slide1
Download
Skip this Video
Download Presentation
Le modèle de Lotka-Volterra

Loading in 2 Seconds...

play fullscreen
1 / 68

Le modèle de Lotka-Volterra - PowerPoint PPT Presentation


  • 138 Views
  • Uploaded on

Le modèle de Lotka-Volterra. Version Volterra. Croissance exponentielle proies x en absence de prédateurs Décroissance exponentielle des prédateurs y en absence de proies

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Le modèle de Lotka-Volterra' - avak


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide2
Version Volterra
  • Croissance exponentielle proies x en absence de prédateurs
  • Décroissance exponentielle des prédateurs y en absence de proies
  • L’ « interaction » proies-prédateurs est proportionnelle au nombre de rencontres entre les deux espèces, donc à leurs densités respectives(les coeff. B et D sont différents car la disparition d’une proie n’entraîne pas de facto la naissance d’un prédateur)
slide3
Modèle de Lotka-Volterra

k1

Z + X 2X

k2

Y + X 2Y

Version Lotka

k3

Y W

k2 = B

k3 = C

Si [Z] >> [X]

alors k1Z=cste=A

slide5
Etats stationnaires

1ère solution :

Premier état stationnaire : u0=0, v0=0

2ème solution :

Deuxième état stationnaire : u0=1, v0=1

slide6
Analyse des modes normaux

Matrice jacobienne

Eléments de la jacobienne

Jacobienne à l’état stationnaire 1 (u0=0, v0=0)

Jacobienne à l’état stationnaire 2 (u0=1, v0=1)

slide7
Jacobienne à l’état stationnaire 1 (u0=0, v0=0)

Analyse des

modes normaux

Trace de la jacobienne :

Déterminant de la jacobienne :

Equation caractéristique :

Discriminant de l’équation caractéristique :

La constante a étant toujours positive, D est négatif, ce qui signifie que les deux racines R1 et R2 sont de signes contraires.

L'état stationnaire est donc instable et de type point de selle. Les trajectoires s'écartent de cet état.

5

6

slide8
Jacobienne à l’état stationnaire 2 (u0=1, v0=1)

Analyse des

modes normaux

Trace de la jacobienne :

Déterminant de la jacobienne :

Equation caractéristique :

Discriminant de l’équation caractéristique :

Le discriminant étant toujours négatif, l'équation caractéristique admet deux racines toujours imaginaires. La constante a étant toujours positive, D est positif. La trace est toujours nulle.

L'état stationnaire est un centre (cas très particulier). Les trajectoires sont (dans le système linéarisé) des cercles centrés sur l'état stationnaire.

3

2

slide13
Pye, 1971

Extrait S. carlbergensis

Milieu de culture : tréhalose

slide17
+

S

P

vPFK

(a)

(g)

a

slide18
+

S

P

vin

vPFK

vout

slide20
Etat(s) stationnaire(s) du système

soit

avec

dont l’unique racine positive est :

slide22
Analyse des modes normaux : déterminant de la jacobienne

L’état stationnaire (a*, g*) ne peut donc être en aucun cas du type point de selle.

slide23
Analyse des modes normaux : trace de la jacobienne

Condition d’instabilité : Tr* > 0 soit

slide24
Analyse des modes normaux : discriminant

La valeur stationnaire du discriminant peut être positive ou négative. L’état stationnaire peut donc être, a priori, stable ou instable, de type « nœud » ou « foyer », selon la valeur des paramètres.

