Les changements dans les données, depuis la population d'animaux sauvages jusqu'aux niveaux d'anxiété, peuvent constituer un signal d'alarme précoce indiquant qu'un système atteint un seuil critique, appelé point de bascule, dans lequel ces changements peuvent s'accélérer, voire devenir irréversibles.

Mais quels sont les points de données les plus importants ? Et lesquels ne sont que du bruit ?

Un nouvel algorithme développé par des chercheurs de l’Université de Buffalo peut identifier les points de données les plus prédictifs à proximité d’un point de basculement. Détaillé dans Nature Communications , ce cadre théorique utilise la puissance des équations différentielles stochastiques pour observer la fluctuation des points de données, ou nœuds, puis déterminer lesquels doivent être utilisés pour calculer un signal d'alerte précoce.

Les simulations ont confirmé que cette méthode était plus précise pour prédire les points de bascule théoriques que la sélection aléatoire de nœuds.

"Chaque nœud est quelque peu bruyant - en d'autres termes, il change avec le temps - mais certains peuvent changer plus tôt et de manière plus radicale que d'autres lorsqu'un point de bascule est proche. La sélection du bon ensemble de nœuds peut améliorer la qualité du signal d'alerte précoce, car et nous aider à éviter de gaspiller des ressources en observant des nœuds non informatifs », déclare l'auteur principal de l'étude, Naoki Masuda, Ph.D., professeur et directeur des études supérieures au département de mathématiques de l'UB, au sein du Collège des arts et des sciences.

L'étude a été co-écrite par Neil Maclaren, associé de recherche postdoctoral au Département de mathématiques, et Kazuyuki Aihara, directeur exécutif du Centre international de recherche sur la neurointelligence de l'Université de Tokyo.

Signaux d'avertissement connectés via des réseaux

L’algorithme est unique dans le sens où il intègre pleinement la science des réseaux dans le processus. Alors que les signaux d'alerte précoce ont été appliqués à l'écologie et à la psychologie au cours des deux dernières décennies, peu de recherches se sont concentrées sur la manière dont ces signaux sont connectés au sein d'un réseau, explique Masuda.

Pensez à la dépression. Des recherches récentes l'ont considéré, ainsi que d'autres troubles mentaux, comme un réseau de symptômes s'influençant mutuellement en créant des boucles de rétroaction. Une perte d'appétit pourrait entraîner l'apparition de cinq autres symptômes dans un avenir proche, selon la proximité de ces symptômes sur le réseau.

"En tant que scientifique des réseaux, j'ai pensé que la science des réseaux pourrait offrir une approche unique, voire améliorée, des signaux d'alerte précoce", explique Masuda.

En considérant minutieusement les systèmes comme des réseaux, les chercheurs ont découvert que la simple sélection des nœuds présentant les fluctuations les plus élevées n'était pas la meilleure stratégie. En effet, certains nœuds sélectionnés peuvent être trop étroitement liés à d'autres nœuds sélectionnés.

"Même si nous combinons deux nœuds avec de bons signaux d'alerte précoce, nous n'obtenons pas nécessairement un signal plus précis. Parfois, combiner un nœud avec un bon signal et un autre nœud avec un signal de qualité moyenne nous donne en fait un meilleur signal", Masuda dit.

Bien que l'équipe ait validé l'algorithme avec des simulations numériques, elle affirme qu'il peut facilement être appliqué à des données réelles car il ne nécessite pas d'informations sur la structure du réseau elle-même; il suffit de deux états différents du système en réseau pour déterminer un ensemble optimal de nœuds.

"Les prochaines étapes consisteront à collaborer avec des experts du domaine tels que des écologistes, des climatologues et des médecins pour développer et tester davantage l'algorithme avec leurs données empiriques et mieux comprendre leurs problèmes", explique Masuda.