La dopamine est un neurotransmetteur important dans le fonctionnement des ganglions de la base, région du cerveau impliquée dans la fonction motrice et l’apprentissage. Un dérèglement de la dynamique de la dopamine peut être à l’origine de différentes pathologies neurologiques, telles que la maladie de Parkinson et le trouble de déficit de l’attention avec ou sans hyperactivité (TDAH). La lévodopa, un précurseur de la dopamine, est utilisée pour réduire les symptômes associés à la maladie de Parkinson, sans action directe sur ses causes. La lévodopa est très efficace au début de la maladie, mais la durée de son effet ainsi que son index thérapeutique diminuent avec la progression de la dénervation induite par la maladie. Ces changements compliquent considérablement l’optimisation des régimes posologiques. Le méthylphénidate, quant à lui, est administré pour réduire les symptômes du TDAH et agit entre autres en bloquant la recapture de la dopamine. Bien que les données confirment une certaine implication de la dopamine dans le TDAH, son étiologie exacte demeure inconnue. Peu d’études ont cerné l’effet de la lévodopa sur le système dopaminergique des ganglions de la base et son évolution avec la progression de la maladie. Aussi, bien que le TDAH ait suscité beaucoup d’intérêt, rares sont les études quantitatives de nature mécanistiques sur le sujet. L’approche de modélisation mathématique utilisée dans cette thèse s’inscrit dans un effort global visant l’optimisation de la lévodopa et du méthylphénidate, appuyé par l’élucidation des mécanismes impliqués dans la maladie de Parkinson et dans le TDAH. En adoptant une approche de pharmacologie quantitative des systèmes (QSP), nous avons développé un modèle intégratif du système dopaminergique des ganglions de la base, avec l’objectif d’élucider les mécanismes impliqués, d’évaluer l’impact de la dopamine chez dessujets souffrant de Parkinson ou de TDAH, et recevant ou non un traitement, et enfin de guider objectivement l’exercice d’optimisation des régimes posologiques. À notre connaissance, c’est le premier cadre unificateur de modélisation qui s’adresse à ces deux pathologies. Le modèle développé dans cette thèse est composé de trois sous-modèles : le premier décrit la pharmacocinétique du médicament concerné, soit la lévodopa ou le méthylphénidate ; le deuxième exprime mathématiquement les différents mécanismes impliqués dans la dynamique de la dopamine ; le troisième représente la complexité de la neurotransmission dans les ganglions de la base. Avec des adaptations appropriées, nous avons appliqué ce même modèle au contexte de la maladie de Parkinson et au TDAH, ainsi qu’à leurs thérapies respectives. Pour représenter physiologiquement la maladie de Parkinson, nous avons intégré dans le modèle l’évolution de la perte neuronale ainsi que les différents mécanismes de compensation qui en résultent. La fréquence de tapotement des doigts est utilisée comme mesure clinique de la bradykinésie, définie comme le ralentissement des mouvements chez les patients parkinsoniens. Le modèle développé se base sur les connaissances actuelles de la pathophysiologie et pharmacologie du Parkinson, assurant ainsi sa validité en comparaison à des observations expérimentales et cliniques. Ensuite, à l’aide de ce modèle, les relations non-linéaires entre la concentration plasmatique de lévodopa, la concentration en dopamine dans le cerveau et la réponse à une tâche motrice sont étudiées. Le rétrécissement de l’index thérapeutique de la lévodopa au cours de la progression de la maladie dû à ces non-linéarités est investigué. Enfin, pour assurer l’aspect translationnel de notre approche, nous avons développé une application web à laquelle ce modèle a été intégré. Cette application sert de preuve de concept à un outil facilitant l’optimisation et l’individualisation des régimes posologiques. Pour l’étude du TDAH, nous avons adapté le modèle du système dopaminergique en y intégrant la libération tonique et phasique de la dopamine, cette dernière se produisant durant une tâche d’apprentissage par renforcement. Des individus virtuels ont été créés avec et sans déséquilibre du ratio tonique/phasique de la dopamine. En simulant une tâche de réponse à des stimuli dans un contexte de déséquilibre de la dopamine, le modèle nous a permis d’observer des symptômes similiaires à ceux de patients réels souffrant de TDAH. Finalement, la réponse au méthylphénidate résultant de l’inhibition de la recapture de la dopamine, à