slide25
1. 0 < µ < µ1(d) = 0.032144 tr* < 0, d* > 0 nœud stable

2. µ1(d) = 0.032144 < µ < µ1(tr) = 0.03598 tr* < 0, d* < 0 foyer stable

3. µ1(tr) = 0.03598 < µ < µ2(d) = 0.04098 tr* > 0, d* < 0 foyer instable

4. µ2(d) = 0.04098 < µ < µ3(d) = 0.3574 tr* > 0, d* > 0 nœud instable

5. µ3(d) = 0.3574 < µ < µ2(tr) = 0.4572 tr* > 0, d* < 0 foyer instable

6. µ2(tr) = 0.4572 < µ < µ4(d) = 0.5543 tr* < 0, d* < 0 foyer stable

7. µ4(d) = 0.5543 < µ tr* < 0, d* > 0 nœud stable

µ = 0.36

3

slide26
1. 0 < µ < µ1(d) = 0.032144 tr* < 0, d* > 0 nœud stable

2. µ1(d) = 0.032144 < µ < µ1(tr) = 0.03598 tr* < 0, d* < 0 foyer stable

3. µ1(tr) = 0.03598 < µ < µ2(d) = 0.04098 tr* > 0, d* < 0 foyer instable

4. µ2(d) = 0.04098 < µ < µ3(d) = 0.3574 tr* > 0, d* > 0 nœud instable

5. µ3(d) = 0.3574 < µ < µ2(tr) = 0.4572 tr* > 0, d* < 0 foyer instable

6. µ2(tr) = 0.4572 < µ < µ4(d) = 0.5543 tr* < 0, d* < 0 foyer stable

7. µ4(d) = 0.5543 < µ tr* < 0, d* > 0 nœud stable

µ = 0.45

3

slide27
1. 0 < µ < µ1(d) = 0.032144 tr* < 0, d* > 0 nœud stable

2. µ1(d) = 0.032144 < µ < µ1(tr) = 0.03598 tr* < 0, d* < 0 foyer stable

3. µ1(tr) = 0.03598 < µ < µ2(d) = 0.04098 tr* > 0, d* < 0 foyer instable

4. µ2(d) = 0.04098 < µ < µ3(d) = 0.3574 tr* > 0, d* > 0 nœud instable

5. µ3(d) = 0.3574 < µ < µ2(tr) = 0.4572 tr* > 0, d* < 0 foyer instable

6. µ2(tr) = 0.4572 < µ < µ4(d) = 0.5543 tr* < 0, d* < 0 foyer stable

7. µ4(d) = 0.5543 < µ tr* < 0, d* > 0 nœud stable

µ = 0.55

2

slide35
Diffusion

Première loi de Fick : le flux matériel J (cellules, concentration, nombre d’individus appartenant à une population, etc.) est proportionnel au gradient de « concentration » de ce matériel, ce qui, dans un espace à une dimension, s’exprime mathématiquement par :

D ( coefficient de diffusion) a pour dimension [longueur]2[temps]-1 (cm2 sec-1 par exemple).

Deuxième loi de Fick :

Equation générale d’un processus de réaction-diffusion :

(diffusion à une dimension)

slide36
Diffusion

Réaction – diffusion à une dimension :

Formalisme plus général :

avec, dans le cas d’une diffusion monodirectionnelle :

Cas général d’une diffusion à 3 dimensions :

slide40
Scilab

cd ..\g

slide41
Qu‘est-ce que le phénomène d’excitabilité ?
  • Dans quelles conditions paramétriques peut-il être observé ?
  • Pourquoi n’observe-t-on jamais qu’une seule vague (et non, par exemple, un train d’oscillations) ?
  • Pourquoi lorsqu’ils se rencontrent, les deux fronts de vague s’annihilent-ils (ce qui a pour conséquence de faire que chaque point du cortex est soumis une et une seule fois au passage de la vague) ?
  • Quel est le mécanisme expliquant la transmission d’une unité à l’autre de la fluctuation initiale (phénomène de relais) ? La transmission est-elle soumise à des contraintes paramétriques particulières ?
slide42
L’excitabilité est une propriété d’un état stationnaire stable d’un système qui posséde au moins une isocline nulle ayant une branche de pente négative (forme en S). Dans la plupart des zones de pente positive, l’état stationnaire est très stable : le système ne peut amplifier un pulse de concentration.

Cependant, à mesure que l’état stationnaire s’approche de l’extremum de la branche stable passant par l’origine (0, 0), le système devient excitable, c’est-à-dire capable d’amplifier un pulse de concentration (ici g). La zone d’excitabilité est en général très étroite.

slide43
Condition à l’excitation effective d’un système excitable :

Pour que la fluctuation soit amplifiée, il faut que son amplitude dépasse un seuil. Le seuil diminue à mesure que l’état stationnaire soumis à la fluctuation approche le domaine instable.

