La nature stochastique de l'expression génique est maintenant clairement établie expérimentalement et apparaît comme une composante à part entière de la dynamique cellulaire. Une source importante de cette variabilité est liée au caractère dynamique des diverses structures multiprotéiques impliquées dans le processus d'expression génique. Nous étudions ici, par la modélisation, comment les interactions entre des molécules au comportement individuel probabiliste sont susceptibles de faire naître des dynamiques globales pouvant influencer l'expression génique. Nous nous concentrons plus particulièrement sur deux aspects du processus d'expression : d'une part, son caractère spatialisé au sein d'un noyau cellulaire structuré et dynamique et, d'autre part, la combinatoire des événements moléculaires stochastiques au niveau du promoteur d'un gène. Pour l'étude des phénomènes d'organisation mésoscopique au sein du noyau cellulaire, nous proposons un modèle de simulation "4D" (intégrant l'espace et le temps). Il emprunte différentes techniques aux formalismes des échelles inférieures (moléculaires) et supérieures (cellulaires), en gardant les aspects essentiels à notre étude (individualité de certaines molécules, exclusion stérique, interactions électromagnétiques, réactions chimiques . . .). Afin d'étudier spécifiquement la dynamique stochastique de la régulation transcriptionnelle, nous proposons un second modèle décrivant les événements d'association/dissociation et de modification de la chromatine en se basant sur l'affinité coopérative/compétitive des molécules et leur potentielle activité enzymatique ou de remodelage. Par des techniques analytiques et computationnelles, nous caractérisons alors l'activité du promoteur à l'aide d'outils de théorie du signal, mais aussi en reproduisant les mesures obtenues par diverses techniques expérimentales (cinétique de ChIP, FRAP, FRET, cytométrie de flux . . .). L'analyse de ce modèle démontre que l'activité spontanée du promoteur peut être complexe et structurée, présentant en particulier des dynamiques multi-échelles similaires à celles observées expérimentalement (turnover rapide des molécules, comportements cycliques lents, hétérogénéités transcriptionnelles . . .). Nous montrons enfin comment la confrontation de mesures expérimentales de diverses natures peut renseigner sur la structure du système sous-jacent. Ce modèle apparaît alors comme un cadre théorique général pour l'étude de la dynamique des promoteurs et pour l'interprétation intégrée de données expérimentales.

Les peptides non-ribosomiaux sont des molécules produites par les micro-organismes et présentant un large éventail d'activités biologiques et pharmaceutiques. Par exemple, ils peuvent présenter des activités antibiotiques, immuno-modulatrices ou anti-tumorales. Ces peptides sont synthétisés par de grands complexes multi-enzymatiques, appelés synthétases ou NRPS (NonRibosomal Peptide Synthetases). Deux traits caractéristiques distinguent ces peptides des peptides ribosomiaux classiques : le premier est que leur structure primaire n'est pas toujours linéaire mais peut être totalement ou partiellement cyclique, branchée voir même poly-cyclique, et le second est la diversité des monomères incorporés au sein de ces peptides qui dépasse largement les vingt acides aminés protéogéniques. Nous avons développé Norine, la première ressource publique entièement dédiée aux peptides nonribosomiaux. Norine contient actuellement plus de 1 000 peptides, modélisés par des graphes étiquetés non-orientés, ainsi que des outils informatiques permettant leur analyse, comme la comparaison de compositions en monomères, la recherche de motifs structuraux ou la recherche par similarité. Des analyses statistiques sur les données contenues dans Norine ont permis de mettre en évidence des caractéristiques biologiques intéressantes comme la spécificité des monomères en fonction de l'activité biologique qui nous a conduit à l'élaboration d'un outil d'aide à la prédiction de la fonction biologique d'un peptide à partir de sa composition monomérique. En trois ans, Norine est devenue la ressource internationale pour les peptides non-ribosomiaux.

