs. Théorème (i) Si g ≤ E(log(1/F ))r , alors P(∃t > 0 : Yt = 0) = 1. (ii) Si g > E(log(1/F ))r , alors P( lim Yt = ∞) > 0. t→+∞ De plus, pour tout 0 ≤ β < g − E(log(1/F ))r , P( lim e−βt Yt = ∞) > 0. t→+∞ Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 15 / 30 Infection dans une lignée cellulaire Comportement asymptotique pour r constant Critère d’extinction pour une diffusion de Feller avec sauts multiplicatifs. Théorème (i) Si g ≤ E(log(1/F ))r , alors P(∃t > 0 : Yt = 0) = 1. (ii) Si g > E(log(1/F ))r , alors P( lim Yt = ∞) > 0. t→+∞ De plus, pour tout 0 ≤ β < g − E(log(1/F ))r , P( lim e−βt Yt = ∞) > 0. t→+∞ Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 15 / 30 Infection dans une lignée cellulaire Esquisse de preuve pour r constant Introduisons une bonne renormalisation (Yt : t ≥ 0) Ȳt = Yt exp (Kt − gt) où Z tZ Kt = − 1lθ≤r log(f )Q(du, dθ, df ). 0 R+ ×[0,1] Le processus Ȳ satisfait l’EDS suivante : Z t q g 2σ 2 Y¯s dBs . Ȳt = Y0 + exp Kt /2 − t 2 0 (1) C’est une martingale continue qui converge p.s. quand t → ∞. En utilisant à nouveau la formule d’Ito pour u(t0 − t, Ȳt ), on obtient !! λy0 Ey0 exp(−λȲt ) = E exp − R t σλ 0 eKs −gs ds + 1 Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 16 / 30 Infection dans une lignée cellulaire Comportement asymptotique dans le cas r monotone Critère d’extinction pour une diffusion de Feller avec sauts multiplicatifs. Proposition Dans le cas r croissant, Si il existe x0 tel que g ≤ E(log(1/F ))r (x0 ), alors P(∃t > 0, Yt = 0) = 1. Si g > E(log(1/F )) supx∈R+ r (x), alors P( lim Yt = ∞) > 0. t→∞ Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 17 / 30 Infection dans une lignée cellulaire Comportement asymptotique dans le cas r monotone Critère d’extinction pour une diffusion de Feller avec sauts multiplicatifs. Proposition Dans le cas r croissant, Si il existe x0 tel que g ≤ E(log(1/F ))r (x0 ), alors P(∃t > 0, Yt = 0) = 1. Si g > E(log(1/F )) supx∈R+ r (x), alors P( lim Yt = ∞) > 0. t→∞ Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 17 / 30 Guérison ou infection modérée Critère de guérison dans le cas r constant On considère maintenant les distributions empiriques : X U(t) E f (Xti )/#Vt = E f (Xt ) , i∈Vt où U(t) est uniformement distribué dans Vt . Quelle est l’évolution de la distribution de la quantité de parasites dans une cellule choisit uniformement au temps t quand t → ∞ ? U(t) d Xt ' Yt (t → ∞)? VRAI pour les arbres binaires discrets mais FAUX pour les arbres continus. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 18 / 30 Guérison ou infection modérée Critère de guérison dans le cas r constant On considère maintenant les distributions empiriques : X U(t) E f (Xti )/#Vt = E f (Xt ) , i∈Vt où U(t) est uniformement distribué dans Vt . Quelle est l’évolution de la distribution de la quantité de parasites dans une cellule choisit uniformement au temps t quand t → ∞ ? U(t) d Xt ' Yt (t → ∞)? VRAI pour les arbres binaires discrets mais FAUX pour les arbres continus. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 18 / 30 Guérison ou infection modérée Critère de guérison dans le cas r constant On considère maintenant les distributions empiriques : X U(t) E f (Xti )/#Vt = E f (Xt ) , i∈Vt où U(t) est uniformement distribué dans Vt . Quelle est l’évolution de la distribution de la quantité de parasites dans une cellule choisit uniformement au temps t quand t → ∞ ? U(t) d Xt ' Yt (t → ∞)? VRAI pour les arbres binaires discrets mais FAUX pour les arbres continus. