Prise en charge des cas de VIH à l’aide d’une approche de modélisation basée sur des agents soumise à une thérapie antirétrovirale et à un plan de traitement lié au mode de vie

Publié le 26 décembre 2025 à 18h16. La modélisation mathématique et l’intelligence artificielle (IA) s’avèrent des outils précieux pour mieux comprendre la dynamique du virus de l’immunodéficience humaine (VIH) et optimiser les stratégies de lutte contre l’épidémie, notamment en prévoyant l’émergence de résistances aux traitements.

• Des études menées depuis les années 1990 ont permis de caractériser la dynamique du VIH in vivo, notamment les taux de clairance des virions et la durée de vie des cellules infectées.
• La modélisation mathématique s’est avérée essentielle pour comprendre l’impact des thérapies antirétrovirales et prédire l’évolution du virus.
• L’essor de l’IA offre de nouvelles perspectives pour analyser des données complexes et améliorer la personnalisation des traitements.

Depuis sa découverte, le VIH a fait l’objet de nombreuses recherches visant à comprendre son mode de propagation et à développer des traitements efficaces. Des travaux fondamentaux, publiés dès 1993 dans la revue Nature, ont démontré que le virus reste actif et progresse même pendant les phases cliniquement latentes de l’infection. Ces premières observations ont conduit à une meilleure compréhension de la nécessité d’une intervention précoce.

En 1996, une étude parue dans Science, menée par Perelson et al., a permis de quantifier la dynamique du VIH in vivo, en identifiant des paramètres clés tels que le taux de clairance des virions, la durée de vie des cellules infectées et le temps de génération virale. Ces données ont constitué une base solide pour le développement de modèles mathématiques plus sophistiqués. D’autres recherches, notamment celles de Rosenbloom et al. (2012) publiées dans Nature Medicine, ont confirmé que la dynamique des antirétroviraux influence directement l’évolution du VIH et les résultats thérapeutiques.

La modélisation mathématique a également permis d’étudier l’émergence de résistances aux médicaments. Rong et Perelson (2007), dans le Bulletin of Mathematical Biology, ont ainsi analysé les mécanismes de résistance du VIH-1 pendant les traitements antirétroviraux. Plus récemment, des chercheurs comme Ribeiro et Bonhoeffer (2008) ont approfondi ces travaux, soulignant l’importance de comprendre les facteurs favorisant l’apparition de mutants résistants.

Aujourd’hui, l’intelligence artificielle (IA) ouvre de nouvelles voies pour la recherche sur le VIH. Jin et Zhang (2025), dans Frontiers in Microbiology, soulignent les avancées et les perspectives futures de l’IA dans ce domaine. L’IA permet notamment d’analyser de vastes ensembles de données, d’identifier des biomarqueurs prédictifs et de personnaliser les traitements en fonction des caractéristiques individuelles des patients. Des approches basées sur des agents, comme celles décrites par Zhang et al. (2025) dans Technologies, permettent de simuler la propagation de l’épidémie et d’évaluer l’efficacité de différentes interventions.

Les modèles mathématiques et les simulations informatiques sont également utilisés pour étudier l’impact de différentes stratégies de prévention et de soins. Des études, comme celle de Nosyk et al. (2020) publiée dans The Lancet HIV, ont évalué le potentiel de l’élimination de la transmission du VIH aux États-Unis grâce à une combinaison de dépistage universel et de thérapie antirétrovirale immédiate. D’autres travaux, tels que ceux de Lukens et al. (2014) dans BMC Public Health, ont utilisé des simulations à grande échelle pour étudier la dynamique des épidémies de grippe et évaluer l’impact des interventions non pharmaceutiques.

La pharmacogénomique, l’étude de l’influence des gènes sur la réponse aux médicaments, représente également une piste prometteuse pour améliorer la prise en charge du VIH. Sadee et al. (2023) dans Pharmacological Reviews, soulignent le rôle de la pharmacogénomique dans la médecine personnalisée.

En conclusion, la combinaison de la modélisation mathématique, de l’intelligence artificielle et de la pharmacogénomique offre des perspectives encourageantes pour mieux comprendre le VIH, prédire son évolution et optimiser les stratégies de lutte contre l’épidémie. Ces outils permettent de passer d’une approche standardisée à une médecine plus personnalisée, adaptée aux besoins spécifiques de chaque patient.

Références :

1. Perelson, AS, Neumann, AU, Markowitz, M., Leonard, JM & Ho, DD. Science 271(5255), 1582-1586 (1996).
2. Rivadeneira, PS et coll. Biores. Accès libre 3(5), 233-241 (2014).
3. Perelson, AS et coll. Nature 387(6629), 188-191 (1997).
4. Rasi, G., Emili, E., Conway, JM, Cotugno, N. & Palma, P. NPJ Syst. Biol. Appl. 11(1), 64 (2025).
5. Jin, R. & Zhang, L. Devant. Microbiol. 16, 1541942 (2025).
6. Sadee, W., Wang, D., Hartmann, K. et Toland, AE. Pharmacol. Tour. 75(4), 789-814 (2023).
7. Rosenbloom, DI, Hill, AL, Rabi, SA, Siliciano, RF & Nowak, MA. Nuit. Avec. 18(9), 1378-1385 (2012).
8. Rong, L., Feng, Z. & Perelson, AS. Bull. Mathématiques. Biol. 69(6), 2027-2060 (2007).
9. Callaway, DS & Perelson, AS. Bull. Mathématiques. Biol. 64(1), 29-64 (2002).
10. Rong, L. & Perelson, AS. J. Théor. Biol. 260(2), 308-331 (2009).
11. Coffin, JM. Science 267(5197), 483-489 (1995).
12. Pham, PA & Gallant, JE. Expert Opin. Métab. Toxicol. 2(3), 459-469 (2006).
13. Fiebig, EW et coll. sida 17(13), 1871-1879 (2003).
14. Pantaleo, G. et coll. Nature 362(6418), 355-358 (1993).
15. Adams, BM et coll. J. Informatique. Appl. Mathématiques. 184(1), 10-49 (2007).
16. Ribeiro, RM & Bonhoeffer, S. Proc. Natl. Acad. Sci. 97(14), 7681-7686 (2008).
17. Komarova, NL & Wodarz, D. Proc. Natl. Acad. Sci. 102(27), 9714-9719 (2009).
18. Zhang, X. et coll. Technologies 13(7), 272 (2025).
19. Sun, R. & Bai, Z. J. Bioméd. Informer. 148(7), 104543 (2023).
20. Lukens, S., Johnson, J., Hoover, K., Smith, D. et Delaney, K. BMC Santé publique 14, 1019 (2014).
21. De-Leon, D. & Aran, H. J. Bioméd. Informer. 141, 104364 (2023).
22. Hinch, W. et coll. Calcul PLoS. Biol. 17, e1009146 (2021).
23. Seresht, N. Autom. Construction 140, 104315 (2022).
24. Jenness, S., Johnson, J., Hoover, K., Smith, D. et Delaney, K. sida 34(14), 2103-2113 (2022).
25. Nosyk, B. et al. The Lancet VIH 7(7), e491-e503 (2020).
26. Vermeer, W. et coll. PLoS UN 17(10), e0274288 (2022).
27. Cremin, I. et coll. sida 27(3), 447-458 (2013).
28. Granich, RM, Gilks, CF, Dye, C., De Cock, KM & Williams, BG. The Lancet 373(9657), 48-57 (2009).
29. Eaton, JW et coll. PLoS Med. 9(7), e1001245 (2012).