Niche, distribution and global change : modeling insights into biogeography and conservation biology Olivier Broennimann

RESUME Les évidences montrant que les changements globaux affectent la biodiversité s'accumulent. Les facteurs les plus influant dans ce processus sont les changements et destructions d'habitat, l'expansion des espèces envahissantes et l'impact des changements climatiques. Une évaluation pertinente de la réponse des espèces face à ces changements est essentielle pour proposer des mesures permettant de réduire le déclin actuel de la biodiversité. La modélisation de la répartition d'espèces basée sur la niche (NBM) est l'un des rares outils permettant cette évaluation. Néanmoins, leur application dans le contexte des changements globaux repose sur des hypothèses restrictives et demande une interprétation critique. Ce travail présente une série d'études de cas investiguant les possibilités et limitations de cette approche pour prédire l'impact des changements globaux. Deux études traitant des menaces sur les espèces rares et en danger d'extinction sont présentées. Les caractéristiques éco-géographiques de 118 plantes avec un haut degré de priorité de conservation sont revues. La prévalence des types de rareté sont analysées en relation avec leur risque d'extinction UICN. La revue souligne l'importance de la conservation à l'échelle régionale. Une évaluation de la rareté à échelle globale peut être trompeuse pour certaine espèces car elle ne tient pas en compte des différents degrés de rareté que présente une espèce à différentes échelles spatiales. La deuxième étude test une approche pour améliorer l'échantillonnage d'espèces rares en incluant des phases itératives de modélisation et d'échantillonnage sur le terrain. L'application de l'approche en biologie de la conservation (illustrée ici par le cas du chardon bleu, Eryngium alpinum), permettrait de réduire le temps et les coûts d'échantillonnage. Deux études sur l'impact des changements climatiques sur la faune et la flore africaine sont présentées. La première étude évalue la sensibilité de 227 mammifères africains face aux climatiques d'ici 2050. Elle montre qu'un nombre important d'espèces pourrait être bientôt en danger d'extinction et que les parcs nationaux africains (principalement ceux situé en milieux xériques) pourraient ne pas remplir leur mandat de protection de la biodiversité dans le futur. La seconde étude modélise l'aire de répartition en 2050 de 975 espèces de plantes endémiques du sud de l'Afrique. L'étude propose l'inclusion de méthodes améliorant la prédiction des risques liés aux changements climatiques. Elle propose également une méthode pour estimer a priori la sensibilité d'une espèce aux changements climatiques à partir de ses propriétés écologiques et des caractéristiques de son aire de répartition. Trois études illustrent l'utilisation des modèles dans l'étude des invasions biologiques. Une première étude relate l'expansion de la laitue sáuvage (Lactuca serriola) vers le nord de l'Europe en lien avec les changements du climat depuis 250 ans. La deuxième étude analyse le potentiel d'invasion de la centaurée tachetée (Centaures maculosa), une mauvaise herbe importée en Amérique du nord vers 1890. L'étude apporte la preuve qu'une espèce envahissante peut occuper une niche climatique différente après introduction sur un autre continent. Les modèles basés sur l'aire native prédisent de manière incorrecte l'entier de l'aire envahie mais permettent de prévoir les aires d'introductions potentielles. Une méthode alternative, incluant la calibration du modèle à partir des deux aires où l'espèce est présente, est proposée pour améliorer les prédictions de l'invasion en Amérique du nord. Je présente finalement une revue de la littérature sur la dynamique de la niche écologique dans le temps et l'espace. Elle synthétise les récents développements théoriques concernant le conservatisme de la niche et propose des solutions pour améliorer la pertinence des prédictions d'impact des changements climatiques et des invasions biologiques. SUMMARY Evidences are accumulating that biodiversity is facing the effects of global change. The most influential drivers of change in ecosystems are land-use change, alien species invasions and climate change impacts. Accurate projections of species' responses to these changes are needed to propose mitigation measures to slow down the on-going erosion of biodiversity. Niche-based models (NBM) currently represent one of the only tools for such projections. However, their application in the context of global changes relies on restrictive assumptions, calling for cautious interpretations. In this thesis I aim to assess the effectiveness and shortcomings of niche-based models