travers différents scénarios d’apprentissage a aussi été étudiée. Le développement d’une métrique nous a permis de différencier les répondants des non-répondants, et ainsi de mettre en évidence l’implication possible d’un apprentissage excessif chez les nonrépondants. Une meilleure compréhension de la réponse au méthylphénidate permettrait d’éviter la surmédication chez les non-répondants et d’aider les cliniciens dans leur pratique. Malgré la complexité du système dopaminergique et des traitements associés, cette thèse est un pas en avant dans la compréhension des mécanismes sous-jacents et de leur implication dans la thérapie. Ces avancées ont été réalisées en adoptant une approche de pharmacologie quantitative des systèmes, associée à une modélisation neurocomputationnelle du domaine du génie électrique, et complétée par un aspect de transfert au chevet du patient. Ce n’est qu’en transcendant ainsi les frontières disciplinaires qu’une visée aussi globale et intégrative est possible, afin de faire face aux défis multidimensionnels du système de la santé. / Dopamine is an important neurotransmitter of the basal ganglia, a region of the brain involved in motor function and learning. Disruption of dopamine dynamics can cause various neurological conditions, such as Parkinson’s disease and attention deficit hyperactivity disorder (ADHD). Levodopa, a dopamine precursor, is used to reduce the symptoms associated with Parkinson’s disease, without directly alleviating its causes. Levodopa is very effective in the early stages of the disease, but its effect duration along with its therapeutic index decrease with disease-induced denervation. These modifications further challenge determination of optimal dosing regimens of levodopa. In the case of ADHD, methylphenidate is administered to reduce its symptoms by, among other things, blocking dopamine recapture. Although evidence supports involvement of dopamine in ADHD, its exact etiology remains unknown. Few studies have investigated the effect of levodopa on the basal ganglia dopaminergic system and how it evolves with disease progression. Also, although ADHD has received a lot of interest, few quantitative studies of a mechanistic nature have been conducted on the subject. The mathematical modeling approach used in this thesis is part of an overall effort to optimize levodopa and methylphenidate, supported by the elucidation of the mechanisms involved in Parkinson’s disease and ADHD. Using a quantitative systems pharmacology (QSP) approach, we have developed an integrative model of the basal ganglia dopaminergic system, with the objective of elucidating the mechanisms involved, assessing the impact of dopamine in subjects with Parkinson’s or ADHD, with and without treatment, and objectively guiding the dosing regimens optimization. To the best of our knowledge, this is the first unifying modeling framework that addresses at the same time these two pathologies and their therapies. The model developed in this thesis includes three sub-models: the first one describes the drug pharmacokinetics, either levodopa or methylphenidate; the second one translates mathematically the different mechanisms involved in the dopamine dynamics; the third one is a computational representation of the complexity of neurotransmission in the basal ganglia. With appropriate adaptations, we have applied this same model to the context of Parkinson’s disease and ADHD, as well as to their respective pharmacotherapies. In order to physiologically represent Parkinson’s disease, we have integrated the denervation process in the model as well as the resulting compensation mechanisms. The finger tapping frequency is used as a clinical endpoint of bradykinesia, defined as the slowing of movements. The developed model is based on up-to-date knowledge of the pathophysiology and pharmacology of Parkinson’s disease, thus ensuring its validity in comparison with experimental and clinical observations. Using this model, the non-linear relationships between plasma levodopa concentration, dopamine concentration in the brain and response to a motor task were studied. The narrowing of levodopa therapeutic index during the progression of the disease due to these non-linearities was investigated. Finally, to ensure the translational aspect of our approach, we developed a web application in which this model was integrated. This application serves as a proof of concept for a tool aimed to facilitate the optimization and individualization of