Favoriser l’innovation biotechnologique grâce au mentorat en biostatistique
Contexte
Depuis plus de 25 ans, les biostatisticiens de Creascience collaborent autant avec de jeunes startups qu’avec des entreprises pharmaceutiques et biotechnologiques établies, afin de former leur personnel scientifique et de les assister dans la mise en place, l’analyse et l’interprétation d’études scientifiques. Forts de cette expérience, nous sommes fiers de présenter un nouveau programme de mentorat visant à augmenter l’autonomie des équipes de recherche au sein de startups en biotechnologie en ce qui a trait aux bonnes pratiques statistiques et scientifiques.
La recherche scientifique représente une activité incontournable et critique pour toute startup dans le domaine des sciences de la vie, quel que soit son stade de développement. Qui plus est, la pérennité des startups dans ce domaine dépend directement de la qualité de cette recherche, que ce soit directement pour s’assurer de la validité des résultats obtenus ou pour convaincre des investisseurs potentiels. Enfin, l’aboutissement et le succès ultime impliquent inévitablement de se confronter à des autorités réglementaires à un moment ou à un autre.
Tous ces aspects rendent l’utilisation de bonnes pratiques scientifiques et la capacité à en convaincre des intervenants externes indispensables. Dans ce contexte, les méthodes statistiques – qui vont bien au-delà de l’analyse des données expérimentales – constituent des outils essentiels comme en témoigne notamment leur omniprésence dans les standards des institutions du domaine de la santé.
Par exemple…
- USA : la FDA exige pour les essais non cliniques que ceux-ci suivent un plan d’expérience formel et détaillé indiquant notamment les mesures prises pour réduire les biais.
- UK : Le MHRA produit notamment pour les dispositifs médicaux un guide spécifique pour encadrer les aspects statistiques de la R&D
- Europe: La EMA produit un guide spécifique pour encadrer la gestion des données manquantes: de la planification des essais à l’analyse des données
Pourquoi le mentorat en biostatistique est important
Les bénéfices liés à l’utilisation de méthodes statistiques rigoureuses sont multiples. Notamment :
Adapter le mentorat à votre stade de développement
Il est important d’adapter un programme de mentorat en biostatistique au stade de développement des entreprises de biotechnologie pour plusieurs raisons. Les entreprises de biotechnologie en phase de développement ont des besoins et des défis spécifiques qui diffèrent de ceux des entreprises plus établies, et la personnalisation du mentorat peut mieux répondre à ces besoins.
Phase de découverte
L’accent est mis sur l’analyse exploratoire des données, la génération d’hypothèses et la conception expérimentale précoce. Le mentorat en biostatistique met l’accent sur l’efficacité des approches de sélection et l’identification des candidats prometteurs tout en maintenant la rigueur scientifique malgré la petite taille des échantillons.
Recherche préclinique
Les directives statistiques s’orientent vers une conception d’étude robuste, une sélection appropriée de modèles animaux et l’élaboration de plans d’analyse qui satisferont aux exigences réglementaires. Les mentors aident à établir des procédures de contrôle de la qualité et des pratiques de gestion des données essentielles pour les soumissions d’IND.
Public cible
Objectifs du programme
Transfert direct de connaissance
Enracinement à long terme
Déroulement du programme de mentorat en biostatistique
Dans la mesure où ce programme représente un engagement à long terme, nous proposons une implication progressive avec la possibilité d’interrompre la séquence à tout moment tout en retirant des bénéfices notables des étapes déjà réalisées.
1. Masterclass : meilleures pratiques statistiques en sciences de la vie
Dans un premier temps, nous proposons une masterclass de 3 heures présentant les différents aspects des bonnes pratiques scientifiques en relation avec les méthodes statistiques. Cette masterclass (voir programme détaillé joint) présente autant des exemples de bonnes que de mauvaises pratiques en les mettant notamment en relation avec les obligations réglementaires. Nous recommandons à l’ensemble du personnel scientifique et managérial d’y assister. Enfin, la participation au séminaire est un prérequis au programme de mentorat, mais il peut être offert de manière autonome.
2. Ateliers pratiques : 3 jeux sérieux pour appréhender le rôle de la statistique en R&D
Afin de conscientiser les équipes de recherche à l’importance de maîtriser les pratiques statistiques, nous proposons après la masterclass trois ateliers sous la forme de jeux coopératifs pendant lesquels les participants sont confrontés sous une forme ludique à des situations pratiques dans lesquelles des outils statistiques simples leurs permettent de résoudre des problèmes concrets. Les thèmes abordés pendant chaque séance concernent respectivement la gestion des expériences et des données recueillies, la mise en place scientifique et financière des essais, et enfin l’interprétation et la bonne communication des résultats obtenus.
3. Mise en place du programme
Le programme est personnalisé en collaboration étroite avec les responsables de l’entreprise en considérant particulièrement les aspects suivants :
- Choix des personnes-ressources
Une ou deux personnes sont retenues pour prendre en charge le programme à l’interne. Leur choix et leur nombre reste à la discrétion du client. Toutefois, nous recommandons idéalement de combiner une personne directement impliquée dans les travaux de laboratoire avec une autre en position d’autorité.
