Ses intérêts de recherche se situent principalement dans les secteurs de la pharmacothérapie cardiovasculaire et de la pharmacothérapie personnalisée. M. de Denus a publié plus de 100 articles et chapitres de livre, ainsi qu’une quarantaine de résumés.

Deux axes de recherches: D'une part, nous cherchons à mieux comprendre les mécanismes cellulaires et moléculaires gouvernant le remodelage cardiovasculaire dans l'hypertension et la réponse aux lésions vasculaires. Notre intérêt principal porte sur le contrôle de la croissance et de l'apoptose des cellules cardiovasculaires. D'autre part, nous cherchons à mieux comprendre le rôle du récepteur B1 des kinines dans les pathologies inflammatoires et la douleur.

Les anti-infectieux font partie des agents thérapeutiques les plus couramment utilisés. Le suivi thérapeutique pharmacologique (STP) associe la quantification des concentrations des médicaments dans le sang, l'interprétation pharmacologique et l'orientation thérapeutique. À l'ère de la médecine de précision et de l'émergence de la résistance aux antimicrobiens, le STP joue progressivement un rôle majeur dans l'optimisation des traitements. L’utilisation actuelle du STP des anti-infectieux est hétérogène, influencée par le contexte historique, les tests disponibles et dépend souvent de la culture locale.

Mon projet de recherche vise à développer un programme de STP et Pharmacocinétique des anti-infectieux. Ce programme se concentre plus spécifiquement sur l'amélioration de la qualité des soins dans les populations vulnérables (pédiatrie, unités de soins intensifs,…). Ce programme de recherche, subdivisé en quatre axes distincts et complémentaires, permettra le développement du STP de nombreux anti-infectieux non disponibles au Québec et au Canada et l’utilisation de modèles pharmacocinétique/pharmacodynamiques afin d’individualiser les posologies et d'optimiser la pharmacothérapie.

• Adaptation de la méthode basée sur le spectre de mesures à des systèmes poreux synthétiques et naturels.
• Mise au point de la version bi-dimensionnelle de la méthode de classification développée.
• Analyse de données pharmacocinétiques; stratégie globale de modélisation avec des applications spécifiques en pharmacocinétique.
• Analyse fractale: principes mathématiques et applications aux structures et signaux biologiques.

Intérêt clinique et de recherche en lien avec  les domaines de la pharmacotherapie aux soins intensifs: evaluation et traitement de la douleur, de l'agitation, et du délire. Plus récemment, un intérêt sur le syndrome de sevrage iatrogénique associé à un séjour aux soins intensifs et une exposition prolongée à des opioïdes et des sedatifs  et ses modalités d'évaluations, de facteurs de risque, de prévention et de traitement.

Intérêts et objectifs de recherche

• Modélisation mathématique de pathologies pour informer la genèse et les possibilités de traitements
• Amélioration des méthodes d’analyse de type pharmacocinétique de population (analyses popPK) par l’incorporation de méthodes d’apprentissage automatique. L’objectif est d’automatiser le processus de sélection de modèle et de fournir une plus grande flexibilité de modélisation.
• Virologie : du VIH dans le but d’étudier l’impact des traitements antirétroviraux au virus Epstein-Barr et son rôle dans l’établissement de la sclérose en plaque
• Immunologie : étudier la réponse immunitaire et les traitements qui ont pour but de stimuler cette réponse face à une pathologie
• Application des techniques de l’apprentissage automatique pour mettre à profit les grandes banques de données et informer des systèmes biologiques et pharmacologiques complexes

Expertise

J’ai acquis des connaissances dans divers domaines de la santé. J’ai travaillé sur des projets portant sur l’épidémiologie (COVID-19), l’épidémiologie clinique (utilisation de l’urgence), la virologie (SARS-CoV-2 et VIH), l’immunologie (réponse immunitaire à une attaque virologique), la pharmacologie (analyse de type popPK, analyse de pharmacologie des systèmes ou QSP) et la psychologie (stress post-traumatique). La grande diversité des domaines reflète ma grande curiosité et démontre ma capacité à m’adapter à divers problèmes du domaine de la santé.

