Lors de la conception de médicaments, le criblage in silico est de plus en plus utilisé et lesméthodes disponibles nécessitent d'être évaluées. L'évaluation de 8 méthodes a mis enévidence l'efficacité des méthodes de criblage in silico et des problèmes de construction de labanque d'évaluation de référence (DUD), la conformation choisie pour les sites de liaisonn'étant pas toujours adaptée à tous les actifs. La puissance informatique actuelle le permettant,plusieurs structures expérimentales ont été choisies pour tenter de mimer la flexibilité dessites de liaison. Un autre problème a été mis en évidence : les métriques d'évaluation desméthodes souffrent de biais. De nouvelles métriques ont donc été proposées, telles queBEDROC et RIE. Une autre alternative est proposée ici, mesurant la capacité prédictive d'uneméthode en actifs. Enfin, une petite molécule active sur le TNFα in vitro et in vivo sur souris aété identifiée par un protocole de criblage in silico. Ainsi, malgré le besoin d'amélioration desméthodes, le criblage in silico peut être d'un important soutien à l'identification de nouvellesmolécules a visée thérapeutique. / Since the introduction of virtual screening in the drug discovery process, the number ofvirtual screening methods has been increasing and available methods have to be evaluated.In this work, eight virtual screening methods were evaluated in the DUD database, showingadequate efficiency. This also revealed some shortcomings of the DUD database as thebinding site conformation used in the DUD was not relevant for all the actives.As computational power now permits to address this issue, classical docking runs have beenperformed on several X-ray structures, used to represent the binding site flexibility. This alsorevealed that evaluation metrics show some biases. New evaluation metrics have thus beenproposed, e.g. BEDROC and RIE. An alternative method was also proposed usingpredictiveness curves, based on compound activity probabilityFinally, a virtual screening procedure has been applied to TNFa. A small molecule inhibitor,showing in vitro and in vivo activity in mice, has been identified. This demonstrated the valueof virtual screening for the drug discovery process, although virtual screening methods needto be improved.

Des mutations germinales dans les gènes majeurs du cancer du sein BRCA1 et BRCA2 sont responsables de la maladie chez les patientes cumulant histoire familiale et apparition du cancer à un jeune âge. Environ 15% des femmes testées pour les mutations de BRCA1 et BRCA2 sont porteuses d’une mutation clairement pathogénique dans un des deux gènes. Cependant, des variants de signification clinique incertaine (VUS pour "variants of uncertain clinical significance") sont détectés dans 5% à 15% des cas testés. Pour évaluer la signification clinique des VUS, le Breast cancer Infomation Core (BIC) a développé un modèle Bayésien intégré, basé sur des données d'observations. Align-GVGD, un algorithme d'évaluation des substitutions faux-sens basé sur l'histoire évolutionnaire de la protéine fournit la probabilité a priori du modèle. Cependant, lorsqu'une substitution silencieuse est détectée, elle sera jugée comme neutre par l'évaluation in silico. Pourtant, une mutation au niveau de l'ARNm peut perturber la mécanique de l'épissage, par deux moyens principaux: endommagement des sites sauvages d'épissage, ou la création de sites exoniques d'épissage de novo. Notre premier objectif est de rassembler les variants déjà publiés, de les re-analyser avec le modèle d'évaluation intégrée. Nous voulons extraire le plus de variants publiés premièrement sous le statut de VUS vers un statut plus informatif, avec des recommandations cliniques associées. Par la suite, nous voulons étendre le modèle pour évaluer plus de variants, plus précisément, en intégrant l'évaluation des perturbations de l'épissage. Finalement, nous serons capable de présenter et de fournir ces informations librement sur Internet, via une interface web populaire, une Leiden Open Variation Database (LOVD) / Germline mutations in major breast cancer susceptibility genes BRCA1 and BRCA2 are responsible for the disease for high-risk patients (patients with early onset and familial history of breast cancer). Around 15% of screened women for BRCA1 and BRCA2 mutations carry one clearly pathogenic mutation in one of those two genes. However, variants of uncertain clinical significance (VUS) are detected in 5% to 15% of tested patients. To assess clinical significance of VUS, the Breast cancer Information Core (BIC) has developed a Bayesian integrated model, based on observational data. Align-GVGD, an algorithm evaluating damage of missense substitutions based on the evolutionary history of the protein, is providing the prior probability of the model. However, whenever a silent substitution arise, it is firstly treated as neutral by the in silico assessment. Indeed, a mutation at the mRNA level can disrupt the splicing machinery by two main means: damaging wild-type splice sites, or creating exonic de novo splice sites. Our first goal is to be a central repository of already published variants, to re-analyze them using the unified integrated evaluation model. We would like to extract the most variants from the original published status of VUS to a more informative status, with associated clinical recommendations. Then we would like to extend the model to be able to evaluate more variants more precisely by adding the splicing damages assessment in the integrated evaluation. In the end, we will be able to provide these informations freely on Internet, via a widely use web interface, a Leiden Open Variation Database (LOVD)