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 18 / 30 Guérison ou infection modérée Critère de guérison dans le cas r constant On considère maintenant les distributions empiriques : X U(t) E f (Xti )/#Vt = E f (Xt ) , i∈Vt où U(t) est uniformement distribué dans Vt . Quelle est l’évolution de la distribution de la quantité de parasites dans une cellule choisit uniformement au temps t quand t → ∞ ? U(t) d Xt ' Yt (t → ∞)? VRAI pour les arbres binaires discrets mais FAUX pour les arbres continus. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 18 / 30 Guérison ou infection modérée. Critère de guérison dans le cas r constant Le long d’une lignée cellulaire, les divisions se produisent avec un taux r TANDIS QUE ... ... le long de la lignée ancestrale d’un individu choisit uniformément au temps t, les divisions ’se produisent approximativement’ au taux 2r quand t → ∞ [Samuels (71), Biggins (76), Chauvin and al (91)]. Alors, U(t) d Xt et ∼Y (t → ∞), et est une diffusion de Feller (Pt : t ≥ 0) qui est multipliée avec avec Y un taux 2r par des v.a. iid distribuées comme F . U(t) et > 0) E #{i ∈ Vt : Xti > 0}/#Vt = P(Xt > 0) ∼ P(Y quand t → ∞. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 19 / 30 Guérison ou infection modérée. Critère de guérison dans le cas r constant Le long d’une lignée cellulaire, les divisions se produisent avec un taux r TANDIS QUE ... ... le long de la lignée ancestrale d’un individu choisit uniformément au temps t, les divisions ’se produisent approximativement’ au taux 2r quand t → ∞ [Samuels (71), Biggins (76), Chauvin and al (91)]. Alors, U(t) d Xt et ∼Y (t → ∞), et est une diffusion de Feller (Pt : t ≥ 0) qui est multipliée avec avec Y un taux 2r par des v.a. iid distribuées comme F . U(t) et > 0) E #{i ∈ Vt : Xti > 0}/#Vt = P(Xt > 0) ∼ P(Y quand t → ∞. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 19 / 30 Guérison ou infection modérée. Critère de guérison dans le cas r constant Le long d’une lignée cellulaire, les divisions se produisent avec un taux r TANDIS QUE ... ... le long de la lignée ancestrale d’un individu choisit uniformément au temps t, les divisions ’se produisent approximativement’ au taux 2r quand t → ∞ [Samuels (71), Biggins (76), Chauvin and al (91)]. Alors, U(t) d Xt et ∼Y (t → ∞), et est une diffusion de Feller (Pt : t ≥ 0) qui est multipliée avec avec Y un taux 2r par des v.a. iid distribuées comme F . U(t) et > 0) E #{i ∈ Vt : Xti > 0}/#Vt = P(Xt > 0) ∼ P(Y quand t → ∞. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 19 / 30 Guérison ou infection modérée. Critère de guérison dans le cas r constant Théorème (i) Si g ≤ 2E(log(1/F ))r , alors l’organisme guérit p.s. : #{i ∈ Vt : Xit > 0} = 0 a.s t→+∞ #Vt lim (ii) Si g > 2E(log(1/F ))r , alors les parasites prolifèrent dans les cellules avec probabilité positive : Pour tout β < g − 2E(log(1/F ))r , P lim sup t→∞ #{i ∈ Vt : Xit ≥ eβt } > 0 > 0. #Vt Dans le deuxième cas, la prolifération a lieu dès que les parasites survivent, ce qui est le cas avec probabilité 1 − exp(−gx0 /σ 2 ). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 20 / 30 Guérison ou infection modérée. Critère de guérison dans le cas r constant Théorème (i) Si g ≤ 2E(log(1/F ))r , alors l’organisme guérit p.s. : #{i ∈ Vt : Xit > 0} = 0 a.s t→+∞ #Vt lim (ii) Si g > 2E(log(1/F ))r , alors les parasites prolifèrent dans les cellules avec probabilité positive : Pour tout β < g − 2E(log(1/F ))r , P lim sup t→∞ #{i ∈ Vt : Xit ≥ eβt } > 0 > 0. #Vt Dans le deuxième cas, la prolifération a lieu dès que les parasites survivent, ce qui est le cas avec probabilité 1 − exp(−gx0 /σ 2 ). