Produire la prédiction: le travail de modélisation pour l'évaluation des risques
Salle de conférence de l'ISCC, 20 rue Berbier de Mets, 75013 Paris
19 juin 2019
19 juin 2019
|
Faire tourner un modèle pour obtenir une estimation de la toxicité d'un produit prend quelques secondes seulement. De nombreux outils logiciels aujourd'hui permettent en effet de trouver une estimation de la toxicité à partir d'un modèle de ‘Quantitative Structure-Activity Relationship’, tel le logiciel EPIWIN de l’agence environnementale américaine. Des outils sont disponibles aujourd'hui pour composer et faire tourner en quelques heures un modèle générique de ‘Physiologically-Based Pharmaco-Kinetics’, pour estimer une dose interne au corps humain d'un produit chimique donné, en remplacement des données expérimentales animales et de facteurs de sécurité. On peut simuler une population humaine exposée à un produit chimique donné, comme le proposent les plateformes Merlin-expo, ou le programme PopGen (virtual population generator).
Pour autant, produire une prédiction crédible implique un travail aussi fastidieux que répétitif. Comme le note un data scientist à propos d’un autre type de modélisation, “Machine learning is not a one-shot process of building a dataset and running a learner, but rather an iterative process of running the learner, analyzing the results, modifying the data and/or the learner, and repeating.” (P. Domingos, cité dans Mackenzie A., 2015, ‘The Production of Prediction: What Does Machine Learning Want?’ European Journal of Cultural Studies 18 (4–5): 429–45.) De même manière, tant en modélisation pharmacocinétique qu’en structure–activité ou encore en matière de modélisation de données in vitro, modéliser c'est: théoriser le fonctionnement d'un système, puis produire, rassembler, nettoyer les données nécessaires pour le simuler, mais aussi choisir, concevoir et régler les outils logiciels permettant de faire ces simulations, paramétrer, calibrer, confirmer, évaluer le modèle, très souvent également travailler à l’harmonisation des données, outils et paramètres — puis recommencer en fonction des résultats et des demandes. Ce travail n’est pas autonome : il est fait de manière collaborative, parfois concurrentielle sur divers modèles par différents groupes de modélisateurs. En somme, un modèle est le produit d'un travail particulièrement long de crédibilisation. Ce travail explique que dans certains cas, on considère qu’il n’est pas plus avantageux de modéliser qu’expérimenter. Il explique aussi que s’écoule fréquemment vingt ans entre les premières tentatives de formalisation d’une technique de modélisation, et son utilisation en routine pour l’évaluation des risques. Le contexte de l’action publique, l’utilisation de modèles pour produire des évaluations de danger ou de risque, ne fait d’ailleurs que donner plus de poids et d’ampleur à ce travail, parce que la visée de la décision publique renforce les épreuves de crédibilité auxquelles sont soumis les modèles. Les techniques de modélisation mobilisées dans l'action publique sont même probablement soumis à plus de demandes de vérification, d'évaluation, de confirmation, à des impératifs plus forts encore de transparence, de minimisation des incertitudes, ainsi que de ‘user-friendliness’. Bien plus qu'un lieu d'application ou d'utilisation des modèles, l'action publique est un espace de production de la prédiction, qui en influence et fait évoluer les formes, les contenus, les outils. Cette journée d'études se focalise sur une série de techniques de modélisation de la toxicité des produits chimiques aujourd’hui utilisés dans l’action publique. Elle questionne la manière dont l'action publique, ses institutions, ses processus de décision, ses réseaux d'acteurs, ses controverses, fonctionnent comme autant d'épreuves de la valeur des données et des modèles, et la manière dont on parvient à produire une prédiction crédible dans cet espace. |
|
9h
Accueil 9h30 Introduction à la journée d’étude — David Demortain (LISIS) 10h-10h45 Modèles d’exposition et évaluation des pesticides — Jean-Noël Jouzel (CSO) 10h45-11h30 Discussion sur les modèles d’exposition — avec Amélie Crepet (ANSES), Sylvain Parasie (LISIS), François Dedieu (LISIS) 11h30-11h45 Pause-café 11h45-12h45 Modélisation QSAR et régulation flexible des produits chimiques — Brice Laurent (CSI) et François Thoreau (SPIRALE) 12h45-14h Déjeuner 14h-14h45 Economie de la prédiction : les outils logiciels pour QSAR et read-across — Henri Boullier (CERMES) et David Demortain (LISIS) 14h45-15h30 Discussion sur la modélisation QSAR — avec François Busquet (CAAT), Bob Diderich (OCDE), Nathalie Printemps (ANSES) 15h30-15h45 Pause-café 15h45-16h30 Modèles pharmacocinétiques et évaluation des risques — David Demortain 16h30-17h15 Discussion sur les modèles pharmacocinétiques — avec Paul Quindroit (INERIS-METO) et Laurent Bodin (ANSES) 17h15-17h45 Discussion finale et conclusion de la journée d’étude |