dosing regimens. For the study of ADHD, we adapted the developed model by integrating tonic and phasic dopamine release, the latter occurring during a reinforcement learning task. Virtual individuals were created with and without dopamine imbalance in the tonic/phasic ratio. By simulating a stimulus-response task, we observe ADHD-like symptoms among virtual patients with dopamine imbalance. Finally, the response to methylphenidate resulting from dopamine recapture inhibition, through different learning scenarios, was also studied. The development of a metric allowed us to differentiate responders from non-responders, and thus to highlight the possible implication of excessive learning in non-responders. A better understanding of methylphenidate response would help avoid overmedication in non-responders and assist clinicians in their practice. Despite the complexity of the dopaminergic system and its associated therapies, this thesis is a step forward in understanding the underlying mechanisms and their involvement in pharmacotherapy. These advances were achieved by adopting a quantitative systems pharmacology approach, combined with neurocomputational modeling borrowed from the electrical engineering field, and complemented by a translational bedside aspect. It is only by transcending disciplinary boundaries and adopting such an integrative approach that this ultimate goal of having a real impact on the multifaceted health system is possible.

Le développement de nouveaux médicaments ou traitements contre le cancer requiert des années de travail préclinique avant de se rendre aux essais cliniques et ultimement le marché. Malheureusement, la grande majorité des composés ne réussiront pas cette transition et ne démontreront pas de bénéfices en essais cliniques. Dans le but de réduire l’attrition au long du processus de développement des médicaments, la modélisation mathématique est de plus en plus utilisée dans la recherche préclinique pour investiguer et optimiser les traitements pour améliorer les probabilités de succès de thérapies potentielles. Les modèles mécanistiques visent à incorporer les mécanismes d’action d’un médicament ainsi que les interactions physiologiques et cellulaires pour approfondir notre compréhension des systèmes et des effets thérapeutiques. La dissertation suivante traite de l’implémentation the modèles mécanistique hétérogènes dans des contextes précliniques pour la recherche contre le cancer. Le second chapitre discute du cancer des cellules granulosa ovarienne and du développement d’un modèle mathématique pour investiguer le potentiel d’une thérapie combinatoire qui inclut une chimiothérapie et une immunothérapie produisant une protéine en lien avec le facteur de nécrose tumorale (TRAIL) à l’aide d’un virus oncolytique (VO). Le modèle considère les cellules tumorales à travers les stades de la mitose, l’infection de ces cellules par le VO et la pression du système immunitaire inné sur la population de cellules tumorales. Le modèle incorpore aussi des modèles pharmacocinétique/pharmacodynamie (PK/PD) pour TRAIL et le médicament chimio thérapeutique, composé activateur de procaspase-1 (PAC-1). Cela inclue un modèle PK mécanistique décrivant la liaison de TRAIL à son récepteur ainsi qu’un modèle pharmacocinétique à deux compartiments pour PAC-1 dans le but d’intégrer les deux concentrations dans une fonction d’effets combinés affectant la population de cellules cancéreuses. À travers les simulations, nous avons déterminé les doses minimales requises et le schéma posologique optimal pour PAC-1 pour minimiser la croissance tumorale. Nous avons aussi établi un scénario permettant d’éradiquer la tumeur à l’aide d’un VO possédant un taux d’infection plus grand qu’initialement testé. 4 Dans le chapitre 3, nous présentons différentes approches pour inclure la variabilité inter-individuelle dans des modèles mécanistiques et discutons de leur bénéfices et désavantages. Nous décrivons comment les modèles PK de population (PopPK) informent sur la moyenne des paramètres d’une cohorte, la variation provenant des covariables et comment cette variabilité dans les paramètres permet d’étudier différentes dynamiques à travers une population. Dans une cohorte, la variabilité peut être généré par des algorithmes en assurant que les patients virtuels générés possèdent des paramètres et des résultats réalistiques. Nous discutons aussi des cohortes in silico pouvant prédire un intervalle de résultats and de scénarios potentiels