L’excitabilité se définit ainsi comme la capacité d’un système à amplifier, au-delà d’un seuil, un pulse d’une de ses variables, à partir d’un état stationnaire stable.

slide46
Perturbations et période réfractaire

Dg = 2.0

Dg = 0.4

Dg = 0.2

g seuil

slide48
Le phénomène de relais
  • Transmission de l’excitation d’une unité à l’autre, via la diffusion du calcium cytosolique

Programme VagueCaRelais

(nb_cycles = 100)

Existence d’une limite supérieure et d’une limite inférieure à la diffusion entre lesquelles

le signal d’excitation amplifié est transmis entre unités corticales.

Détermination des valeurs limites de d pour lesquelles le relais se produit

slide50
Relais d'oscillations

Tous les compartiments basculent dans un état oscillant : synchronisation des oscillations, en phase dans tous les compartiments

Un seul compartiment bascule dans un état oscillant : ondes concentriques en provenance d’un émetteur

Une rangée de compartiments basculent dans un état oscillant : vagues successives

Dans les 2 derniers cas, comment sont relayées les oscillations par les unités restées dans l’état excitable ?

Programme VagueCaRelais

slide51
Relais d'oscillations

Programme VagueCaRelais

nb_cycles = 400;// NOMBRE DE FIGURES INTERMEDIAIRES DESIREES

for cycle=1:nb_cycles

//***** Terme de réaction : intégration numérique ********

t=10; // temps d'intégration pour chaque cycle

for i=1:m

if i==m/2 then mu=0.2;

else mu=0.0333; end;

Y1=ode([alpha(i);g_new(i)],0,t,paramecie);

alpha(i) = Y1(1,1);

g_old(i) = Y1(2,1);

end

ftp://ftp.u-psud.fr/pub/from-upsud/f2e79a0c/VagueCaRelais.sce

slide53
oscillations calcium

intégration calcium

slide55
Classiquement : la diffusion homogénéise

Turing: la diffusion peut engendrer des homogénéités en

amplifiant des fluctuations locales et en créant une structuration

permanente de l’espace.

slide56
Les vagues de calcium étudiées précédemment sont-elles des

« structures de Turing » ?

NON: la vague ou les oscillations de calcium sont des structures

qui évoluent dans le temps (la concentration en un point de

l’espace n’est pas constante au cours du temps).

Une fois établie, une structure de Turing est au contraire

stationnaire dans le temps et dans l’espace.

slide57
Système de réaction-diffusion

Un système de réaction-diffusion est susceptible de présenter

des phénomènes d’instabilité dépendants de la diffusion

(ou instabilités de Turing) si son état stationnaire homogène est

stable aux petites perturbations en absence de diffusion pour

devenir instable aux mêmes petites perturbations lorsque

la diffusion est présente.

slide59
Exemple simple de modèle de Turing

(développé à partir du modèle de Lotka-Volterra)

Proies, x

prédateurs, y

Dans la plupart des modèles de Turing, x et y sont présents au temps 0, mais il n’y a pas de flux d’entrée extérieur. On remplacera donc ici le terme Ax par une simple constante A

De plus, y est supposée pouvoir être détruite par un processus (noté b etappelé "évocateur" par Turing) d’ordre 0, c’est-à-dire indépendant de y.

B = C = D = 1/16

A = 1

Termes de réaction

slide60
Exemple simple de modèle de Turing

(développé à partir du modèle de Lotka-Volterra)

Termes de réaction

Termes de diffusion

(diffusion à 1 dimension)

Les valeurs des coefficients de diffusion de x et de y diffèrent d’un facteur 4.

Dans tous les compartiments : b = 12 ± 0.25

slide61
X

Y

slide62
X

Y

slide63
X

Y

slide64
Dx multiplié par 2

Dy multiplié par 2

La valeur des coefficients de diffusion influe sur la longueur d’onde des patterns.

X

Y

ad