La construction de modèles non-linéaires à effets mixtes (NLMEM) enrichit notre compréhension des processus biologiques. L'estimation dans ces modèles est facilitée par des méthodes de maximum de vraisemblance, notamment l'algorithme Stochastic Approximation Expectation-Maximization (Kuhn & Lavielle, 2005). Toutefois, cette méthode requiert une importante charge de calcul, ce qui a mené à proposer des techniques automatisées de modélisation, particulièrement pour la sélection de covariables définissant les paramètres au niveau individuel (Svensson et Jonsson, 2022 ; Aural et al.,2021). À l'instar de ces autres méthodes, en optimisant un critère d'information de type BIC, l'algorithme Stochastic Approximation for Model Building (SAMBA - Prague & Lavielle, 2022) élabore le modèle de covariables en se fondant sur la simulation de réalisations selon la loi a posteriori des
paramètres individuels. Initialement, SAMBA recourt à un algorithme stepAIC pour la sélection du lien de ces covariables sur ces réalisations. Dans ce travail, nous proposons l'utilisation de la méthode LASSO pour une meilleure gestion des covariables
de grande dimension. Cette méthode inclut un processus de sélection par stabilité (Meinshausen & Bühlmann, 2010). Nous avons validé notre approche à travers des simulations reproduisant la dynamique de la réponse immunitaire humorale à un vac-
cin contre Ebola (Pasin, 2019) en lien avec des données de transcriptomes mesurées au temps d'inclusion. Notamment, notre méthode a permis de réduire le taux de faux positifs, tout en conservant un taux de faux négatifs comparable. Nous avons mis
en œuvre notre méthode avec les données de l'essai Prevac/Prevac-UP (Prevac-UP Team, 2022), comparant deux vaccins contre Ebola autorisés en Afrique.