Un échantillonnage statistique est central à de nombreuses méthodes algorithmiques pour la bioinformatique structurale des ARNs, où ils sont couramment utilisés pour identifier des modèles structuraux importants, fournir des résumés des espaces de repliement ou approcher des quantités d'intérêt dans l'équilibre thermodynamique. Dans tous ces exemples, la redondance dans l'ensemble échantillonné est non-informative et inefficace, limitant la portée des applications des méthodes existantes. Dans cette thèse, nous introduisons le concept de l'échantillonnage non-redondante et nous explorons ses applications et conséquences en bioinformatique des ARN.Nous commençons par introduire formellement le concept d'échantillonnage non-redondante et nous démontrons que tout algorithme échantillonnant dans la distribution de Boltzmann peut être modifié en une version non-redondante. Son implémentation repose sur une structure de données spécifique et la modification d'une remontée stochastique pour fournir l'ensemble des structures uniques, avec la même complexité.Nous montrons alors une exemple pratique en implémentant le principe d'échantillonnage non-redondant au sein d'un algorithme combinatoire qui échantillonne des structures localement optimales. Nous exploitons cet outil pour étudier la cinétique des ARN, modélisant des espaces de repliement générés à partir des structures localement optimales. Ces structures agissent comme des pièges cinétiques, rendant leur prise en compte essentielle pour analyser la dynamique des ARN. Des résultats empirique montrent que des espaces de repliement générés à partir des échantillons non-redondants sont plus proches de la réalité que ceux obtenus par un échantillonnage classique.Nous considérons ensuite le problème du calcul efficace d'estimateurs statistiques à partir d'échantillons non redondants. L'absence de la redondance signifie que l'estimateur naïf, obtenu en moyennant des quantités observés dans l'échantillon, est erroné. Par contre, nous établissons un estimateur non-trivial non-biaisé spécifique aux échantillons non-redondants suivant la distribution de Boltzmann. Nous montrons que l'estimateur des échantillons non-redondants est plus efficace que l'estimateur naïf, notamment dans les cas où la majorité des l'espace de recherche est échantillonné.Finalement, nous introduisons l'algorithme d'échantillonnage, avec sa contre-partie non-redondante, pour des structures secondaires présentant des pseudonoeuds de type simple. Des pseudonoeuds sont typiquement omis pour des raisons d'efficacité, bien que beaucoup d'entre eux possèdent une grande importance biologique. Nos commençons par proposer une schéma de programmation dynamique qui permet d'énumérer tous les pseudonoeuds composés de deux hélices pouvant contenir des bases non-appariés qui s'entrecroisent. Ce schéma généralise la proposition de Reeders et Giegerich, choisi pour sa base complexité temporelle et spatiale. Par la suite, nous expliquons comment adapter cette décomposition à un algorithme d'échantillonnage statistique pour des pseudonoeuds simples. Finalement, nous présentons des résultats préliminaires et nous discutons sur l'extension de principe non-redondant dnas ce contexte.Le travail présenté dans cette thèse ouvre non seulement la porte à l'analyse cinétique des séquences d'ARN plus longues, mais aussi l'analyse structurale plus détaillée des séquences d'ARN en général. L'échantillonnage non-redondant peut être employé pour analyser des espaces de recherche pour des problèmes combinatoires susceptibles à l'échantillonnage statistique, y inclus virtuellement tous problèmes solvables par la programmation dynamique. Les principes d'échantillonnage non-redondant sont robustes et typiquement faciles à implémenter, comme démontré par l'inclusion d'échantillonnage non-redondant dans les versions récentes de Vienna package populaire. / Sampling methods are central to many algorithmic methods in structural RNA bioinformatics, where they are routinely used to identify important structural models, provide summarized pictures of the folding landscapes, or approximate quantities of interest at the thermodynamic equilibrium.In all of these examples, redundancy within sampled sets is uninformative and computationally wasteful, limiting the scope of application of existing methods.In this thesis, we introduce the concept of non-redundant