for the study of global change impacts on biodiversity through the investigation of specific, unsolved limitations and suggestion of new approaches. Two studies investigating threats to rare and endangered plants are presented. I review the ecogeographic characteristic of 118 endangered plants with high conservation priority in Switzerland. The prevalence of rarity types among plant species is analyzed in relation to IUCN extinction risks. The review underlines the importance of regional vs. global conservation and shows that a global assessment of rarity might be misleading for some species because it can fail to account for different degrees of rarity at a variety of spatial scales. The second study tests a modeling framework including iterative steps of modeling and field surveys to improve the sampling of rare species. The approach is illustrated with a rare alpine plant, Eryngium alpinum and shows promise for complementing conservation practices and reducing sampling costs. Two studies illustrate the impacts of climate change on African taxa. The first one assesses the sensitivity of 277 mammals at African scale to climate change by 2050 in terms of species richness and turnover. It shows that a substantial number of species could be critically endangered in the future. National parks situated in xeric ecosystems are not expected to meet their mandate of protecting current species diversity in the future. The second study model the distribution in 2050 of 975 endemic plant species in southern Africa. The study proposes the inclusion of new methodological insights improving the accuracy and ecological realism of predictions of global changes studies. It also investigates the possibility to estimate a priori the sensitivity of a species to climate change from the geographical distribution and ecological proprieties of the species. Three studies illustrate the application of NBM in the study of biological invasions. The first one investigates the Northwards expansion of Lactuca serriola L. in Europe during the last 250 years in relation with climate changes. In the last two decades, the species could not track climate change due to non climatic influences. A second study analyses the potential invasion extent of spotted knapweed, a European weed first introduced into North America in the 1890s. The study provides one of the first empirical evidence that an invasive species can occupy climatically distinct niche spaces following its introduction into a new area. Models fail to predict the current full extent of the invasion, but correctly predict areas of introduction. An alternative approach, involving the calibration of models with pooled data from both ranges, is proposed to improve predictions of the extent of invasion on models based solely on the native range. I finally present a review on the dynamic nature of ecological niches in space and time. It synthesizes the recent theoretical developments to the niche conservatism issues and proposes solutions to improve confidence in NBM predictions of the impacts of climate change and species invasions on species distributions.

Neuroscience robotics to investigate multisensory integration and bodily awareness.

Humans experience the self as localized within their body. This aspect of bodily self-consciousness can be experimentally manipulated by exposing individuals to conflicting multisensory input, or can be abnormal following focal brain injury. Recent technological developments helped to unravel some of the mechanisms underlying multisensory integration and self-location, but the neural underpinnings are still under investigation, and the manual application of stimuli resulted in large variability difficult to control. This paper presents the development and evaluation of an MR-compatible stroking device capable of presenting moving tactile stimuli to both legs and the back of participants lying on a scanner bed while acquiring functional neuroimaging data. The platform consists of four independent stroking devices with a travel of 16-20 cm and a maximum stroking velocity of 15 cm/s, actuated over non-magnetic ultrasonic motors. Complemented with virtual reality, this setup provides a unique research platform allowing to investigate multisensory integration and its effects on self-location under well-controlled experimental conditions. The MR-compatibility of the system was evaluated in both a 3 and a 7 Tesla scanner and showed negligible interference with brain imaging. In a preliminary study using a prototype device with only one tactile stimulator, fMRI data acquired on 12 healthy participants showed visuo-tactile synchrony-related and body-specific modulations of the brain activity in bilateral temporoparietal cortex.

