Anna Zhukova
Modelling of Pathogens : Evolution, Adaptation and Spread
C’est une équipe mixte entre l’IBENS et l’Institut Pasteur.
But : Comprendre les moteurs de la pathogénicité virale et bactérienne, leur évolution et leur propagation, en utilisant les données génomiques des pathogènes.
Contexte : Les épidémies émergentes et réémergentes constituent une menace croissante pour la santé publique. Le changement climatique et les mouvements humains contribuent à la propagation des maladies infectieuses. Comprendre les moteurs de la pathogénicité virale et bactérienne, leur évolution et leur propagation est une tâche urgente qui reste à accomplir.
Grâce aux progrès récents du séquençage des génomes, des millions de génomes d’agents pathogènes sont désormais disponibles. Une pléthore de métadonnées (lieux d’échantillonnage, historique des traitements, etc.) est générée en même temps. Nous développons des méthodes informatiques qui intègrent les métadonnées et les données de séquençage pour déduire l’histoire spatio-temporelle et les facteurs de propagation des agents pathogènes, identifier les tendances épidémiques actuelles (par exemple, les clusters résistants aux médicaments) et estimer les paramètres épidémiologiques (par exemple, Re), ce qui peut éclairer les politiques de santé. En collaboration avec des virologues et des épidémiologistes, nous appliquons ces méthodes pour étudier la propagation du VIH, du Zika, du choléra, du SARS-CoV-2, de la rage et d’autres agents pathogènes.
Axes principales de la recherche : Notre objectif est de développer un cadre méthodologique, combinant la modélisation métabolique et la phylogénétique (phylodynamique, phylogéographie), applicable à de grands ensembles de données de séquences de pathogènes, et exploitant les métadonnées pour informer les analyses. Il s’articulera autour de trois axes principaux : (1) la reconstruction d’arbres phylogénétiques pour de grands ensembles de données génomiques hétérogènes de pathogènes ; (2) l’estimation des paramètres épidémiologiques et de l’histoire spatio-temporelle de la propagation des pathogènes à partir des arbres phylogénétiques ; (3) la reconstruction de modèles de réseaux métaboliques microbiens inconnus et ancestraux à l’aide des relations évolutives entre les espèces dans les arbres phylogénétiques.
Rejoignez-nous ! Si vous souhaitez effectuer un stage, un doctorat ou un projet postdoctoral sur la phylodynamique des pathogènes, la phylogéographie ou la modélisation métabolique avec nous, veuillez contacter Anna Zhukova.
1. Zhukova, A., & Gascuel, O. (2025). Accounting for contact tracing in epidemiological birth-death models. PLOS Computational Biology, 21 (5), e1012461. doi :0.1371/journal.pcbi.1012461
2. Xie, R., Adam, D. C., Hu, S., Cowling, B. J., Gascuel, O., Zhukova, A., & Dhanasekaran, V. (2024). Integrating contact tracing data to enhance outbreak phylodynamic inference : a deep learning approach. Molecular Biology and Evolution, msae232. doi :10.1093/molbev/msae232
3. Zhukova, A., Hecht, F., Maday, Y., & Gascuel, O. (2023). Fast and Accurate Maximum-Likelihood Estimation of Multi-Type Birth–Death Epidemiological Models from Phylogenetic Trees. Systematic Biology, syad059. doi :10.1093/sysbio/syad059
4. Holtz , A., Baele, G., Bourhy, H., & Zhukova, A. (2023). Integrating full and partial genome sequences to decipher the global spread of canine rabies virus. Nature Communications, 14 (1), 4247. doi :10.1038/s41467-023-39847-x
5. Voznica, J., Zhukova, A., Boskova, V., Saulnier, E., Lemoine, F., Moslonka-Lefebvre, M., & Gascuel, O. (2022). Deep learning from phylogenies to uncover the epidemiological dynamics of outbreaks. Nature Communications, 13 (1), 3896. doi :10.1038/s41467-022-31511-0
6. Ishikawa, S. A., Zhukova, A., Iwasaki, W., & Gascuel, O. (2019). A fast likelihood method to reconstruct and visualize ancestral scenarios. Molecular biology and evolution, 36 (9), 2069–2085. doi :10.1093/molbev/msz131