sampling, and explore its applications and consequences in RNA bioinformatics.We begin by formally introducing the concept of non-redundant sampling and demonstrate that any algorithm sampling in Boltzmann distribution can be modified into non-redundant variant. Its implementation relies on a specific data structure and a modification of the stochastic backtrack to return the set of unique structures, with the same complexity.We then show a practical example by implementing the non-redundant principle into a combinatorial algorithm that samples locally optimal structures. We use this tool to study the RNA kinetics by modeling the folding landscapes generated from sets of locally optimal structures. These structures act as kinetic traps, influencing the outcome of the RNA kinetics, thus making their presence crucial. Empirical results show that the landscapes generated from the non-redundant samples are closer to the reality than those obtained by classic approaches.We follow by addressing the problem of the efficient computation of the statistical estimates from non-redundant sampling sets. The absence of redundancy means that the naive estimator, obtained by averaging quantities observed in a sample, is erroneous. However we establish a non-trivial unbiased estimator specific to a set of unique Boltzmann distributed secondary structures. We show that the non-redundant sampling estimator performs better than the naive counterpart in most cases, specifically where most of the search space is covered by the sampling.Finally, we introduce a sampling algorithm, along with its non-redundant counterpart, for secondary structures featuring simple-type pseudoknots. Pseudoknots are typically omitted due to complexity reasons, yet many of them have biological relevance. We begin by proposing a dynamic programming scheme that allows to enumerate all recursive pseudoknots consisting of two crossing helices, possibly containing unpaired bases. This scheme generalizes the one proposed by Reeders and Giegerich, chosen for its low time and space complexities. We then explain how to adapt this decomposition into a statistical sampling algorithm for simple pseudoknots. We then present preliminary results, and discuss about extensions of the non-redundant principle in this context.The work presented in this thesis not only opens the door towards kinetics analysis for longer RNA sequences, but also more detailed structural analysis of RNAs in general. Non-redundant sampling can be applied to analyze search spaces for combinatorial problems amenable to statistical sampling, including virtually any problem solved by dynamic programming. Non-redundant sampling principles are robust and typically easy to implement, as demonstrated by the inclusion of non-redundant sampling in recent versions of the popular Vienna package.

The past five years has seen the discovery of a wealth of genetics variants associated with an incredible range of diseases and traits that have been identified in genome- wide association studies (GWAS). These GWAS have typically been performed in in- dividuals of European descent, prompting a call for such studies to be conducted over a more diverse range of populations. These include groups such as African Ameri- cans and Latinos as they are recognised as bearing a disproportionately large burden of disease in the U.S. population. The variation in ancestry among such groups must be correctly accounted for in association studies to avoid spurious hits arising due to differences in ancestry between cases and controls. Such ancestral variation is not all problematic as it may also be exploited to uncover loci associated with disease in an approach known as admixture mapping, or to estimate recombination rates in admixed individuals. Many models have been proposed to infer genetic ancestry and they differ in their accuracy, the type of data they employ, their computational efficiency, and whether or not they can handle multi-way admixture. Despite the number of existing models, there is an unfulfilled requirement for a model that performs well even when the ancestral populations are closely related, is extendible to multi-way admixture scenarios, and can handle whole- genome data while remaining computationally efficient. In this thesis we present a novel method of ancestry estimation named MULTIMIX that satisfies these criteria. The underlying model we propose uses a multivariate nor- mal to approximate the distribution of a haplotype at a window of contiguous SNPs given the ancestral origin of that part of the genome. The observed allele types and the ancestry states that we aim to infer are incorporated in to a hidden Markov model to capture the correlations in ancestry that we expect to exist between neighbouring sites. We show via simulation studies that its performance on two-way and three-way admixture is competitive with state-of-the-art methods, and apply it to several real admixed samples of the International HapMap Project and the 1000 Genomes Project.