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 20 / 30 Guérison ou infection modérée. Critère de guérison dans le cas r constant Théorème (i) Si g ≤ 2E(log(1/F ))r , alors l’organisme guérit p.s. : #{i ∈ Vt : Xit > 0} = 0 a.s t→+∞ #Vt lim (ii) Si g > 2E(log(1/F ))r , alors les parasites prolifèrent dans les cellules avec probabilité positive : Pour tout β < g − 2E(log(1/F ))r , P lim sup t→∞ #{i ∈ Vt : Xit ≥ eβt } > 0 > 0. #Vt Dans le deuxième cas, la prolifération a lieu dès que les parasites survivent, ce qui est le cas avec probabilité 1 − exp(−gx0 /σ 2 ). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 20 / 30 Guérison ou infection modérée. Critère de guérison dans le cas r constant Théorème (i) Si g ≤ 2E(log(1/F ))r , alors l’organisme guérit p.s. : #{i ∈ Vt : Xit > 0} = 0 a.s t→+∞ #Vt lim (ii) Si g > 2E(log(1/F ))r , alors les parasites prolifèrent dans les cellules avec probabilité positive : Pour tout β < g − 2E(log(1/F ))r , P lim sup t→∞ #{i ∈ Vt : Xit ≥ eβt } > 0 > 0. #Vt L’organisme peut guérir p.s. malgré une croissance g des parasites elevé et un taux de division r faible, et bien que la quantité de parasites dans une lignée cellulaire explose avec probabilité positive. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 21 / 30 Guérison ou infection modérée. Esquisse de preuve. Tout d’abord, nous prouvons que pour tout t ≥ 0, et > 0) E(#Vt )−1 E #{i ∈ Vt : Xit > 0} = P(Y et → 0. De plus, Si g ≤ 2E(log(1/F ))r , alors Y #{i ∈ Vt : Xit > 0} E(#Vt ) #{i ∈ Vt : Xit > 0} . = #Vt #Vt E(#Vt ) En ajoutant que E(#Vt )/#Vt tend vers 1/W ∈ (0, ∞) quand t → ∞, on obtient #{i ∈ Vt : Xit > 0} t→∞ −→ 0 #Vt en probabilité. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 22 / 30 Guérison ou infection modérée. Infection cellulaire dans le cas r ↑ La situation est très differente : l’arbre généalogique de la population de cellules n’est plus un arbre connu (par exemple un arbre de Yule) et des dépendances supplémentaires entre les longueurs des branches apparaissent. Considérons maintenant le cas où r (x) = 0 for x < x0 , r (x) = ∞ for x ≥ x0 . La quantité de parasites dans chaque cellule est inférieur à x0 (pas de prolifération), mais en prenant g suffisamment fort, il n’y a pas de guérison. On parle d’ ’infection modérée’ et on va ici déterminer quand elle se produit. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 23 / 30 Guérison ou infection modérée. Infection cellulaire dans le cas r ↑ La situation est très differente : l’arbre généalogique de la population de cellules n’est plus un arbre connu (par exemple un arbre de Yule) et des dépendances supplémentaires entre les longueurs des branches apparaissent. Considérons maintenant le cas où r (x) = 0 for x < x0 , r (x) = ∞ for x ≥ x0 . La quantité de parasites dans chaque cellule est inférieur à x0 (pas de prolifération), mais en prenant g suffisamment fort, il n’y a pas de guérison. On parle d’ ’infection modérée’ et on va ici déterminer quand elle se produit. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 23 / 30 Guérison ou infection modérée. Infection modérée dans le cas r ↑ Théorème (i) Si il existe x0 ≥ 0 tel que g < E(log(1/F ))r (x0 ), alors l’infection est modérée p.s. : #{i ∈ Vt : Xti ≥ A} lim sup E = 0. #Vt A→∞ t≥0 (ii) Si g > E(log(1/F )) supx∈R+ r (x), alors les parasites prolifèrent dans les cellules avec probabilité positive P lim sup t→∞ #{i ∈ Vt : Xit ≥ eβt } >0 >0 #Vt pour 0 < β < g − E(log(1/F )) supx∈R+ r (x). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 24 / 30 Guérison ou infection modérée. Infection modérée dans le cas r ↑ Théorème (i) Si il existe x0 ≥ 0 tel que g < E(log(1/F ))r (x0 ), alors l’infection est modérée p.s. : #{i ∈ Vt : Xti ≥ A} lim sup E = 0. #Vt A→∞ t≥0 (ii) Si g > E(log(1/F )) supx∈R+ r (x), alors les parasites prolifèrent dans les cellules avec probabilité positive P lim sup t→∞ #{i ∈ Vt : Xit ≥ eβt } >0 >0 #Vt pour 0 < β < g − E(log(1/F )) supx∈R+ r (x). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 24 / 30 Guérison ou infection modérée. Moderate infection in the case when r ↑ 1) < µt , f >' E(f (At )) avec (At : t ≥ 0) une diffusion de Feller (Pt : t ≥ 0) qui subit des sauts supplémentaires : au taux 2r (x), le processus saute de x à Fx au taux E(r (At )), le processus saute à la hauteur S donnée par P(S ∈ dx) = r (x)P(At ∈ dx) . E(r (At )) 2) Calcul dans le cas f (x) = x α . 3) Arguments de couplage. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 25 / 30 Guérison ou infection modérée. Moderate infection in the case when r ↑ 1) < µt , f >' E(f (At )) avec (At : t ≥ 0) une diffusion de Feller (Pt : t ≥ 0) qui subit des sauts supplémentaires : au taux 2r (x), le processus saute de x à Fx au taux E(r (At )), le processus saute à la hauteur S donnée par P(S ∈ dx) = r (x)P(At ∈ dx) . E(r (At )) 2) Calcul dans le cas f (x) = x α . 3) Arguments de couplage. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 25 / 30 Guérison ou infection modérée. Moderate infection in the case when r ↑ 1) < µt , f >' E(f (At )) avec (At : t ≥ 0) une diffusion de Feller (Pt : t ≥ 0) qui subit des sauts supplémentaires : au taux 2r (x), le processus saute de x à Fx au taux E(r (At )), le processus saute à la hauteur S donnée par P(S ∈ dx) = r (x)P(At ∈ dx) . E(r (At )) 2) Calcul dans le cas f (x) = x α . 3) Arguments de couplage. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 25 / 30 Guérison ou infection modérée. Questions ? ? critère de guérison pour r ↑. ? le cas r ↓. ? le cas r non monotone. ? Généralisation à un processus de Markov le long des branches et un noyau de transition au moment de la division quelconques. Voir Guyon (06) pour le cas discret. ? Généralisation à un nombre aléatoire d’enfants. Voir Delmas et Marsalle (08) pour le cas discret. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 26 / 30 Processus de Markov indexé par un arbre de Galton Watson. avec J-F Delmas, L. Marsalle and C. Tran Viet Description du modèle A partir de maintenant, le taux de division r est constant et la quantité de parasites dans les cellules évolue suivant un processus de Markov (Xt : t ≥ 0). chaque cellule se divise en un nmombre aléatoire K de cellules filles, avec m = E(K ) > 1. si la cellule mère contient une quantité x de parasites et se divise en k cellules filles, alors la quantité de parasites dans les cellules filles est donnée par P k (x, dx1 ...dxk ) C’est un processus de Markov branchant. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 27 / 30 Processus de Markov indexé par un arbre de Galton Watson. avec J-F Delmas, L. Marsalle and C. Tran Viet Description du modèle A partir de maintenant, le taux de division r est constant et la quantité de parasites dans les cellules évolue suivant un processus de Markov (Xt : t ≥ 0). chaque cellule se divise en un nmombre aléatoire K de cellules filles, avec m = E(K ) > 1. si la cellule mère contient une quantité x de parasites et se divise en k cellules filles, alors la quantité de parasites dans les cellules filles est donnée par P k (x, dx1 ...dxk ) C’est un processus de Markov branchant. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 27 / 30 Processus de Markov indexé par un arbre de Galton Watson. avec J-F Delmas, L. Marsalle and C. Tran Viet Description du modèle A partir de maintenant, le taux de division r est constant et la quantité de parasites dans les cellules évolue suivant un processus de Markov (Xt : t ≥ 0). chaque cellule se divise en un nmombre aléatoire K de cellules filles, avec m = E(K ) > 1. si la cellule mère contient une quantité x de parasites et se divise en k cellules filles, alors la quantité de parasites dans les cellules filles est donnée par P k (x, dx1 ...dxk ) C’est un processus de Markov branchant. Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 27 / 30 Processus de Markov indexé par un arbre de Galton Watson. avec J-F Delmas, L. Marsalle and C. Tran Viet Processus auxiliaire E X U(t) et )) f (Xti )/#Vt = E f (Xt ) ' E(f (Y i∈Vt où et : t ≥ 0) suit un processus de Markov entre deux sauts, (Y (Xt : t ≥ 0). il saute de plus au taux m.r. la distribution de ces sauts est donné par le noyau P(x, dy ) = m −1 X k ∈N Vincent Bansaye (CMAP, X) P(K = k ) k X P k (x, Ri−1 dy Rk −i ) i=1 15 septembre 2009, Nice. 28 / 30 Processus de Markov indexé par un arbre de Galton Watson. avec J-F Delmas, L. Marsalle and C. Tran Viet Processus auxiliaire E X U(t) et )) f (Xti )/#Vt = E f (Xt ) ' E(f (Y i∈Vt où et : t ≥ 0) suit un processus de Markov entre deux sauts, (Y (Xt : t ≥ 0). il saute de plus au taux m.r. la distribution de ces sauts est donné par le noyau P(x, dy ) = m −1 X k ∈N Vincent Bansaye (CMAP, X) P(K = k ) k X P k (x, Ri−1 dy Rk −i ) i=1 15 septembre 2009, Nice. 28 / 30 Processus de Markov indexé par un arbre de Galton Watson. avec J-F Delmas, L. Marsalle and C. Tran Viet Loi des grands nombres pour un processus de Markov indexé par un arbre de Galton Watson continu. Théorème (avec J-F Delmas, L. Marsalle et C. Tran Viet) Si le processus auxiliaire est If the auxiliary process is ergodic with stationary distribution µ, then for every bounded function f , P Z i i∈Vt f (Xt ) t→∞ −→ fµ #Vt Applications : age cellulaire, croissance linéaire des parasites, marches branchantes non locales. Note : dans le cas discret, des lois des grands nombres similaires ont été établies par Benjamini et Peres (94) ou Guyon (08). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 29 / 30 Processus de Markov indexé par un arbre de Galton Watson. avec J-F Delmas, L. Marsalle and C. Tran Viet Bilan L’assymétrie dans la répartition favorise l’organisme au sens qu’il y a moins de cellules infectées (avec des effets de seuils). Le temps de division continu présente des différences qualitatives et ’favorise’ aussi la guérison de l’organisme. A taux de division constant, il y a guérison ou prolifération. A taux non constant, on peut oberver un régime intermédiaire (’infection modéree’). Vincent Bansaye (CMAP, X) 15 septembre 2009, Nice. 30 / 30