Machine learning for geospatial data : algorithms, software tools and case studies

Résumé Cette thèse est consacrée à l'analyse, la modélisation et la visualisation de données environnementales à référence spatiale à l'aide d'algorithmes d'apprentissage automatique (Machine Learning). L'apprentissage automatique peut être considéré au sens large comme une sous-catégorie de l'intelligence artificielle qui concerne particulièrement le développement de techniques et d'algorithmes permettant à une machine d'apprendre à partir de données. Dans cette thèse, les algorithmes d'apprentissage automatique sont adaptés pour être appliqués à des données environnementales et à la prédiction spatiale. Pourquoi l'apprentissage automatique ? Parce que la majorité des algorithmes d'apprentissage automatiques sont universels, adaptatifs, non-linéaires, robustes et efficaces pour la modélisation. Ils peuvent résoudre des problèmes de classification, de régression et de modélisation de densité de probabilités dans des espaces à haute dimension, composés de variables informatives spatialisées (« géo-features ») en plus des coordonnées géographiques. De plus, ils sont idéaux pour être implémentés en tant qu'outils d'aide à la décision pour des questions environnementales allant de la reconnaissance de pattern à la modélisation et la prédiction en passant par la cartographie automatique. Leur efficacité est comparable au modèles géostatistiques dans l'espace des coordonnées géographiques, mais ils sont indispensables pour des données à hautes dimensions incluant des géo-features. Les algorithmes d'apprentissage automatique les plus importants et les plus populaires sont présentés théoriquement et implémentés sous forme de logiciels pour les sciences environnementales. Les principaux algorithmes décrits sont le Perceptron multicouches (MultiLayer Perceptron, MLP) - l'algorithme le plus connu dans l'intelligence artificielle, le réseau de neurones de régression généralisée (General Regression Neural Networks, GRNN), le réseau de neurones probabiliste (Probabilistic Neural Networks, PNN), les cartes auto-organisées (SelfOrganized Maps, SOM), les modèles à mixture Gaussiennes (Gaussian Mixture Models, GMM), les réseaux à fonctions de base radiales (Radial Basis Functions Networks, RBF) et les réseaux à mixture de densité (Mixture Density Networks, MDN). Cette gamme d'algorithmes permet de couvrir des tâches variées telle que la classification, la régression ou l'estimation de densité de probabilité. L'analyse exploratoire des données (Exploratory Data Analysis, EDA) est le premier pas de toute analyse de données. Dans cette thèse les concepts d'analyse exploratoire de données spatiales (Exploratory Spatial Data Analysis, ESDA) sont traités selon l'approche traditionnelle de la géostatistique avec la variographie expérimentale et selon les principes de l'apprentissage automatique. La variographie expérimentale, qui étudie les relations entre pairs de points, est un outil de base pour l'analyse géostatistique de corrélations spatiales anisotropiques qui permet de détecter la présence de patterns spatiaux descriptible par une statistique. L'approche de l'apprentissage automatique pour l'ESDA est présentée à travers l'application de la méthode des k plus proches voisins qui est très simple et possède d'excellentes qualités d'interprétation et de visualisation. Une part importante de la thèse traite de sujets d'actualité comme la cartographie automatique de données spatiales. Le réseau de neurones de régression généralisée est proposé pour résoudre cette tâche efficacement. Les performances du GRNN sont démontrées par des données de Comparaison d'Interpolation Spatiale (SIC) de 2004 pour lesquelles le GRNN bat significativement toutes les autres méthodes, particulièrement lors de situations d'urgence. La thèse est composée de quatre chapitres : théorie, applications, outils logiciels et des exemples guidés. Une partie importante du travail consiste en une collection de logiciels : Machine Learning Office. Cette collection de logiciels a été développée durant les 15 dernières années et a été utilisée pour l'enseignement de nombreux cours, dont des workshops internationaux en Chine, France, Italie, Irlande et Suisse ainsi que dans des projets de recherche fondamentaux et appliqués. Les cas d'études considérés couvrent un vaste spectre de problèmes géoenvironnementaux réels