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. / The Aevol model is an in silico experimental evolution model that was specifically developped by Carole Knibbe to study the evolution of the structure of the genome. Using Aevol, a very strong second-order selective pressure towards a specific level of mutational variability of the phenotype was revealed: it was shown that since the survival of a lineage on the long term is conditionned to its ability to produce beneficial mutations while not loosing those previously found, a specific trade-off between robustness and evolvability is indirectly selected. A consequence of this indirect selective pressure is the central role played by the spontaneous rate of chromosomal rearrangements in determining the structure of the genome. More specifically, it was shown that because some rearrangements (large duplications and large deletions) have an impact not only arround their breakpoints but on the whole sequence between them, non-coding sequences are actually mutagenic for the coding sequences they surround. The consequence is a clear trend for organisms having evolved under high rearrangement rates to have very short genomes with hardly any non-coding sequences while organisms evolving in the context of low rearrangement rates have huge, mostly non-coding genomes. Here, we modified the Aevol model to introduce an explicit regulation of gene expression as well as a sensitivity to sequence similarity in DNA recombination events. We observed that the effects of the second-order pressure mentioned above are very robust to modelling choices: they are similarly observed when gene regulation is made available, when rearrangements occur preferentially between similar sequences and even when a biologically plausible process of horizontal transfer is allowed. Moreover, the effects of this second-order selective pressure are not limited to the genomic level: high rearrangement rates usually lead to genomes that have many polycistronic RNAs, almost no non-coding RNAs and very simple regulation networks. On the contrary, at low rearrangement rates organisms have most of their genes transcribed on monocistronic RNAs, they own a huge number of coding RNAs and present very complex and intricate regulation networks. These astounding effects at different levels of organization can account for many features found on real organisms. Thus, the indirect selective pressure that was identified thanks to the Aevol model allows to reproduce a large panel of known biological properties by changing the sole spontaneous rearrangement rate, making this pressure a good candidate for explaining these observations on real organisms.

Variation et sélection sont au coeur de l'évolution Darwinienne. Cependant, ces deux mécanismes dépendent de processus eux-mêmes façonnés par l'évolution. Chez les micro-organismes, qui font face à des environnements souvent variables, ces propriétés adaptatives sont particulièrement bien exploitées, comme le démontrent de nombreuses expériences en laboratoire. Chez ses organismes, l'évolution semble donc avoir optimisé sa propre capacité à évoluer, un processus que nous nommons évolution de l'évolution (EvoEvo). La notion d'évolution de l'évolution englobe de nombreux concepts théoriques, tels que la variabilité, l'évolvabilité, la robustesse ou encore la capacité de l'évolution à innover (open-endedness). Ces propriétés évolutives des micro-organismes, et plus généralement de tous les organismes vivants, sont soupçonnées d'agir à tous les niveaux d'organisation biologique, en interaction ou en conflit, avec des conséquences souvent complexes et contre-intuitives. Ainsi, comprendre l'évolution de l'évolution implique l'étude de la trajectoire évolutive de micro-organismes — réels ou virtuels —, et ce à différents niveaux d'organisation (génome, interactome, population, …). L'objectif de ce travail de thèse a été de développer et d'étudier des modèles mathématiques et numériques afin de lever le voile sur certains aspects de l'évolution de l'évolution. Ce travail multidisciplinaire, car impliquant des collaborations avec des biologistes expérimentateur•rice•s, des bio-informaticien•ne•s et des mathématicien•ne•s, s'est divisé en deux parties distinctes, mais complémentaires par leurs approches : (i) l'extension d'un modèle historique en génétique des populations — le modèle géométrique de Fisher — afin d'étudier l'évolution du bruit phénotypique en sélection directionnelle, et (ii) le développement d'un modèle d'évolution in silico multi-échelles permettant une étude plus approfondie de l'évolution de l'évolution. Cette thèse a été financée par le projet