La modélisation informatique pour lutter contre la COVID-19

La modélisation mathématique est utilisée depuis longtemps pour comprendre la maladie. Dans la situation actuelle, les épidémiologistes emploient des modèles pour savoir comment le virus va se propager dans la population et pour déterminer des moyens efficaces de combattre la pandémie. De même, mon laboratoire recourt à la modélisation pour comprendre comment la maladie se développe dans l'organisme, en particulier dans le sang et le système immunitaire. Nous pouvons ensuite modéliser les traitements médicamenteux et désigner les moyens idéaux d'administrer des médicaments aux gens pour lutter contre des maladies données. Notre travail est largement axé sur le traitement du cancer par immunothérapie et sur la compréhension de certaines maladies sanguines rares. Nous avons également travaillé sur des modèles de nouveaux modes d'administration des médicaments anti-VIH. En ce qui concerne la pandémie que nous vivons, notre travail consiste à traduire les mécanismes fondamentaux en jeu dans l'infection par le SRAS-CoV-2 en une description mathématique afin de pouvoir prédire les interactions entre le virus, le tissu pulmonaire et le système immunitaire à l'aide de simulations informatiques. Cela nous donnera un meilleur aperçu de la dynamique de l'infection et nous permettra de savoir quels sont les composants qui régulent la dynamique que nous observons, quelle est la succession des évènements et comment les caractéristiques individuelles ont un effet sur la gravité de la maladie. Cela nous aidera également à indiquer les mécanismes qui pourraient être des cibles médicamenteuses idéales et à mieux comprendre les stratégies de traitement actuellement proposées.

L’équipe qui travaille sur la simulation de tissus infectés par le SRAS-CoV-2 est dirigée par Paul Macklin, de l'Université de l'Indiana à Bloomington, et comprend des chercheurs de l'Université de Pepperdine, de l'Université d’État de l’Oklahoma, de l'Argonne National Laboratory et de l'Université de Chicago, du Centre médical de l'Université du Vermont, du Centre national pour la biodéfense et les maladies infectieuses de l'Université George Mason et du Centre des sciences de la santé de l'Université du Tennessee. Le modèle tissulaire complet est construit en assemblant une variété de sous-modèles pour des aspects distincts de l'infection par le SRAS-CoV-2, tels que la dynamique des récepteurs et la réponse immunitaire. Chaque sous-modèle est sous la responsabilité d’une équipe de scientifiques en chef, qui apportent leur expertise unique. Nous collaborons en tant que grande équipe pour définir de nouvelles cibles pour chaque itération et nous travaillons en plus petits groupes pour faire avancer nos domaines respectifs.

D'une manière générale, et en particulier dans le contexte de la crise actuelle, il est essentiel que les recherches soient partagées rapidement, efficacement et avec précision. En tant que modélisateurs, nous savons qu'il est capital que nos modèles soient calibrés et validés par rapport aux résultats expérimentaux pour garantir l'exactitude des prévisions. À mon avis, il est particulièrement important que ces travaux soient à code source libre, et ce, pour deux raisons: premièrement, la communauté des chercheurs peut évaluer nos prédictions en temps réel, ce qui permet d'affiner rapidement notre modèle; deuxièmement, cela permet d'éviter que plusieurs groupes travaillent chacun de leur côté sur le même modèle, ce qui signifie que nous ne doublons pas nos efforts.

Nous l'espérons! L'utilisation d'une approche de prototypage rapide accélère vraiment les étapes de construction et de validation du modèle. Comme nous sommes une équipe multidisciplinaire travaillant sur des outils à code source ouvert, nous sommes en mesure d'intégrer rapidement les suggestions de nos collaborateurs et contributeurs pour améliorer le modèle. Parallèlement au projet de simulateur tissulaire, mon groupe s'efforce de comprendre la dynamique de la réponse immunitaire systémique en se basant sur nos précédents travaux de modélisation, avec des collaborateurs cliniques. Le fait d'aborder ce problème sur deux plans, soit local et systémique, permettra de fournir aux cliniciens des prédictions qui se traduiront facilement dans leur pratique ou dans leur travail expérimental.

Encore une fois, nous l'espérons! L'une des plus grandes forces du type de modélisation mathématique que nous faisons est de fournir une approche flexible pour la question de recherche à laquelle nous souhaitons répondre. Par exemple, le projet de simulateur de tissus est basé sur le travail de Paul Macklin, qui a conçu PhysiCell, une plateforme de calcul à code source libre employée dans les études sur le cancer. Adrianne [Jenner] et moi utilisons PhysiCell pour comprendre comment certaines immunothérapies peuvent être employées pour traiter différents types de tumeurs. Ce que nous apprenons de nos modèles SRAS-CoV-2 et COVID-19 nous aidera à déterminer les futures pistes de recherche expérimentale et à améliorer notre compréhension de la réponse du corps à l'infection. En intégrant une infection, un traitement ou une population cellulaire différente, nous pouvons réutiliser ce que nous construisons aujourd'hui en réponse à de nouveaux virus et l'appliquer à des affections comme le cancer ou les maladies immunitaires qui sont soit aigües, soit chroniques.