La génomique comparée est essentiellement une forme de fouille de données dans des grandes collections de relations <em>n</em>-aires. La croissance du nombre de génomes sequencés créé un stress sur la génomique comparée qui croit, au pire géométriquement, avec la croissance en données de séquence. Aujourd'hui même des laboratoires de taille modeste obtient, de façon routine, plusieurs génomes à la fois - et comme des grands consortia attend de pouvoir réaliser des analyses tout-contre-tout dans le cadre de ses stratégies multi-génomes. Afin d'adresser les besoins à tous niveaux il est nécessaire de repenser les cadres algorithmiques et les technologies de stockage de données utilisés pour la génomique comparée. Pour répondre à ces défis de mise à l'échelle, dans cette thèse nous développons des méthodes originales basées sur les technologies NoSQL et MapReduce. À partir d'une caractérisation des sorts de données utilisés en génomique comparée et d'une étude des utilisations typiques, nous définissons un formalisme pour le Big Data en génomique, l'implémentons dans la plateforme NoSQL Cassandra, et évaluons sa performance. Ensuite, à partir de deux analyses globales très différentes en génomique comparée, nous définissons deux stratégies pour adapter ces applications au paradigme MapReduce et dérivons de nouveaux algorithmes. Pour le premier, l'identification d'événements de fusion et de fission de gènes au sein d'une phylogénie, nous reformulons le problème sous forme d'un parcours en parallèle borné qui évite la latence d'algorithmes de graphe. Pour le second, le clustering consensus utilisé pour identifier des familles de protéines, nous définissons une procédure d'échantillonnage itérative qui converge rapidement vers le résultat global voulu. Pour chacun de ces deux algorithmes, nous l'implémentons dans la plateforme MapReduce Hadoop, et évaluons leurs performances. Cette performance est compétitive et passe à l'échelle beaucoup mieux que les algorithmes existants, mais exige un effort particulier (et futur) pour inventer les algorithmes spécifiques.

Durant cette thèse, nous avons travaillé sur l'adaptation des algorithmes d'inférence grammaticale pour la recherche des propriétés communes à un ensemble de protéines. L'inférence grammaticale positive cherche à générer, à partir d'un ensemble de mots appartenant à un langage cible particulier inconnu, une représentation grammaticale qui est "optimale" par rapport à ce langage, c'est-à-dire qui rassemble et organise les particularités des mots du langage. Nous avons utilisé le diagramme de Taylor, qui classe les acides aminés suivant leurs propriétés physico-chimiques, pour construire, sous forme de treillis, un ordre sur les groupes d'acides aminés. Nous avons aussi développé une méthode d'inférence (SDTM) qui calcule les meilleurs alignements locaux entre les paires de protéines suivant un score fondé à la fois sur cet ordre et sur les propriétés statistiques de l'ensemble de protéines donné. Le résultat est une machine séquentielle proche de celle de Mealy avec des sorties réduites à "accepte" et "rejette". L'algorithme commence par construire le plus grand automate reconnaissant exactement les mots du langage et le généralise par fusions successives des paires de transitions correspondant aux acides aminés appariés dans les alignements sélectionnés. Les expérimentations ont montré l'intérêt de cette combinaison de méthodes importées de la découverte de motifs et de l'inférence grammaticale.

Déterminer la structure 3D des protéines expérimentalement est une tâche très lourde et coûteuse, qui peut s'avérer parfois impossible à réaliser. L'arrivée massive de données provenant des programmes de séquençage à grande échelle impose de passer d'une approche biochimique à une approche bioinformatique, et nécessite en particulier de développer des méthodes de prédiction sur des séquences.<br />Cette thèse propose l'exploration de deux nouvelles pistes pour progresser dans la résolution de prédiction de ponts disulfures dans les protéines. Cette liaison covalente stabilise et contraint fortement la conformation spatiale de la protéine et la connaissance des positions où elle intervient peut réduire considérablement la complexité du problème de la prédiction de la structure 3D. Pour cela, nous utilisons dans un premier temps, l'inférence grammaticale et plus particulièrement les langages de contrôle introduit par Y. Takada, puis dans un deuxième temps, la programmation logique inductive.<br />Diverses expériences visent à confronter un cadre théorique d'apprentissage et des algorithmes généraux d'inférence grammaticale régulière à une application pratique de prédiction d'appariements spécifiques au sein d'une séquence protéique. D'autres expérimentations montrent que la programmation logique inductive donne de bons résultats sur la prédiction de l'état oxydé des cystéines en inférant des règles interprétables par les biologistes. Nous proposons un algorithme d'induction heuristique dont l'idée est d'effectuer plusieurs phases d'apprentissage en tenant compte des résultats obtenus aux phases précédentes permettant ainsi de diminuer considérablement la combinatoire dans les espaces d'hypothèses logiques en construisant des règles de plus en plus discriminantes.