Dans tous les projets, j’ai mis à profit mon expertise en modélisation mathématique et statistique ainsi qu’en apprentissage automatique.

La combinaison de la modélisation mathématique, de données et de la théorie d'inférence statistique est particulièrement puissante. L'exemple le plus connu est l'analyse popPK. Typiquement, ce genre d’analyse utilise des données de concentrations plasmatiques de médicament afin d’informer un modèle mathématique de la pharmacocinétique exprimé par un système d’équations différentielles. Comme pour beaucoup de phénomènes, il est plus facile d’exprimer le système à partir de la vitesse des processus impliqués, de là les différentielles par rapport au temps. Ainsi les équations de modèles pharmacocinétiques décrivent le lien entre concentrations et la vitesse à laquelle le médicament est absorbé par l’organisme, distribué et éliminé de l’organisme. Une intégration (souvent numérique) du système d’équations permet d’émettre des prédictions de concentrations plasmatiques. Augmenté d’un modèle représentant l’erreur (modèle statistique), il est alors possible d’estimer les paramètres du modèle et d’évaluer son adéquation en le confrontant aux observations. Le modèle étant semi-mécanistique, il est possible d’effectuer des prédictions de concentrations sous de nouvelles conditions. Par exemple, il est possible d’utiliser des relations allométriques pour ajuster les paramètres d’un modèle pharmacocinétique et ainsi prédire les concentrations chez la population pédiatrique à partir de données obtenues chez l’adulte.

En fait, pratiquement tout phénomène se prête à la modélisation, qu’il implique des processus déterministes, stochastiques (e.g. l’occurrence de phénomènes aléatoires qui change la dynamique du système) ou une combinaison des deux. Ainsi j’ai pu modéliser l’épidémiologie de la COVID-19 en étudiant la migration des cas grâce à un processus de comptage.  J’ai également étudié l’activation de cellules en latence mais infectées par le VIH (phénomène rare et d’apparence aléatoire) par un modèle mathématique et la filtration de particules (e.g. POMP) pour estimer les paramètres des processus stochastiques.

J’ai également eu l’occasion d’utiliser plusieurs méthodes d’apprentissage automatique (machine learning). Dans un contexte de prédiction, l’apprentissage automatique apprend une fonction (relie des variables d’entrées à une sortie) depuis les données, alors que la modélisation mathématique mécaniste encode des lois pour expliquer les phénomènes (définit la fonction a priori). Par contraste avec la modélisation mathématique, l’apprentissage automatique est performant en interpolation mais est souvent moins interprétable et moins robuste hors domaine.  J’ai appliqué des méthodes d’apprentissages automatiques dans divers contextes tels que les régressions par splines, les forêts aléatoires, les réseaux de neurones (MLP, LSTM), et la régression k-nn. La portée générale de l’apprentissage automatique est énorme et je continue d’approfondir mes connaissances au quotidien.

Pharmacien expert en maladies infectieuses, antibiogouverance, et pharmacométrie. A completé la formation de B.Pharm. et M.Sc. à la Faculté de pharmacie de l'Université de Montréal, puis un PharmD de 3e cycle à Wayne State University à Detroit, suivi d'une formation spécialisée en maladies infectieuses à UCSF. Pratique active au Centre universitaire de santé McGill en pharmacocinétique et en antibiogouvernance. Enseignement en maladies infectieuses, microbiologie médicale, soins pharmaceutiques - pharmacocinétique - pharmacothérapie en maladies infectieues, antibiogouvernance dans les programmes de 1er à 3e cycle de la Faculté de pharmacie. Recherche orientée sur l'impact des interventions sur la résistance aux antibiotiques et l'usage optimale des anti-infectieux. Récipiendaire de prix d'excellence dans l'ensemble des sphères de travail.