européen EvoEvo (FP7-ICT-610427), grâce à la commission européenne. / Variation and selection are the two core processes of Darwinian Evolution. Yet, both are directly regulated by many processes that are themselves products of evolution. Microorganisms efficiently exploit this ability to dynamically adapt to new conditions. Thus, evolution seems to have optimized its own ability to evolve, as a primary means to react to environmental changes. We call this process evolution of evolution (EvoEvo). EvoEvo covers several aspects of evolution, encompassing major concepts such variability, evolvability, robustness, and open-endedness. Those phenomena are known to affect all levels of organization in bacterial populations. Indeed, understanding EvoEvo requires to study organisms experiencing evolution, and to decipher the evolutive interactions between all the components of the biological system of interest (genomes, biochemical networks, populations, ...). The objective of this thesis was to develop and exploit mathematical and numerical models to tackle different aspects of EvoEvo, in order to produce new knowledge on this topic, in collaboration with partners from diverse fields, including experimental biology, bioinformatics, mathematics and also theoretical and applied informatics. To this aim, we followed two complementary approaches: (i) a population genetics approach to study the evolution of phenotypic noise in directional selection, by extending Fisher's geometric model of adaptation, and (ii) a digital genetics approach to study multi-level evolution. This work was funded by the EvoEvo project, under the European Commission (FP7-ICT-610427).

L'analyse bioinformatique des données de transcriptomique a pour but d'identifier les gènes qui présentent des variations d'expression entre différentes situations, par exemple entre des échantillons de tissu sain et de tissu malade et de caractériser ces gènes à partir de leurs annotations fonctionnelles. Dans ce travail de thèse, je propose quatre contributions pour la prise en compte des connaissances du domaine dans ces méthodes. Tout d'abord je définis une nouvelle mesure de similarité sémantique et fonctionnelle (IntelliGO) entre les gènes, qui exploite au mieux les annotations fonctionnelles issues de l'ontologie GO ('Gene Ontology'). Je montre ensuite, grâce à une méthodologie d'évaluation rigoureuse, que la mesure IntelliGO est performante pour la classification fonctionnelle des gènes. En troisième contribution je propose une approche différentielle avec affectation floue pour la construction de profils d'expression différentielle (PED). Je définis alors un algorithme d'analyse de recouvrement entre classes fonctionnelles et ensemble des références, ici les PEDs, pour mettre en évidence des gènes ayant à la fois les mêmes variations d'expression et des annotations fonctionnelles similaires. Cette méthode est appliquée à des données expérimentales produites à partir d'échantillons de tissus sains, de tumeur colo-rectale et de lignée cellulaire cancéreuse. Finalement, la mesure de similarité IntelliGO est généralisée à d'autres vocabulaires structurés en graphe acyclique dirigé et enraciné (rDAG) comme l'est l'ontologie GO, avec un exemple d'application concernant la réduction sémantique d'attributs avant la fouille. / Bioinformatic analyses of transcriptomic data aims to identify genes with variations in their expression level in different tissue samples, for example tissues from healthy versus seek patients, and to characterize these genes on the basis of their functional annotation. In this thesis, I present four contributions for taking into account domain knowledge in these methods. Firstly, I define a new semantic and functional similarity measure which optimally exploits functional annotations from Gene Ontology (GO). Then, I show, thanks to a rigorous evaluation method, that this measure is efficient for the functional classification of genes. In the third contribution, I propose a differential approach with fuzzy assignment for building differential expression profiles (DEPs). I define an algorithm for analyzing overlaps between functional clusters and reference sets such as DEPs here, in order to point out genes that have both similar functional annotation and similar variations in expression. This method is applied to experimental data produced from samples of healthy tissue, colorectal tumor and cancerous cultured cell line. Finally the similarity measure IntelliGO is generalized to another structured vocabulary organized as GO as a rooted directed acyclic graph, with an application concerning the semantic reduction of attributes before mining.

