SISTM

En s’appuyant sur des connaissances biologiques extérieures, l’extraction d’informations pertinentes à partir de données omiques permet d’identifier un signal qui est ensuite intégré dans des modèles mécanistes afin d’en estimer les paramètres. Ces modèles peuvent ensuite orienter les stratégies vaccinales optimales à évaluer dans les prochains essais cliniques. De tels essais in silico, permettant alors de concevoir des essais cliniques optimisés avec des stratégies personnalisées, génèrent à leur tour de nouvelles données qui nécessitent et alimentent de nouveaux développements méthodologiques tels que ceux mentionnés précédemment.

L’équipe est structurée en trois axes de recherche axés autour de ces objectifs communs :

L’axe “Apprentissage statistique en grande dimension” a pour objectifs de

• Permettre l’analyse de données longitudinales à haute dimension en développant des approches statistiques adaptées, en particulier pour les applications aux données à haut débit longitudinales (par exemple, microbiome, transcriptome, cytomique) générées dans les essais vaccinaux précoces.
• Exploiter les connaissances biologiques antérieures et les intégrer formellement dans les modèles statistiques pour traiter la configuration de petit n grand p, caractéristique des petits échantillons dans les essais vaccinaux de phase précoce.
• Améliorer les approches de clustering applicables aux données de grande dimension tant dans des contextes supervisés que non-supervisés, en particulier pour inférer les proportions de populations cellulaires à partir des mesures d’expression génique, et également pour identifier les gènes dont l’expression est clé pour expliquer la segmentation à partir des mesures transcriptomiques entre différents bras de traitement ou en fonction de la sévérité de la maladie, par exemple.
• Effectuer la sélection de variables et la réduction de dimension des données moléculaires et cellulaires de grande dimension en fonction de leur potentiel en tant que marqueur de substitution et à l’aide des connaissances biologiques antérieures, comme première étape pour alimenter des modèles mécanistes de la réponse vaccinale avec ces informations supplémentaires.

L’axe “Modélisation mécanistique” a pour objectifs de :

• Développer des méthodes d’inférence statistique des paramètres de modèles d’équations différentielles en population.
• Utiliser l’intelligence artificielle pour la modélisation hybride et inférer des mécanismes inconnus.
• Modéliser les dynamiques immunologiques et virologiques intra-hôtes à partir d’observations individuelles.
• Modéliser les dynamiques épidémiques inter-hôtes en population.
• Utiliser les modèles mécanistiques comme plateforme in silico pour l’exploration de scénarios contrefactuels avec des applications dans la mise en œuvre de stratégies de contrôle en médecine personnalisée.

L’axe “Vaccinologie translationnelle et design” a pour objectifs de :

• Faciliter le partage sécurisé de données, l’intégration et l’analyse dans les projets de recherche clinique collaborative sur les vaccins.
• Accélérer le développement des vaccins par une analyse approfondie des données générées lors des premiers essais cliniques.
• Concevoir les prochains essais avec le développement de nouveaux design adaptatifs, en collaboration avec des immunologistes et des cliniciens.

Tout ce travail est réalisé en collaboration avec nos partenaires de l’Institut de Recherche en Vaccinologie (VRI), la plateforme EUCLID/ANRS-MIE CMG, l’UMS MART et l’Hôpital de Bordeaux.

La recherche menée par l’équipe SISTM est financée par une combinaison de programmes nationaux, européens et internationaux, ainsi que de partenariats public-privé. SISTM est impliqué dans deux axes du programme 1 du PEPR Santé Numérique (SMATCH ; AI4scMed). L’équipe sécurise également un financement européen majeur en tant que partenaire dans des programmes tels qu’Horizon Europe (SOLVE ; IP-CURE-B), IMI2 (CARE) et EDCTP2 (PREVAC-UP, ASCENT), qui soutiennent la modélisation statistique et l’analyse de données pour la recherche sur les vaccins. Les collaborations internationales, notamment avec CEPI (MUSICC), UT Austin (RISE), la Rand Corporation (DESTRIER) et des partenaires latino-américains (MATH AmSud), renforcent davantage l’innovation méthodologique. L’équipe collabore également avec des partenaires industriels tels que Johnson & Johnson, Gilead et Ipsen pour la conception et l’analyse des essais cliniques.