L'alimentation en eau constitue le principal facteur limitant la croissance, voire la survie des<br />plantes. Les modèles climatiques prévoient pour les 50 à 100 années à venir une baisse des<br />précipitations et des températures estivales accrues dans la moitié sud de la France. La durée<br />de vie d'une forêt de pin maritime, de sa plantation jusqu'à la coupe d'exploitation est<br />justement de 50 ans. Il est donc important de savoir si ces organismes pourront faire face à ces<br />brusques changements climatiques ; en d'autres termes si les variétés améliorées plantées<br />aujourd'hui pourront maintenir le niveau actuel de productivité dans un milieu plus pauvre en<br />eau, et tolérer des épisodes de sécheresse intense. La capacité de ces organismes à faire face à<br />ces perturbations brutales dépendra à la fois de leur plasticité phénotypique et de leur diversité<br />génétique. Dans le cadre de cette thèse, nous avons étudié la plasticité moléculaire du système<br />racinaire de jeunes plants de pin maritime élevés en milieu hydroponique et soumis à un stress<br />osmotique par ajout de polyéthylène glycol. Un plan factoriel croisant deux écotypes (France<br />et Maroc) par cinq niveaux de stress a permis d'analyser les réponses du transcriptome et du<br />protéome à court et long terme. Nos investigations ont porté sur l'accumulation des transcrits<br />de 7000 gènes et de 1200 protéines. L'analyse statistique des données a permis d'identifier<br />des gènes dont la plasticité moléculaire est génétiquement contrôlée, révélant des stratégies de<br />réponse différentes de chaque écotype. La valeur adaptative de ces gènes pourra alors être<br />confirmée par l'interprétation des patrons de diversité nucléotidique de ces gènes candidats.

Thèse de doctorat : Génomique : Nancy 1 : 2007. / Titre provenant de l'écran-titre.

La métagénomique vise à étudier le contenu génétique et génomique d'un échantillon provenant d'un environnement naturel. Cette discipline récente s'attache à étudier les génomes de différents organismes provenant d'un même milieu. La métagénomique pose de nouvelles questions, tant d'un point de vue biologique qu'informatique. Les masses de données générées par les études métagénomiques et la complexité des milieux étudiés, nécessitent de développer de nouvelles structures de données et de nouveaux algorithmes dédiés. Parmi les différentes approches existantes en métagénomique, la métagénomique comparative consiste à comparer plusieurs métagénomes afin d'en connaître les divers degrés de similarité. Lorsque cette comparaison se base uniquement sur le contenu brut des échantillons, sans faire appel à des connaissances externes, on parle de métagénomique comparative de novo. L'objectif des travaux que nous proposons est de développer une méthode permettant d'extraire les séquences similaires de deux jeux de données métagénomiques, où chaque jeu peut être composé de centaines de millions de courtes séquences. La comparaison proposée consiste à identifier les séquences d'un premier jeu similaires à au moins une séquence d'un second jeu. Afin d'être rapide et économe en mémoire, l'implémentation de notre méthode a nécessité la conception d'une nouvelle structure d'indexation, basée sur le filtre de bloom. Le logiciel final, nommé Compareads, a une consommation mémoire faible (de l'ordre de quelques go) et peut calculer l'intersection de deux échantillons de 100 millions de séquences chacun en une dizaine d'heures. Notre méthode est une heuristique qui génère un faible taux de faux positifs. Le logiciel Compareads est dédié à l'analyse de grands jeux de données métagénomiques. À l'heure actuelle, il est le seul outil capable de comparer de tels jeux. Compareads a été appliqué sur plusieurs projets métagénomiques. Notre outil produit des résultats robustes, biologiquement exploitables et en accord avec diverses méthodes fondamentalement différentes. Il est actuellement utilisé de manière intensive sur les échantillons provenant de l'expédition tara oceans. Sur ce projet, notre méthode à permis de mettre en évidence que les grands systèmes océaniques influent sur la répartition globale des micro-organismes marins.

