Modélisation pharmacocinétique et médecine personnalisée
Notre groupe de recherche développe des outils innovants de modélisation mécanistique et data-driven pour personnaliser les traitements. Nous combinons des données multi-sources et multi-échelles (génomique, pharmacocinétique, protéomique, etc.) pour mieux comprendre et prédire la réponse des patients aux médicaments. Nous utilisons deux types de modèles principaux : les modèles pharmacocinétiques qui décrivent l’absorption, distribution, métabolisme et excrétion des médicaments dans le corps, et les modèles de machine learning qui permettent de prendre en compte des relations complexes et non linéaires entre les données. Ces approches permettent de simuler l’effet d’un traitement, de personnaliser les doses, et d’ajuster la stratégie thérapeutique en fonction de la réponse individuelle du patient, avec des applications dans la transplantation, les maladies infectieuses, et d’autres domaines. Notre objectif est d’optimiser la balance bénéfice-risque pour chaque patient à travers une médecine personnalisée.
Jean-Baptiste Woillard
Responsable
Notre équipe développe des outils pour personnaliser les traitements en combinant modélisation pharmacocinétique et machine learning. La modélisation pharmacocinétique étudie comment un médicament est absorbé, distribué et éliminé par le corps, ce qui nous permet de mieux comprendre son comportement.
Le machine learning entre en jeu pour analyser les relations complexes et non linéaires entre différentes données, comme la génomique, les concentrations de médicaments et les réponses thérapeutiques. En utilisant ces techniques, nous pouvons prédire de manière plus précise la réponse d’un patient à un traitement.
Cette approche aide les médecins à :
- Avant le traitement : Choisir le médicament et la dose optimale, en tenant compte du profil individuel du patient.
- Pendant le traitement : Ajuster la stratégie thérapeutique en fonction des nouvelles données et de la réponse du patient.
Ces méthodes sont appliquées dans des domaines clés, comme la transplantation et les maladies infectieuses.
Notre objectif est de rendre les soins médicaux plus précis et efficaces, en offrant des traitements sur mesure tout en réduisant les effets secondaires.
|
La pharmacologie translationnelle vise à appliquer les découvertes de la pharmacologie moléculaire jusqu’à la pratique clinique, afin d’optimiser le choix des médicaments, leur posologie et leur balance bénéfice-risque. Elle utilise les connaissances issues des modèles moléculaires, omiques et pharmacocinétique ou pharmacocinétique/pharmacodynamique pour améliorer les traitements chez les patients. Deux éléments clés de cette discipline sont : (i) l’interaction entre les médicaments et leurs cibles, à la fois à l’échelle microscopique (inhibition moléculaire) et macroscopique (effet thérapeutique ou indésirable), et (ii) la concentration du médicament dans les tissus et le sang, influencée par des facteurs comme la génétique, l’inflammation, ou les interactions médicamenteuses. |
 |
Ces piliers posent des défis méthodologiques qui nécessitent des approches de modélisation mécanistique et statistique, notamment par l’utilisation de l’intelligence artificielle. L’intégration des données longitudinales et des facteurs de variabilité dépendants du temps est complexe, d’autant que les communautés de recherche restent segmentées entre différentes échelles et types de modèles (pharmacologie moléculaire, tissulaire, clinique).
Le projet propose de structurer cette approche, aboutissant à la création de jumeaux numériques pharmacologiques. Ces modèles prédictifs seront utilisés pour personnaliser les traitements avant et pendant leur administration. Les domaines d’application incluent la transplantation, les maladies infectieuses et l’oncologie.