Les modèles mathématiques peuvent aider les médecins à estimer l'efficacité d'un médicament chez un patient particulier, et donc quel médicament sera le plus efficace.
Prescrire le bon médicament est souvent un véritable défi pour un médecin. Un médicament contre le cancer ou l'hypercholestérolémie ne fonctionne qu'à un moment donné dans un enchevêtrement d'interactions dans notre corps. De plus, notre métabolisme diffère subtilement d'une personne à l'autre. Par conséquent, chaque patient peut réagir différemment à un traitement.
Les algorithmes que j'ai développés dans mon doctorat peuvent être utilisés pour générer une formule qui peut aider la médecine personnalisée. Cette formule vous donne les données du patient et une description du médicament. Le résultat est une prédiction indiquant si ce médicament aura un effet sur ce patient particulier ou non.
Le principe des méthodes discutées dans ma thèse est assez simple. Tout d'abord, un grand ensemble de données est collecté. Ces données sont une longue liste d'échantillons de patients, quels médicaments ils ont pris et si ces médicaments étaient efficaces ou non. Ensuite, les algorithmes que j'ai développés essaient de trouver une fonction qui décrit bien ces données. Ce processus est appelé "apprentissage par paires". C'est un cas particulier du machine learning, lui-même une branche de l'intelligence artificielle.
Les techniques décrites ici pour la médecine personnalisée ne sont essentiellement pas si différentes des techniques que Netflix utilise pour recommander des films et des séries en fonction de vos habitudes de visionnage. De grandes entreprises telles que Google, Netflix et Amazon utilisent le "big data" pour créer des systèmes dits de recommandation :des modèles qui peuvent estimer quel produit vous convient.
Ce que vous devez normalement faire pendant des semaines sur un supercalculateur peut maintenant être fait en quelques secondes sur un ordinateur portable
Ce qui rend les questions biologiques telles que la médecine personnalisée tellement plus intéressantes que ce que font les grandes entreprises technologiques, c'est qu'il s'agit de problèmes beaucoup plus complexes. En principe, il est possible de construire un modèle de médecine personnalisée basé, par exemple, sur l'ensemble du génome (toute l'information génétique d'un individu). En pratique, il est pratiquement impossible de résoudre un problème aussi difficile sur la seule base de telles données brutes. Cela n'est possible que si les connaissances spécialisées des médecins et des biologistes peuvent être ajoutées au modèle en plus des données. Par exemple, on sait que certaines enzymes du foie sont principalement responsables de la vitesse à laquelle le corps décompose un médicament. Ce n'est qu'en combinant les résultats d'années de recherche avec de grands ensembles de données que les principaux problèmes biologiques seront résolus.
Travailler avec de grands ensembles de données entraîne des défis proportionnellement importants. Supposons que nous combinions les informations de dix mille patients avec celles d'un millier de médicaments (ce qui serait un ensemble de données relativement petit), nous obtenons un tableau avec dix millions de valeurs ! Dans ma thèse, j'ai développé plusieurs algorithmes pour gérer cela. En appliquant certaines astuces de l'algèbre linéaire, le temps de calcul n'est proportionnel qu'au nombre de patients et de médicaments (milliers), au lieu du nombre d'interactions (millions). Ce que vous devez normalement faire sur un superordinateur pendant des semaines peut maintenant être fait en quelques secondes sur un ordinateur portable.
Si le médecin utilise un modèle mathématique pour choisir le meilleur médicament, il est pour le moins intéressant de connaître la fiabilité de ce modèle. L'estimation de la fiabilité est plus difficile pour l'apprentissage par paires que pour les modèles actuels. En effet, cela dépend de la façon dont le modèle est utilisé. Le médecin veut-il recommander un médicament connu à un nouveau patient ou voir si un nouveau médicament sera efficace chez un patient ? J'ai développé plusieurs formules dans lesquelles le même modèle pouvait être construit des milliers ou des millions de fois à la vitesse de l'éclair. Pour chacun de ces nombreux modèles, une petite donnée différente n'a jamais été utilisée. Les éléments de données qui ne sont pas utilisés à chaque fois servent ensuite à faire une estimation juste de la façon dont cette fonction fonctionne sur de nouvelles données.
La médecine personnalisée n'est qu'un des domaines où l'apprentissage par paires peut être appliqué. Des problèmes d'accouplement intéressants se posent également dans la cuisine. Vous pouvez savoir si deux ingrédients vont ensemble en termes de goût dans un plat sur la base d'une série de recettes. Par exemple, des algorithmes informatiques peuvent être utilisés pour découvrir de nouvelles combinaisons de saveurs auxquelles vous n'oseriez pas penser en tant qu'être humain. Glace au café avec sauce au chocolat et poudre d'ail ? Plus délicieux que vous ne le pensez.
Aujourd'hui, je recherche comment l'apprentissage par paires peut être utilisé pour comprendre comment les animaux, les plantes et les micro-organismes interagissent les uns avec les autres. Le changement climatique fait disparaître de nombreuses espèces tandis que d'autres prennent leur place. Par exemple, la mutation des insectes fait que certaines plantes ne sont pas pollinisées ou que des espèces comme les bourdons ne trouvent plus de nourriture. Le réseau complexe entre les plantes et les insectes est responsable de la majeure partie de notre nourriture, ces interactions sont donc très importantes pour nous en tant qu'humains.
Développer des algorithmes qui apprennent par paires est un domaine de recherche très enrichissant car il mène à de nombreuses applications passionnantes. Bien que mes recherches tournent essentiellement autour de concepts abstraits tels que les matrices, les graphes et les hyperplans, ils sont utilisés pour décrire des choses très concrètes telles que notre santé, le comportement des animaux, des plantes et des micro-organismes et notre alimentation. C'est là que réside le pouvoir des mathématiques :c'est un moyen exact de mieux comprendre le monde qui nous entoure.
Pour ses recherches sur les modèles mathématiques pour la médecine personnalisée, Michiel Stock (sciences de la bio-ingénierie, UGent) a été nominé pour la Flemish PhD Cup 2017.
