Prédire les liens manquants dans les réseaux trophiques en utilisant des modèles empilés et les traits des espèces

Pourquoi deviner les chaînes alimentaires cachées importe

Les écologistes représentent souvent la nature comme un réseau de « qui mange qui », des minuscules micro-organismes du sol aux prédateurs marins. Mais même les meilleurs réseaux trophiques comportent des lacunes : de nombreuses relations alimentaires réelles ne sont jamais observées. Cet article montre comment une approche moderne d’apprentissage automatique, appelée empilement de modèles, peut utiliser les schémas d’interactions connus ainsi que des informations simples sur les espèces — comme la masse corporelle et le mode de vie — pour prédire quelles connexions manquantes sont les plus probablement réelles. De meilleures hypothèses sur les liens cachés peuvent affiner notre compréhension de la stabilité des écosystèmes et aider à concentrer le travail de terrain limité sur les interactions les plus informatives.

De la nature désordonnée aux diagrammes en réseau

Les réseaux trophiques transforment les écosystèmes en réseaux : les espèces sont des nœuds et des flèches indiquent qui mange qui. En pratique, collecter chaque lien alimentaire est presque impossible. Les observations sont laborieuses, les événements rares se manquent facilement, et le nombre de liens possibles croît bien plus vite que le nombre d’espèces. Les outils traditionnels de prédiction de liens issus des réseaux sociaux fonctionnent assez bien, mais ils négligent généralement des caractéristiques clés des réseaux trophiques : les flèches alimentaires ont une direction (de la proie vers le prédateur), les traits des espèces limitent les interactions écologiquement plausibles, et la plupart des réseaux présentent une forte hiérarchie allant des plantes aux prédateurs sommets. Les auteurs adaptent donc l’empilement — une technique qui apprend à combiner de nombreuses règles prédictives simples — spécifiquement aux réalités des réseaux trophiques.

Apprendre au algorithmes le bon sens écologique

Le modèle empilé combine des dizaines de prédicteurs structurels, qui ne s’appuient que sur le schéma de qui mange qui, avec des prédicteurs basés sur les traits qui utilisent des propriétés des espèces comme la masse corporelle, le mode de déplacement et le type métabolique. Les règles structurelles incluent, par exemple, si deux espèces partagent de nombreux voisins dans le réseau ou à quel point elles sont centrales. Les auteurs révisent ces règles pour respecter le flux d’énergie le long de la chaîne alimentaire : au lieu de fermer des triangles non orientés, leur motif de « voisins communs écologiquement pertinents » se concentre sur des motifs qui ressemblent à des chaînes alimentaires réalistes. Les règles basées sur les traits captent à la fois la similarité et le contraste. Certains traits, comme l’habitat, favorisent les interactions entre espèces similaires, tandis que d’autres, comme le niveau trophique, favorisent des liens entre partenaires dissemblables. Des mesures de distance entre profils de traits, et en particulier des rapports de masses corporelles, permettent au modèle d’exploiter à la fois des schémas d’assortativité et de disassortativité.

Mettre la méthode à l’épreuve

Pour vérifier si l’empilement apprend réellement à utiliser la structure et les traits, l’équipe a d’abord construit des réseaux trophiques artificiels régis par des règles connues. Ils ont mélangé des réseaux où les liens dépendent uniquement d’une structure de groupes cachés avec des réseaux où les liens sont entièrement déterminés par les traits des espèces. Dans ces tests contrôlés, un modèle fondé uniquement sur la structure a excellé lorsque les traits étaient sans importance, et un modèle fondé uniquement sur les traits a excellé lorsque les traits dominaient. De manière cruciale, le modèle empilé complet a performé aussi bien que le meilleur modèle spécialisé dans chaque cas extrême, et mieux que chacun dans les situations mixtes. Cela montre que, sans connaître les règles véritables, l’empilement peut découvrir quelle importance accorder à la structure versus aux traits pour chaque réseau.

Comment les réseaux réels révèlent leurs secrets

Les auteurs ont ensuite appliqué la méthode à une collection mondiale de 290 réseaux trophiques empiriques provenant de lacs, ruisseaux, océans et habitats terrestres, au-dessus et en dessous du sol, chacun annoté avec un petit ensemble de traits. À travers ce corpus diversifié, les trois types de modèles — uniquement structure, uniquement traits, et complet — ont tous distingué bien mieux que le hasard les liens manquants réels des absences réelles. En moyenne, le modèle complet atteignait une discrimination quasi parfaite, devançant légèrement le modèle purement structurel et battant clairement le modèle basé uniquement sur les traits. Pourtant, dans environ un cas sur dix, un modèle plus simple utilisant seulement les traits ou seulement la structure était le meilleur, soulignant que différents écosystèmes codent différemment leurs règles d’interaction. Le classement interne des caractéristiques du modèle empilé met en évidence une poignée de prédicteurs particulièrement informatifs : des mesures liées aux consommateurs et ressources généralistes, des règles de type voisin le plus proche qui empruntent des partenaires à des espèces similaires, des résumés de faible rang du réseau, et des rapports de masse corporelle entre consommateur et proie.

Quand et où la prédiction fonctionne le mieux

Parce que le jeu de données couvre de nombreux écosystèmes, les auteurs ont pu s’interroger sur ce qui rend un réseau trophique plus facile à prédire. Les réseaux plus grands, plus densément connectés, avec une meilleure résolution taxonomique et une moindre compartimentation avaient tendance à donner une précision plus élevée, probablement parce qu’ils fournissent au modèle plus de signaux structurels à apprendre. Les réseaux terrestres souterrains, comme les communautés du sol, étaient les plus faciles à prédire, tandis que les réseaux marins et terrestres aériens étaient un peu plus difficiles. L’utilité relative des traits par rapport à la structure variait aussi selon le type d’écosystème, la taille corporelle jouant un rôle particulièrement marqué dans les systèmes marins. Ces différences suggèrent des contrastes écologiques plus profonds dans la manière dont les interactions sont organisées selon les environnements.

Ce que cela implique pour la compréhension des écosystèmes

Pour les non-spécialistes, le message clé est que, même avec des données partielles et bruitées, il est désormais possible de reconstruire avec une grande confiance des parties invisibles des réseaux écologiques. En combinant intelligemment de nombreux indices structurels simples avec quelques traits largement mesurés, le modèle empilé peut non seulement compléter les liens alimentaires manquants les plus probables, mais aussi révéler quelles caractéristiques — comme la taille corporelle ou le comportement généraliste — façonnent le plus fortement qui mange qui. Cela ouvre la voie à des enquêtes sur le terrain plus efficaces, à des tests plus précis des théories écologiques et, à terme, à de meilleures prévisions de la façon dont les écosystèmes pourraient réagir à la disparition d’espèces ou aux changements environnementaux.

Citation: Van Kleunen, L.B., Dee, L.E., Wootton, K.L. et al. Predicting missing links in food webs using stacked models and species traits. Nat Commun 17, 2298 (2026). https://doi.org/10.1038/s41467-026-68769-7

Mots-clés: réseaux trophiques, traits des espèces, prédiction de liens, réseaux écologiques, apprentissage automatique