d’un traitement. Ces essais cliniques virtuels sont très utiles en pharmacologie quantitative de systèmes (QSP). Enfin, nous présentons une application d’un modèle PopPK utilisant 300 patients virtuels dans un modèle QSP pour la différentiation des cellules souches mammaires affectées par des doses d’estrogène. Nous investiguons l’effet de cette thérapie hormonale sur la différentiation cellulaire pour son application potentiel pour traiter le cancer du sein triple négatif (TNBC) puisque la prolactine a été proposée dans des modèles expérimentaux pour forcer la différentiation cellulaire des cellules cancéreuses. Notre modèle et les résultats obtenus servent de preuve de concept pour continuer la recherche des méthode pharmacologiques pour induire la différentiation des cellules souches permettant de réduire la sévérité et la plasticité des cellules cancéreuses. / Developing novel cancer drugs or therapies requires years of preclinical work before translation to clinical trials and ultimately the market. Unfortunately, an overwhelming majority of compounds will fail to make this transition and will show no benefit in trials. To reduce attrition along the drug development pipeline, mathematical modelling is increasingly used in preclinical work to investigate and optimize treatment scenarios, in the hope of improving the success rate of potential therapies. Mechanistic models aim to incorporate the mechanisms of actions of drugs and physiological/cellular interactions to provide a deeper understanding of the system and rationally investigate therapeutic effectiveness. This thesis focuses on the implementation of heterogeneous, mechanistic mathematical models in preclinical contexts in cancer drug development. The first chapter of this thesis provides an overview of mathematical oncology and the drug discovery pipeline by presenting different tumour growth models and the integration of therapeutic effect through pharmacokinetic/pharmacodynamic (PK/PD) models. The second chapter of this thesis discusses granulosa cell tumour (GCT) of the ovary and the development of a mathematical model to investigate the potential of a combination therapy using a chemotherapy and an immunotherapy that produces tumour necrosis factor-related apoptosis-inducing ligand (TRAIL) through an oncolytic virus (OV). The model considers tumour cells throughout the phases of the cell cycle, the infection of these cancer cells by the OV, and the innate-immune pressure from the body. It also incorporates detailed PK/PD models for TRAIL and the chemotherapeutic drug, procaspase activating compound-1 (PAC-1). This includes a mechanistic receptor binding PK model for TRAIL as well as a two-compartment PK model for PAC-1 to properly integrate the concentrations of both compounds in the combination effect function applied to the cancer cell populations. Through simulations and hypothesis testing, we determined the minimal doses and ideal dosing regimens for PAC-1 that best controlled tumour growth. We also established how to successfully eradicate the tumour under the assumption of a much higher infection rate of the OV. 6 In the third chapter, we present different approaches to include inter-individual variability into mechanistic mathematical models, each with their own benefits and challenges. We describe how population PKs (PopPK) inform on cohort averages and variability due to covariates, and how to use this heterogeneity to recover the dynamics of drug treatment in patient populations. Variability in cohorts can also be generated through algorithms ensuring that virtual patients have realistic parameters and outcomes. We also touch upon in silico trials that help to predict a range of outcomes and treatment scenarios. These in silico clinical trials are highly valuable in quantitative system pharmacology (QSP) due to their predictive nature. Lastly, we present an application of PopPK using 300 generated patients in a QSP model for mammary stem cell differentiation under treatment with estrogen (estradiol). We investigate the effect of hormone therapy on mammary cell differentiation due to its potential application in triple negative breast cancer (TNBC), as prolactin has been proposed in experimental models to induce differentiation in TNBC stem cells. Our model and results serve as proof of concept for the continued investigation into pharmacological means of inducing stem cell differentiation to reduce cancer plasticity and severity.

No description available.