The evolutionary options of a population are strongly influenced by the avail- ability of adaptive mutants. In this thesis, I use the concept of neutral networks to show that neutral drift can actually increase the accessibility of adaptive mu- tants, and therefore facilitate adaptive evolutionary change. Neutral networks are groups of unique genotypes which all code for the same phenotype, and are connected by simple point mutations. I calculate the size and shape of the networks in a small but exhaustively enumerated space of RNA genotypes by mapping the sequences to RNA secondary structure phenotypes. The qual- itative results are similar to those seen in many other genotype–phenotype map models, despite some significant methodological differences. I show that the boundary of each network has single point–mutation connections to many more phenotypes than the average individual genotype within that network. This means that paths involving a series of neutral point–mutation steps across a network can allow evolution to adaptive phenotypes which would otherwise be extremely unlikely to arise spontaneously. This can be likened to walking along a flat ridge in an adaptive landscape, rather than traversing or jumping across a lower fitness valley. Within this model, when a genotype is made up of just 10 bases, the mean neutral path length is 1.88 point mutations. Furthermore, the map includes some networks that are so convoluted that the path through the network is longer than the direct route between two sequences. A minimum length adaptive walk across the genotype space usually takes as many neutral steps as adaptive ones on its way to the optimum phenotype. Finally I show that the shape of a network can have a very important affect on the number of generations it takes a population to drift across it, and that the more routes between two sequences, the fewer generations required for a population to find an advantageous sequence. My conclusion is that, within the RNA map at least, the size, shape and connectivity of neutral networks all have a profound effect on the way that sequences change and populations evolve, and by not considering them, we risk missing an important evolutionary mechanism.

This thesis explores the role of collective cell migration and self-organisation in the development of the embryo and in vitro tissue formation through mathematical and computational approaches. We consider how population heterogeneity, microenvironmental signals and cell-cell interactions facilitate cells to collectively organise and navigate, with the aim to work towards uncovering general rules and principles, rather than delving into the microscopic molecular details. To ensure the biological relevance of our results, we collaborate closely with experimental biologists working on two model systems. First, to understand how neural crest cells obtain directionality, maintain persistence and specialise during their migration, we use computational simulations in parallel with imaging of chick embryos under genetic and surgical perturbations. We show how only a few cells adopting a leader state that enables them to read out chemical signals can lead a population of cells in a follower state over long distances in the embryo. Furthermore, we devise and test an improved mechanism of how cells dynamically switch between leader and follower states in the presence of a chemoattractant gradient. Our computational work guides the choice of new experiments, aids in their interpretation and probes hypotheses in ways the experiments can not. Secondly, to study the self-organisation of mouse skin cells in vitro, we draw on aggregation processes and scaling theory. Dermal and epidermal cells, after being dissociated and mixed, can reconstitute functional (transplantable and hair-growing) skin in culture. Using kinetic aggregation models and scaling analysis we show that the initial clustering of epidermal cells can be described by Smoluchowski coagulation, consistent with the dynamics of the "clustering clusters" universality class. Then, we investigate a potential mechanism for the size-regulation of cell aggregates during the later stages of the skin reconstitution process. Our analysis shows the extent to which this tissue formation follows a single physical process and when the transition to different dynamics occurs, which may be triggered by cellular biochemical changes.

