| Disciplines | Medicine - Health |
|---|---|
| Research fields | Biostatistics, Epidemiology, Clinical research, Cancerology |
| Supporting organisms | UCBL |
| Geographical location | Lyon Sud - UCBL (Campus Charles Mérieux) |
| Lab | LBBE |
| Team leader | Muriel Rabilloud |
| Webpage | https://lbbe-web.univ-lyon1.fr/fr/equipe-biostatistiques-sante |
L’Équipe BSS est responsable de l’analyse statistique de près de 37 programmes de recherche clinique (PHRC) et collabore à trois projets supplémentaires de la "Agence Nationale de la Recherche". L’équipe est également membre de la Plate-forme d’Aide à la Recherche Clinique en Cancérologie (PARCC de Lyon, Grenoble, Clermont-Ferrand et Saint-Etienne). Soutenue par la Ligue nationale française contre le cancer, elle contribue également depuis 2007 à l’identification des bactéries à partir de données de séquence et à la "Plate-forme Rhône-Alpes de Biostatistique-Bioinformatique à Haut-Débit" (PRABI HD - Lyon-Sud).
Les projets de recherche entrepris par l’équipe de BSS sont orientés essentiellement vers les stratégies de modélisation pour la recherche clinique et l’épidémiologie. Ces stratégies sont souvent appliquées dans les domaines du cancer et des maladies infectieuses. L'équipe BSS a défini cing axes de recherche.
- Indicateurs Épidémiologiques : Incidence Mortalité Survie
L’équipe BSS a développé des méthodes pour modéliser le risque de surmortalité comme une fonction continue paramétrique du temps écoulé depuis le diagnostic du cancer (splines de régression). Cette modélisation permet des effets de facteurs pronostiques (âge, année de diagnostic, etc) qui changent au fil du temps. Comme la description des tendances de l’incidence du cancer nécessite l’utilisation de modèles âge-cohorte, nous développons l’analyse des effets des variables pertinentes sur l’incidence en utilisant les fonctions continues et flexibles (splines de lissage). Une question méthodologique importante a été d’intégrer l’interaction cohorte*âge dans ces modèles.
- Variabilité populationnelle et biologique
Des modèles statistiques ont été développés pour prendre en compte les corrélations entre l’individu avec l’expression des gènes communs et des mesures répétées. Ce type de modèle a été appliqué pour étudier l’hétérogénéité spatiale de l’incidence. La prise en compte de l’hétérogénéité a également été utilisée pour affiner l’estimation du risque.
- Modélisation Statistique Fonctionnelle
Une approche fonctionnelle de la modélisation statistique permet de décrire la réalité comme vue par un biologiste ou un médecin et d’utiliser diverses mesures indirectes pour mieux décrire les phénomènes biologiques. Les modèles conceptuels que nous utilisons sont mieux décrits en utilisant des diagrammes de causalité et les modèles linéaires généralisés à variables latentes et mixtes (GLLAMM). Un modèle a été proposé pour décrire l’incubation des maladies infectieuses. Les mêmes modèles ont été utilisés pour analyser des questions biologiques complexes. Ce travail est une collaboration avec l’ UMR 145 "Maladies et VIH / SIDA Associées" (Montpellier, France), l’Institut de Recherche pour le Développement (IRD) et est enrichie par notre collaboration avec David Dunson (Duke University), Victor DeGruttola (Harvard school of Public Health), et Joe Stanford (Université de l’Utah).
- Inférence dans la prise de décision médicale
Les méthodes d’inférence bayésienne ont été explorées afin d’intégrer l’information préalable et obtenir des estimations à partir des distributions postérieures des paramètres dans les modèles complexes. Une modélisation robuste de l’état d’avancement d’un biomarqueur longitudinal a été développée, ainsi que d’une méthode bayésienne pour estimer le seuil optimal d’un critère de diagnostic qui reflète la progression d’un biomarqueur longitudinal.
- Prédiction Individuelle, Identification de Biomarqueurs et Bioinformatique
- Prédiction individuelle
Des études sur les outils pour évaluer les propriétés de modèles de prédiction individuels et la quantité d’information expliquée par les modèles ont été réalisées, en particulier dans le contexte du modèle de Cox. Nous avons démontré que, dans l’analyse de survie, le très utilisé R ² n’est pas correctement défini et nous avons proposé une alternative afin de bien l’estimer. Ce travail est réalisé en collaboration avec le Pr John O’Quigley, INSERM, Paris.
- Biomarker identification, BioInformatique
Nous avons conçu une méthode graphique d’analyse pour explorer la structure géométrique des données de transcriptome et étudier l’effet de cette structure sur les propriétés prédictives de modèles d’analyse différentielle. Une analyse conjointe des facteurs pronostiques classiques et des facteurs provenant de l’analyse exploratoire du transcriptome nous a conduits à caractériser les déterminants de ce biais d’optimisme. Nous avons démontré que l’identification de biomarqueurs à partir de l’analyse du protéome a été altérée par la variabilité de la mesure. Des designs pour des études de reproductibilité et d’analyses appropriées de la variabilité respectivement due à des facteurs biologiques et techniques ont été proposées. Une approche bayésienne nous a permis d’estimer l’association entre le génotype individuel et le risque d’une pathologie. Dans le cadre de plusieurs variations alléliques caractéristiques d’épitopes partagés, nous avons également conçu une méthode basée sur la phylogénie pour identifier les loci de susceptibilité aux maladies et les nucléotides de caractères quantitatifs dans les gènes candidats.
- Identification bactérienne
Au cours de nos études d’identification des bactéries, nous avons proposé l’utilisation de super-arbres pour atténuer la perte de l’information dans les études de reconstruction phylogénétique en utilisant une approche multigenes pour les bactéries (perte de données de séquences ou des espèces). Parallèlement le webitiel leBIBI est utilisé massivement pour l’identification en routine des bactéries par phylogénie.
- Prédiction individuelle