- Détermination des objectifs du programme
Le plan d’action décrit dans la section suivante sert de base de discussion.
Idéalement, tous les points suggérés devraient être couverts, mais selon les priorités de l’entreprise, les faiblesses identifiées à l’issue de la masterclass initiale, le budget et le temps disponibles, il est possible de se concentrer sur certains aspects.
Afin de déterminer les objectifs exacts, le mentor assigné à la startup rencontre les représentants de l’équipe managériale ainsi que les personnes ressources choisies et s’assure d’établir un cursus et un échéancier à la fois réaliste et en accord avec les besoins exprimés.
- Fixation de la durée du programme
La durée exacte du programme dépend en premier lieu des objectifs fixés ainsi que de la disponibilité anticipée des personnes-ressources.
La durée minimale est de 6 mois et idéale d’un an. Toutefois, à l’issue du premier bloc de 6 mois, une réévaluation de l’ensemble du processus est proposée et il est demandé à la startup une implication subséquente sur une base trimestrielle seulement.
Il est aussi possible d’organiser le programme sur une plus longue durée, que ce soit pour accommoder une disponibilité limitée des personnes-ressources ou pour intégrer des concepts et outils supplémentaires.
4. Réalisation du programme
Principe d’intervention
Pour chaque thème :
- Rencontre initiale – présentation des concepts
- Remise d’une grille d’analyse pour transposer les concepts à la réalité de l’entreprise
- Les personnes-ressources établissent une proposition de norme
- Deuxième rencontre pour discuter de la proposition
- Ajustements si nécessaire et finalisation de la norme
Implication du mentor
Le mentor est un biostatisticien expérimenté. Il partage son expertise de deux manières :
- Rencontres régulières avec les personnes-ressources de l’entreprise soit en présentiel soit en distanciel
- Accessible en permanence pour des questions ponctuelles (mail, téléphone)
En outre, nous avons prévu un certain nombre de briques optionnelles qui peuvent s’ajouter à tout moment lorsque le processus d’implantation génère des demandes supplémentaires non anticipées.
Blocs de base du programme de mentorat en biostatistique
Le programme idéal couvre l’ensemble des éléments suivants, mais selon les besoins, il peut aussi se concentrer sur certains aspects :
1
Gestion, documentation et présentation des données de test
- Structurer les résultats de chaque expérience : formatage adéquat, dictionnaire informatif, identification de la nature de chaque mesure
- Tirer profit des statistiques descriptives : détection d’erreurs, anticipation de problèmes
- Assurer l’intégrité globale des données : continuité de la recherche
2
Planification d’essais efficaces et utiles
- Définir la portée de chaque expérience : population cible, nombre de mesures, primary outcomes…
- Gérer les biais et la variabilité : réplicats vs. répétitions, effets d’opérateur, de batch, de jour…
- Déterminer et justifier la taille des essais : signification statistique versus pratique/biologique
3
Préparation et gestion des travaux de laboratoire
- Rédiger un protocole précis et complet : robustesse, transparence et reproductibilité
- Gérer le déroulement des expériences : identifier les anomalies, réagir aux difficultés rencontrées
- Établir un bilan qualitatif : transmettre et enrichir la connaissance des processus
4
Présentation et communication rigoureuse des résultats
- Comprendre la structure de l’expérience et réaliser une analyse des données cohérente avec celle-ci
- Interpréter adéquatement les résultats : p-value, puissance, équivalence, supériorité, non-infériorité
- Rédiger un rapport d’expérimentation exhaustif, un sommaire pertinent, une publication scientifique de qualité
Blocs satellites optionnels
Des besoins additionnels se présentent souvent lors de ces interventions. Afin d’y répondre, nous vous proposons plusieurs blocs qui peuvent s’intégrer au programme de mentorat en biostatistique.
Vous voulez en savoir plus ?
Quelques défis statistiques dans le secteur de la biotechnologie
La biostatistique joue un rôle essentiel dans la recherche biotechnologique, mais elle est également confrontée à plusieurs défis. Ces défis découlent de la nature unique des produits biotechnologiques, des types de données complexes et de la surveillance réglementaire.
Expériences de petite taille
La recherche biotechnologique implique souvent un nombre limité de répétitions/sujets en raison de considérations financières et éthiques.
Nos mentors se spécialisent dans les méthodes optimisées pour les petits échantillons, notamment les plans adaptatifs qui maximisent les informations à partir de peu d’observations tout en préservant la rigueur statistique.
Génération de données multivariées
La biotechnologie moderne génère de vastes ensembles de données multivariées grâce à la génomique, à la protéomique et au criblage à haut débit.
Nos mentors guident les équipes dans l’apprentissage des techniques de réduction dimensionnelle appropriées, des corrections de tests multiples et des approches d’apprentissage automatique qui extraient des signaux à partir de données complexes.
Gestion des données manquantes
Les expériences biologiques génèrent inévitablement des valeurs manquantes qui peuvent biaiser les résultats si elles sont mal gérées.
Nos mentors en biostatistique apportent leur expertise pour déterminer le mécanisme des valeurs manquantes et mettre en œuvre des méthodes de traitement statistique de données qui préservent l’intégrité des données et la rigueur statistique.