Abstract: Les enfants d’âge préscolaire sont particulièrement vulnérables aux symptômes d’asthme et ils sont difficiles à diagnostiquer, avec un taux presque deux à trois fois plus élevé de visites aux urgences dues aux symptômes s’apparentant à l’asthme que d’autres groupes d’âge. De plus, on en sait peu sur le bénéfice que les thérapies actuellement disponibles pourraient apporter aux enfants d’âge préscolaire souffrant d’asthme ou de respiration sifflante, ce qui souligne le besoin urgent de découvrir des biomarqueurs qui faciliteront la transition vers un traitement personnalisé. Etant donné que l’asthme est compos´e de divers phénotypes et endotypes moléculaires, notre approche est basée sur la recherche de nouvelles représentations naturelles de données dans l’espoir de découvrir des biomarqueurs qui pourraient être utiles dans le diagnostic et traitement de l’asthme préscolaire. En utilisant la base de données multi-omiques chez l’enfant (génome, microbiome, transcriptome et métabolome) provenant d’un projet international sur l’asthme pédiatrique, nous construisons des modèles graphiques probabilistes (PGM) qui permettent notamment d’incorporer des connaissances antérieures cliniques grâce à des distributions bayésiennes a priori. Ces approches modernes nous permettent également de visualiser graphiquement d’importantes voies causales entre les biomarqueurs omiques et les variables cliniques.

Keywords: Personalized Medicine, Machine Learning, Pediatric Asthma, OMICS, Probabilistic Graphical Models

Grad R, Morgan WJ (2012). Long-term outcomes of early-onset wheeze and asthma.. Journal of allergy and clinical immunology 130.2.
Koller D, Friedman N (2009). Probabilistic graphical models: principles and techniques. MIT press.
Licari A, et al. (2018). Asthma endotyping and biomarkers in childhood asthma.. Pediatric Allergy, Immunology, and Pulmonology 31.2.
Pijnenburg MW, Szefler S (2015). Personalized medicine in children with asthma.. Paediatric respiratory reviews 16.2.
Wainwright MJ, Jordan MI (2008). Graphical models, exponential families, and variational inference. Foundations and Trends® in Machine Learning.