 | Voici un résumé en français des travaux : L’utilité de la modélisation mathématique des systèmes physiologiques et de leurs réponses aux médicaments ne fait plus de doute. Toutefois, la représentation des patients soumis à des traitements de plus en plus complexes constitue un défi dans le recrutement de participants au nombre grandissant d’études cliniques nécessaires. Pour y remédier, la génération de populations virtuelles, combinée à des modèles de pharmacologie quantitative des systèmes (QSP), est de plus en plus adoptée par les compagnies pharmaceutiques et valorisée par les agences réglementaires comme méthode alternative pour l’évaluation des risques et efficacité des médicaments. Cependant, la complexité de ces modèles et le grand nombre de paramètres qu’ils mobilisent, généralement dans un contexte de manque d’information ou de données, soulèvent la question de la non-identifiabilité structurelle (reliée au modèle) ou pratique (reliée aux données) comme source potentielle pouvant altérer la qualité des prédictions. Cet article présente une perspective qui confronte la gestion de la non-identifiabilité aux enjeux liés à la classification des populations virtuelles et à leurs signatures paramétriques. Pour ce faire, nous avons mis de l’avant un formalisme à triple composante, qui au-delà des caractéristiques des patients et des biomarqueurs pré-traitement, incluent une troisième composante qui enrichit la génération d’une population virtuelle par sa soumission à un large éventail de protocoles thérapeutiques, et avons développé un algorithme permettant d’identifier des sous-populations virtuelles au moyen d’un filtrage guidé par le phénotype. Cette approche garantit que les patients qui répondent de la même manière à tous les stimuli portent la même étiquette (phénotype) et détermine la signature de chaque groupe de patients associé à un phénotype donné, permettant ainsi de tirer profit de modèles QSP même dans un contexte de non-identifiabilité.
Ce travail a été réalisé en collaboration avec Dr. Didier Zugaj, Chercheur chez Syneos Health (partenaire industriel). |
