SISTM

L’équipe est organisée autour de trois axes partageant un objectif commun. Elle est embarquée dans un double défi de développement de méthodes pour traiter des données de haute dimension avec un échantillon de faible taille et une application principale pour accélérer le développement de vaccins.

Ainsi, dans l’axe 1, les informations pertinentes sont extraites des big data. Ces informations sont utilisées pour estimer les paramètres des modèles mécanistes dans l’axe 2. Les modèles mécanistes peuvent ensuite être utilisés pour simuler les stratégies optimales de vaccination à évaluer dans les prochains essais cliniques.

Axe 1 Apprentissage statistique à haute dimension

• Débloquer l’analyse de données longitudinales de haute dimension en développant des approches statistiques appropriées, en particulier pour les applications aux données à haut débit (par exemple, microbiome, transcriptome, cytomique) générées dans les essais de vaccins.
• Tirer parti des connaissances biologiques antérieures et les incorporer formellement dans des modèles statistiques afin de s’attaquer au cadre des petits n grands p, l’une des caractéristiques des essais de vaccins en phase initiale.
• Faire progresser les méthodes de regroupement adaptatif de données hautement dimensionnelles dans des contextes supervisés et non supervisés, en particulier pour déduire les proportions de la population cellulaire à partir des mesures de l’expression des gènes et également pour identifier les gènes dont l’expression est essentielle pour segmenter les mesures transcriptomiques entre les bras de vaccins ou la gravité de la maladie, par exemple.
• Effectuer une sélection de caractéristiques et une réduction de la dimension des données moléculaires et cellulaires de haute dimension, comme première étape pour introduire ces informations dans des modèles mécanistes.

Axe 2 : Apprentissage mécaniste

• Déduire les paramètres des systèmes d’équations différentielles ordinaires (ODE) en utilisant des données de haute dimension. Nous tenons compte des marqueurs multiples mesurés avec des erreurs, de la rareté de l’échantillonnage des données et de la variabilité interindividuelle en utilisant des modèles non linéaires à effets mixtes.
• Comparer et mettre en œuvre des stratégies de contrôle à travers diverses approches appartenant au contrôle statistique, au contrôle stochastique et à l’apprentissage par renforcement.

Axe 3 – Vaccination translationnelle

• Accélérer le développement de vaccins par des essais in silico.
• Accélérer le développement de vaccins par de nouvelles conceptions adaptatives.
• Accélérer le développement de vaccins par une analyse approfondie des données générées lors des premiers essais cliniques.

Les applications sont réalisées en collaboration avec le Vaccine Research Institute (VRI), d’autres équipes du centre ainsi que l’Unité de Soutien Méthodologique à la Recherche Clinique et Epidémiologique (USMR) du CHU de Bordeaux.