à basse et haute dimensionnalité, tels que la pollution de l'air, du sol et de l'eau par des produits radioactifs et des métaux lourds, la classification de types de sols et d'unités hydrogéologiques, la cartographie des incertitudes pour l'aide à la décision et l'estimation de risques naturels (glissements de terrain, avalanches). Des outils complémentaires pour l'analyse exploratoire des données et la visualisation ont également été développés en prenant soin de créer une interface conviviale et facile à l'utilisation. Machine Learning for geospatial data: algorithms, software tools and case studies Abstract The thesis is devoted to the analysis, modeling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense machine learning can be considered as a subfield of artificial intelligence. It mainly concerns with the development of techniques and algorithms that allow computers to learn from data. In this thesis machine learning algorithms are adapted to learn from spatial environmental data and to make spatial predictions. Why machine learning? In few words most of machine learning algorithms are universal, adaptive, nonlinear, robust and efficient modeling tools. They can find solutions for the classification, regression, and probability density modeling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well-suited to be implemented as predictive engines in decision support systems, for the purposes of environmental data mining including pattern recognition, modeling and predictions as well as automatic data mapping. They have competitive efficiency to the geostatistical models in low dimensional geographical spaces but are indispensable in high-dimensional geo-feature spaces. The most important and popular machine learning algorithms and models interesting for geo- and environmental sciences are presented in details: from theoretical description of the concepts to the software implementation. The main algorithms and models considered are the following: multi-layer perceptron (a workhorse of machine learning), general regression neural networks, probabilistic neural networks, self-organising (Kohonen) maps, Gaussian mixture models, radial basis functions networks, mixture density networks. This set of models covers machine learning tasks such as classification, regression, and density estimation. Exploratory data analysis (EDA) is initial and very important part of data analysis. In this thesis the concepts of exploratory spatial data analysis (ESDA) is considered using both traditional geostatistical approach such as_experimental variography and machine learning. Experimental variography is a basic tool for geostatistical analysis of anisotropic spatial correlations which helps to understand the presence of spatial patterns, at least described by two-point statistics. A machine learning approach for ESDA is presented by applying the k-nearest neighbors (k-NN) method which is simple and has very good interpretation and visualization properties. Important part of the thesis deals with a hot topic of nowadays, namely, an automatic mapping of geospatial data. General regression neural networks (GRNN) is proposed as efficient model to solve this task. Performance of the GRNN model is demonstrated on Spatial Interpolation Comparison (SIC) 2004 data where GRNN model significantly outperformed all other approaches, especially in case of emergency conditions. The thesis consists of four chapters and has the following structure: theory, applications, software tools, and how-to-do-it examples. An important part of the work is a collection of software tools - Machine Learning Office. Machine Learning Office tools were developed during last 15 years and was used both for many teaching courses, including international workshops in China, France, Italy, Ireland, Switzerland and for realizing fundamental and applied research projects. Case studies considered cover wide spectrum of the real-life low and high-dimensional geo- and environmental problems, such as air, soil and water pollution by radionuclides and heavy metals, soil types and hydro-geological units classification, decision-oriented mapping with uncertainties, natural hazards (landslides, avalanches) assessments and susceptibility mapping. Complementary tools useful for the exploratory data analysis and visualisation were developed as well. The software is user friendly and easy to use.

