Les modèles mathématiques aident les médecins à évaluer l'efficacité d'un médicament chez un patient spécifique, afin de sélectionner le traitement le plus adapté.
Prescire le médicament idéal représente un défi majeur pour les praticiens. Un traitement contre le cancer ou l'hypercholestérolémie n'agit efficacement qu'au sein d'un réseau complexe d'interactions corporelles. De plus, le métabolisme varie subtilement d'une personne à l'autre, entraînant des réponses différentes à un même médicament.
Dans le cadre de ma thèse de doctorat, j'ai développé des algorithmes générant une formule pour la médecine personnalisée. Cette formule intègre les données du patient et la description du médicament, pour prédire si ce dernier sera efficace chez cet individu.
Le principe des méthodes décrites dans ma thèse est simple. On collecte d'abord un vaste ensemble de données : échantillons de patients, médicaments prescrits et efficacité observée. Mes algorithmes identifient ensuite une fonction modélisant ces données. Ce processus, appelé « apprentissage par paires », est une variante du machine learning, branche de l'intelligence artificielle.
Ces techniques rappellent celles utilisées par Netflix pour recommander films et séries selon vos visionnages, ou par Google, Amazon et consorts via le big data pour des systèmes de recommandation personnalisés.
Ce qui nécessite habituellement des semaines sur un supercalculateur peut désormais s'exécuter en quelques secondes sur un ordinateur portable.
Les défis biologiques comme la médecine personnalisée surpassent en complexité ceux des géants technologiques. Théoriquement, un modèle pourrait s'appuyer sur l'ensemble du génome. En pratique, cela requiert l'intégration des expertises médicales et biologiques aux données brutes. Par exemple, certaines enzymes hépatiques déterminent la dégradation des médicaments. Seule la combinaison de décennies de recherche et de big data résoudra ces enjeux.
Les gros volumes de données génèrent des défis proportionnels. Avec 10 000 patients et 1 000 médicaments, on obtient 10 millions d'interactions. Ma thèse propose des algorithmes optimisés via l'algèbre linéaire, réduisant le temps de calcul aux milliers d'éléments plutôt qu'aux millions. Résultat : des semaines sur supercalculateur deviennent des secondes sur laptop.
Pour évaluer la fiabilité d'un modèle, surtout en apprentissage par paires, j'ai conçu des formules permettant de le reconstruire des milliers voire millions de fois à grande vitesse, avec des données légèrement variées. Les éléments exclus servent à tester la performance sur de nouvelles données.
L'apprentissage par paires dépasse la médecine. En cuisine, il prédit les accords gustatifs à partir de recettes, suggérant des combinaisons innovantes comme glace au café, sauce chocolat et ail en poudre – plus savoureux qu'il n'y paraît.
Aujourd'hui, j'explore ses applications pour modéliser interactions entre animaux, plantes et micro-organismes face au changement climatique. Mutations d'insectes perturbent pollinisation et chaînes alimentaires, impactant notre production vivrière.
Développer ces algorithmes est enrichissant : des concepts abstraits (matrices, graphes, hyperplans) modélisent santé, écosystèmes et alimentation. Telle est la puissance des mathématiques pour décrypter notre monde.
Pour ses travaux sur les modèles mathématiques en médecine personnalisée, Michiel Stock (sciences bio-ingénieur, UGent) a été nominé au Flemish PhD Cup 2017.
[]