Le modèle Aevol est un modèle d'évolution expérimentale in silico développé par Carole Knibbe et Guillaume Beslon pour étudier l'évolution de la structure des génomes. Aevol a permis d'identifier une très forte pression de sélection indirecte vers un certain niveau de variabilité mutationnelle du phénotype : la survie à long terme d'une lignée étant conditionnée à sa capacité à produire des mutations avantageuses sans pour autant produire trop de mutations délétères, un certain compromis entre robustesse et évolvabilité est indirectement sélectionné. Une conséquence de cette pression de sélection indirecte est le rôle central joué par le taux spontané de réarrangements chromosomiques dans la détermination de la structure du génome. Dans ce travail, nous avons modifié le modèle Aevol pour introduire d'une part un processus explicite de régulation de l'expression des gènes et d'autre part, une sensibilité aux similarités entre séquences dans les événements de recombinaison de l'ADN. Nous avons ainsi pu étudier l'effet de ces variations sur la sélection de second-ordre. Nous avons en particulier observé que celle-ci est extrêmement robuste aux choix de modélisation : les effets liés aux réarrangements sont en effet observés de la même façon lorsque les organismes possèdent un réseau de régulation (qui plus est, ces effets sont visibles sur le réseau lui-même), lorsque les réarrangements se produisent préférentiellement entre séquences similaires et lorsque les transferts horizontaux sont possibles. De plus, les effets de cette pression de sélection de second-ordre ne sont pas limités au niveau génomique : de forts taux de réarrangements tendent à donner lieu à des génomes présentant beaucoup d'opérons, très peu d'ARNs non-codants et des réseaux de régulation très simples. Au contraire, chez les organismes ayant évolué avec de faibles taux de réarrangement, la plupart des gènes sont transcrits sur des ARNs monocistroniques. Ces organismes possèdent un grand nombre d'ARNs non-codants et présentent des réseaux de régulation très complexes. Ces effets observés dans le modèle à différents niveaux d'organisation peuvent s'apparenter à de nombreuses caractéristiques observées chez les organismes réels. Ainsi les pressions sélectives indirectes observées grâce au model Aevol permettent de reproduire un large spectre de propriétés biologiques connues en ne modifiant que le seul taux de réarrangements dans le modèle. Ces mécanismes de sélection indirecte apparaissent donc comme de bons candidats pour expliquer ces mêmes observations sur les organismes réels.

Une demande croissante d'outils pour construire et décrypter des réseaux génétiques contrôlant des processus cellulaires est ressentie en biologie. Nous soutenons que l'utilisation de l'approche déclarative est pertinente et applicable pour répondre aux questions des biologistes sur ces réseaux, en général partiellement connus. L'idée principale est de modéliser des connaissances portant à la fois sur la structure et la dynamique d'un réseau par un ensemble de contraintes représentant l'ensemble des solutions, de vérifier sa cohérence, de réparer une incohérence éventuelle par un relâchement automatique, et d'inférer des propriétés sur la structure et la dynamique du réseau. Pour montrer la faisabilité de l'approche, nous formalisons les réseaux discrets de R. Thomas et les propriétés biologiques pertinentes, proposons un outil reposant sur la programmation logique par contraintes en coopération avec un solveur SAT, et la validons sur des applications biologiques significatives.