Characterization and functional identification of a novel plant extradiol 4,5-dioxygenase involved in betalain pigment biosynthesis in Portulaca Grandiflora

RESUME Les bétalaïnes sont des pigments chromo-alcaloïdes violets et jaunes présents dans les plantes appartenant à l'ordre des Caryophyllales et dans les champignons des genres Amanita et Hygrocybe. Leur courte voie de biosynthèse est élucidée chimiquement depuis de nombreuses années, mais les enzymes impliquées dans cette biosynthèse chez les plantes ne sont toujours pas caractérisées. L'enzyme de la DOPA-dioxygénase d' Amanita muscaria a été identifiée (Girod et Zryd, 1991a), mais de nombreuses tentatives d'isolation d'un homologue chez les plantes ont échoué. Afin d'isoler les gènes spécifiques des bétalaïnes chez les plantes, nous avons construit des banques soustraites d'ADNc à partir d'ARN total de pétales immatures de Portulaca grandiflora (Pg) de génotypes jaunes et blancs, respectivement violets et blancs. Les clones couleur- spécifiques ont été détectés en premier par analyse Northem du RNA de pétales blancs et colorés. Les candidats positifs ont alors été soumis à une analyse de transcription au niveau des tiges colorées, vertes et des feuilles, afin d'établir leur expression spécifique. Deux ARNs messagers complets ont une expression corrélée avec l'accumulation des bétalaïnes dans les tissus. Le premier de ces clones, A.16, code pour une oxydase de l'acyl-Coenzyme A (ACX) putative, mais le domaine de liaison du FAD essentiel pour l'activité d'ACX est absent. Toutes nos tentatives pour démontrer sa fonction ont échoué. Le rôle de cette protéine dans la voie de synthèse des bétalaïnes reste inconnu. Le deuxième de ces clones spécifique aux bétalaïnes, L.6 (isolé par Zaiko, 2000), a été renommé DODA en raison de son homologie avec le domaine LigB (pfam02900) d'une 4,5-dioxygénase extradiol bactérienne. DODA a été identifié in silico comme une dioxygénase extradiol en raison de la conservation stricte, au niveau de sa séquence peptidique, des résidus catalytiques de LigB et de ceux liant le cofacteur fer. Une analyse de transfert Southem a montré que ce gène est unique dans Pg. L'expression transitoire de DODA par transformation biolistique dans des pétales blancs de Pg a produit des taches violettes ou jaunes dans des cellules transformées. Une analyse HPLC de ces taches a démontré leur identité avec les bétalaïnes présentes naturellement dans les pétales violets et jaunes de Pg, confirmant ainsi la complémentation par le gène Pg DODA de l'allèle récessif cc présent dans les pétales blancs de Pg. Des homologues de DODA (DOPA-dioxygénase) ont été identifiés dans de nombreuses espèces de plantes, y compris dans celles sans bétalaïne. L'alignement de ces homologues a permis l'identification d'un motif spécifique aux bétalaïnes à côté d'une histidine catalytique conservée. Ce motif [H-P-(S,A)-(N,D)-x-T-P] remplace le motif [H-N-L-R] conservé dans les plantes sans bétalaïne et le motif [H-N-L-x] présent dans tous les homologues bactériens et archaebactériens. Une modélisation tridimensionnelle préliminaire du site actif de Pg DODA et de son homologue dans la mousse Physcomitrella patens a montré l'importance de ce motif spécifique aux bétalaïnes pour l'accessibilité du substrat au site actif. L'analyse phylogénétique de DODA a confirmé l'évolution séparée de cette protéine chez les plantes à bétalaïnes par comparaison avec celle des plantes sans bétalaïne. Nous avons donc conclu que les bétalaïnes sont apparues par modification de l'affinité pour un substrat d'enzymes similaires à DODA, chez un ancêtre unique des Caryophyllales qui a perdu toute capacité de biosynthèse des anthocyanes. Finalement, Pg DODA n'a aucune similarité avec la protéine DODA d' Amanita muscaria, bien que celle-ci complémente aussi la pigmentation des pétales blancs de Pg. La biosynthèse des bétalaïnes est un exemple remarquable de convergence évolutive biochimique indépendante entre espèces de règnes différents. ABSTRACT Betalains are violet and yellow chromo-alkaloid pigments present in plants belonging to the order Caryophyllales and also in the fungal genera Amanita and Hygrocybe. Their short biosynthetic pathway is chemically well understood since many years, but enzymes involved in the plant pathway are still uncharacterized. The DOPA-dioxygenase from Amanita muscaria was identified (Girod and Zryd, 1991a), but numerous attempts to identify a plant homologue to the corresponding gene, failed. In order to isolate betalain-specific genes in plants, subtractive cDNA libraries were built with total RNA from white and yellow and respectively, violet immature petals from Portulaca grandiflora (Pg) genotypes. Colour-specific clones were first detected by Northern blot analysis using RNA from white and coloured petals. Positive candidates were submitted to further transcription analysis in coloured, green stems and leaves in order to assess their specific expression. Two full-length mRNAs showed a correlated expression with betalain accumulation in tissues. One of them, A.16, encodes a putative acyl-Coenzyme A oxidase (ACX), but missing the FAD binding domain essential for the ACX activity. Thus, all attempts to demonstrate its function failed. The role of this protein in the betalain biosynthesis pathway, if any, is still unknown. The second betalain-specific mRNA, L.6 (isolated by Zaiko, 2000) shows a homology with a LigB domain (pfam02900) from a bacterial extradiol 4,5-dioxygenase. It was then renamed DODA (DOPA-dioxygenase). DODA was identified in silico as a highly conserved extradiol dioxygenase due to the strict conservation of its peptidic sequence with LigB catalytic residues and iron-binding cofactor residues. Southern blot analysis showed that this gene is a single copy-gene in Pg. Transient expression of DODA protein through biolistic transformation of Pg white petals produced violet or yellow spots in individual cells. HPLC analysis of these spots showed an identity with betalain pigments present naturally in yellow and violet Pg petals, thus confirming the complementation of the recessive cc allele present in Pg white petals by Pg DODA gene. DODA homologues were identified in numerous plant species including those without betalain. Alignment of these homologues allowed the identification of a betalain-specific pattern beside a highly conserved catalytic histidine. This [H-P-(S,A)-(N,D)-x-T-P] pattern replaces a [H-N-L-R] pattern strictly conserved in non-betalain plants and a [H-N-L-x] pattern present in all bacterial and archaebacterial homologues. Preliminary three-dimensional modeling of the active site of Pg DODA and its Physcomitrella patens moss homologue revealed the importance of this betalain-specific pattern for the substrate accessibility to the DODA active site. DODA phylogenetic analysis confirmed the separate evolution of this protein in betalain-producing plants. We conclude that betalain pigments appeared in a unique ancestor of the Caryophyllales order in which anthocyanin biosynthetic pathway was impaired, by a modification of enzymes of the DODA family for substrate affinity. The Pg DODA protein has no sequence similarity with Amanita muscaria DODA, despite the fact that they both complement Pg white petals for their pigmentation. Betalain biosynthesis is an interesting example of independent biochemical evolutionary convergence between species from different kingdoms.

Comparison between Radiographic (2-dimensional and 3-dimensional) and Histologic Findings of Periapical Lesions Treated with Apical Surgery.

INTRODUCTION: The aim of this study was to evaluate the concordance of 2- and 3-dimensional radiography and histopathology in the diagnosis of periapical lesions. METHODS: Patients were consecutively enrolled in this study provided that preoperative periapical radiography (PR) and cone-beam computed tomographic imaging of the tooth to be treated with apical surgery were performed. The periapical lesional tissue was histologically analyzed by 2 blinded examiners. The final histologic diagnosis was compared with the radiographic assessments of 4 blinded observers. The initial study material included 62 teeth in the same number of patients. RESULTS: Four lesions had to be excluded during processing, resulting in a final number of 58 evaluated cases (31 women and 27 men, mean age = 55 years). The final histologic diagnosis of the periapical lesions included 55 granulomas (94.8%) and 3 cysts (5.2%). Histologic analysis of the tissue samples from the apical lesions exhibited an almost perfect agreement between the 2 experienced investigators with an overall agreement of 94.83% (kappa = 0.8011). Radiographic assessment overestimated cysts by 28.4% (cone-beam computed tomographic imaging) and 20.7% (periapical radiography), respectively. Comparing the correlation of the radiographic diagnosis of 4 observers with the final histologic diagnosis, 2-dimensional (kappa = 0.104) and 3-dimensional imaging (kappa = 0.111) provided only minimum agreement. CONCLUSIONS: To establish a final diagnosis of an apical radiolucency, the tissue specimen should be evaluated histologically and specified as a granuloma (with/without epithelium) or a cyst. Analysis of 2-dimensional and 3-dimensional radiographic images alike results only in a tentative diagnosis that should be confirmed with biopsy.