Les astrocytes sont des cellules gliales du système nerveux central, essentielles à la formation des synapses, à la barrière hémato-encéphalique ainsi qu’au maintien de l'homéostasie. Récemment, les astrocytes ont été identifiés comme éléments clés du traitement de l'information dans le système nerveux central. Les astrocytes peuvent communiquer avec les neurones au niveau des synapses et moduler la communication neuronale en libérant des gliotransmetteurs et en absorbant des neurotransmetteurs. L’utilisation de nouvelles techniques comme la microscopie à super-résolution et les indicateurs calciques encodés génétiquement a permis de révéler une grande diversité spatio-temporelle des signaux calciques astrocytaires. La majorité de ces signaux sont observés au sein de leurs prolongements cellulaires, qui sont le site de communication entre neurones et astrocytes. Ces prolongements sont trop fins pour être observés en microscopie optique conventionnelle, de sorte que la microscopie à super-résolution et la modélisation informatique sont les seules méthodes adaptées à leur étude. Les travaux présentés dans cette thèse ont pour but d’étudier l'effet des propriétés spatiales (telles que la géométrie cellulaire, les distributions moléculaires et la diffusion) sur les signaux calciques dans les prolongements astrocytaires. Historiquement, les signaux calciques ont été modélisés à l'aide d'approches déterministes non spatiales. Ces modèles ont permis l'étude des signaux calciques à l’échelle de la cellule entière voire à l’échelle du réseau de cellules. Ces méthodes ne prennent cependant pas en compte la stochasticité inhérente aux interactions moléculaires ainsi que les effets de diffusion, qui jouent un rôle important dans les petits volumes. Cette thèse présente un modèle stochastique et spatial qui a été développé dans le but d’étudier les signaux calciques dans les prolongements fins astrocytaires. Ce travail a été réalisé en collaboration avec des expérimentateurs, qui nous ont fourni des données de microscopie électronique et à super-résolution. Ces données ont permis de valider le modèle. Les simulations du modèle suggèrent que (1) la diffusion moléculaire, fortement influencée par la concentration et la cinétique des buffers calciques endogènes et exogènes, (2) l'organisation spatiale intracellulaire des molécules, notamment le co-clustering des canaux calciques, (3) la géométrie du reticulum endoplasmique et sa localisation dans la cellule, (4) la géométrie cellulaire influencent fortement les signaux calciques et pourraient être responsables de leur grande diversité spatio-temporelle. Ces travaux contribuent à une meilleure compréhension du traitement de l’information par les astrocytes, un prérequis pour une meilleure compréhension de la communication entre les neurones et les astrocytes ainsi que de son influence sur le fonctionnement du cerveau. / Astrocytes are predominant glial cells in the central nervous system, which are essential for the formation of synapses, participate to the blood-brain barrier and maintain the metabolic, ionic and neurotransmitter homeostasis. Recently, astrocytes have emerged as key elements of information processing in the central nervous system. Astrocytes can contact neurons at synapses and modulate neuronal communication via the release of gliotransmitters and the uptake of neurotransmitters. The use of super-resolution microscopy and highly sensitive genetically encoded Ca2+ indicators (GECIs) has revealed a striking spatiotemporal diversity of Ca2+ signals in astrocytes. Most astrocytic signals occur in processes, which are the sites of neuron-astrocyte communication. Those processes are too fine to be resolved by conventional light microscopy so that super-resolution microscopy and computational modeling remain the only methodologies to study those compartments. The work presented in this thesis aims at investigating the effect of spatial properties (as e.g cellular geometry, molecular distributions and diffusion) on Ca2+ signals in those processes, which are deemed essential in such small volumes. Historically, Ca2+ signals were modeled with deterministic well-mixed approaches, which enabled the study of Ca2+ signals in astrocytic networks or whole-cell events. Those methods however ignore the stochasticity inherent to molecular interactions as well as diffusion effects, which both play important roles in small volumes. In this thesis, we present the spatially-extended stochastic model that we have developed in order to investigate Ca2+ signals in fine astrocytic processes. This work was performed in collaboration with experimentalists that performed electron as well as super-resolution microscopy. The model was validated against experimental data. Simulations of the model suggest that (1) molecular diffusion, strongly influenced by the concentration and kinetics of endogenous and exogenous buffers, (2) intracellular spatial organization of molecules, notably the co-clustering of Ca2+ channels, (3) ER geometry and localization within the cell, (4) cellular geometry strongly influence Ca2+ dynamics and can be responsible for the striking diversity of astrocytic Ca2+ signals. This work contributes to a better understanding of astrocyte Ca2+ signals, a prerequisite for understanding neuron-astrocyte communication and its influence on brain function.