La dégénérescence maculaire liée à l’âge (DMLA) est la première cause de cécité dans les pays industrialisés. C’est une maladie complexe et multifactorielle ayant des conséquences majeures sur la qualité de vie des personnes atteintes. De nombreux facteurs de risque, génétiques et non génétiques, jouent un rôle important dans la pathogénèse des stades avancés de la DMLA. Les modèles de prédiction développés à ce jour reposent sur un nombre limité de ces facteurs, et sont encore peu utilisés dans la pratique clinique.Ce travail de thèse avait pour premier objectif d’identifier de nouveaux biomarqueurs circulants du risque de DMLA. Ainsi, à partir d’une étude post-mortem basée sur une approche de lipidomique, nous avons identifié les composés lipidiques sanguins les plus prédictifs des concentrations rétiniennes en acides gras polyinsaturés omégas 3 (AGPI w-3). Nous avons développé un modèle de prédiction basé sur 7 espèces de lipides des esters de cholestérol. Ce modèle, obtenu en combinant pénalisation et réduction de la dimension, a ensuite été validé dans des études cas-témoins de DMLA et dans un essai clinique randomisé de supplémentation en AGPI w-3. Ces biomarqueurs pourraient être utiles pour l’identification des personnes à haut risque de DMLA, qui pourraient ainsi bénéficier d’une supplémentation en AGPI w-3.Le deuxième objectif de cette thèse était de développer un modèle de prédiction du risque de progression vers une DMLA avancée à partir de facteurs de risque génétiques, phénotypiques et environnementaux. Une originalité de notre travail a été d’utiliser une méthode de régression pénalisée – un algorithme d’apprentissage automatique – dans un cadre de survie afin de tenir compte de la multicollinéarité entre les facteurs de risque. Nous avons également pris en compte la censure par intervalle et le risque compétitif du décès via un modèle à 3 états sain-malade-mort. Nous avons ensuite validé ce modèle sur une étude indépendante en population générale.Il serait intéressant de valider ce modèle de prédiction dans d’autres études indépendantes en y incluant les biomarqueurs circulants identifiés à partir de l’étude de lipidomique effectuée dans le cadre de cette thèse. Le but final serait d’intégrer cet outil prédictif dans la pratique clinique afin de rendre la médecine de précision une réalité pour les patients atteints de DMLA dans le futur proche. / Age-related macular degeneration (AMD) is the leading cause of blindness in industrialized countries. AMD is a complex and multifactorial disease with major consequences on the quality of life. Numerous genetic and non-genetic risk factors play an important role in the pathogenesis of the advanced stages of AMD. Existing prediction models rely on a restricted set of risk factors and are still not widely used in the clinical routine.The first objective of this work was to identify new circulating biomarkers of AMD’s risk using a lipidomics approach. Based on a post-mortem study, we identified the most predictive circulating lipids of retinal content in omega-3 polyunsaturated fatty acids (w-3 PUFAs). We combined penalization and dimension reduction to establish a prediction model based on plasma concentration of 7 cholesteryl ester species. We further validated this model on case-control and interventional studies. These biomarkers could help identify individuals at high risk of AMD who could be supplemented with w-3 PUFAs.The second objective of this thesis was to develop a prediction model for advanced AMD. This model incorporated a wide set of phenotypic, genotypic and lifestyle risk factors. An originality of our work was to use a penalized regression method – a machine learning algorithm – in a survival framework to handle multicollinearities among the risk factors. We also accounted for interval censoring and the competing risk of death by using an illness-death model. Our model was then validated on an independent population-based cohort.It would be interesting to integrate the circulating biomarkers identified in the lipidomics study to our prediction model and to further validate it on other external cohorts. This prediction model can be used for patient selection in clinical trials to increase their efficiency and paves the way towards making precision medicine for AMD patients a reality in the near future.