Les récentes technologies génomiques à haut-débit ont ouvert la voie aux études d'association visant la caractérisation systématique à l'échelle du génome des facteurs génétiques impliqués dans l'apparition des maladies génétiques complexes, telles que l'asthme et le diabète. Dans ces études, le déséquilibre de liaison (linkage disequilibrium, LD) reflète l'existence de dépendances complexes au sein des données génétiques et joue un rôle central, puisqu'il permet une localisation précise des facteurs génétiques. Néanmoins, la haute complexité du LD, ainsi que la dimension élevée des données génétiques, constituent autant de difficultés à prendre en compte. Les travaux de recherche réalisés au cours de cette thèse se sont placés dans cette perspective. La contribution des travaux de recherche présentés est double, puisqu'elle est à la fois théorique et appliquée. Sur le plan théorique, nous avons proposé une nouvelle approche de modélisation du LD. Elle est basée sur le développement d'un modèle issu du domaine de l'intelligence artificielle et de l'apprentissage automatique, la forêt de modèles hiérarchiques à classes latentes (FMHCL). Les nouveautés les plus significatives introduites sont la possibilité de prendre en compte la nature floue du LD et de hiérarchiser les différents degrés de LD. Un nouvel algorithme d'apprentissage supportant le passage à l'échelle, nommé CFHLC, a été développé et décliné en deux versions: la première nécessitant le découpage du génome en fenêtres contiguës pour résoudre le problème de passage à l'échelle, et la seconde (CFHLC+), plus récente et évoluée, résolvant le problème au moyen d'une fenêtre glissante sur le chromosome. A l'aide d'un jeu de données réelles, la comparaison de la méthode CFHLC avec des méthodes concurrentes a montré qu'elle offre une modélisation plus fine du LD. En outre, l'apprentissage sur des données présentant des patrons de LD variés a démontré la capacité de la FMHCL a reproduire fidèlement la structure du LD. Enfin, l'analyse empirique de la complexité de l'apprentissage a montré la linéarité en temps lorsque le nombre de variables à traiter augmente. Sur le plan appliqué, nous avons exploré deux pistes de recherche: la recherche de causalités et la visualisation synthétique et intuitive du LD. D'une part, une étude systématique de la capacité des FMHCL à la recherche de causalités est illustrée dans le contexte de la génétique d'association. Ce travail a établi les bases du développement de nouvelles méthodes de recherche dédiées à la découverte de facteurs génétiques causaux pour les études d'association à l'échelle du génome. D'autre part, une méthode a été développée pour la visualisation synthétique et intuitive du LD adaptée aux trois principales situations que peut rencontrer le généticien: la visualisation du LD de courte distance, de longue distance et dans un contexte pangénomique. Cette nouvelle méthode apporte des atouts majeurs qui sont les suivants: (i) le LD par paires (deux variables) et le LD multilocus (deux variables ou plus) sont simultanément visualisés, (ii) le LD de courte distance et le LD de longue distance sont facilement distingués, et (iii) l'information est synthétisée de manière hiérarchique.

Deux espèces sauvages de tournesols Helianthus annuus et H. petiolaris ont donné naissance il y a plusieurs milliers d'années à une espèce hybride H. paradoxus inféodée à des marais salins. Ma thèse a consisté à caractériser les bases génétiques de l'adaptation de H. paradoxus à ce milieu extrême.<br />J'ai recherché des signatures de sélection à deux échelles : à l'échelle du génome et à une échelle plus fine comprise entre 20 et 90 cM. Pour cela j'ai analysé les patrons de diversité génétique pour des marqueurs microsatellites dans trois populations naturelles de H. paradoxus et des deux espèces parentales, autour de trois QTL de survie et ailleurs dans le génome. A l'échelle du génome, une baisse de diversité autour de ces QTL a été mise en évidence chez l'espèce hybride et non chez ses parents indiquant qu'il est possible de détecter une signature de la sélection à cette échelle chez cette espèce. A l'échelle plus fine, le patron de diversité est en mosaïque. L'ordre des marqueurs n'étant pas connu avec certitude chez l'espèce hybride, une méthode basée sur le déséquilibre de liaison entre des marqueurs génotypés dans des populations naturelles a été développée. Cette méthode permet de regrouper sur une carte des marqueurs en fort déséquilibre de liaison. La correspondance entre carte de déséquilibre de liaison et carte génétique varie selon les populations et l'échelle génétique.<br />Parallèlement une étude physiologique et d'expression génique visant à comprendre le mécanisme d'adaptation à la salinité de H. paradoxus a été conduite. L'espèce hybride est très plastique, mais se porte mieux en milieu salin, ses feuilles sont plus succulentes, avec une concentration en sodium et sulfate très élevée dans ses tissus. Plusieurs gènes candidats, impliqués dans différentes voies de réponse à la salinité, et dont certains sont cartographiés dans les régions des QTL, sont différentiellement exprimés chez l'espèce hybride et chez ses parents. Ces résultats confirment qu'ils sont des candidats potentiels importants dans l'adaptation de H. paradoxus aux marais salins et donc impliqués dans le processus de spéciation.

Les avancées en Biologie Moléculaire ont accéléré le développement de techniques de génotypage haut-débit et ainsi permis le lancement des premières études génétiques d'association à grande échelle. La dimension et la complexité des données issues de ce nouveau type d'étude posent aujourd'hui de nouvelles perspectives statistiques et informatiques nécessaires à leur analyse, constituant le principal axe de recherche de cette thèse.<br />Après une description introductive des principales problématiques liées aux études d'association à grande échelle, nous abordons plus particulièrement les approches simple-marqueur avec une étude de puissance des principaux tests d'association, ainsi que de leur combinaisons. Nous considérons ensuite l'utilisation d'approches multi-marqueurs avec le développement d'une méthode d'analyse fondée à partir de la statistique du Score Local. Celle-ci permet d'identifier des associations statistiques à partir de régions génomiques complètes, et non plus des marqueurs pris individuellement. Il s'agit d'une méthode simple, rapide et flexible pour laquelle nous évaluons les performances sur des données d'association à grande échelle simulées et réelles. Enfin ce travail traite également du problème du test-multiple, lié aux nombre de tests à réaliser lors de l'analyse de données génétiques ou génomiques haut-débit. La méthode que nous proposons à partir du Score Local prend en compte ce problème. Nous évoquons par ailleurs l'estimation du Local False Discovery Rate à travers un simple modèle de mélange gaussien.<br />L'ensemble des méthodes décrites dans ce manuscrit ont été implémentées à travers trois logiciels disponibles sur le site du laboratoire Statistique et Génome : fueatest, LHiSA et kerfdr.

Le processus ancestral est appliqué pour étudier la variabilité génétique et la mesure de déséquilibre de liaison de séquences d’ADN, et faire de l’inférence statistique sur les divers facteurs responsables de cette variabilité. En tenant compte, en premier lieu, des facteurs de dérive génétique, de mutation, et de recombinaison, les calculs exacts de la mesure de déséquilibre de liaison de deux loci sont retrouvés. De plus, une approximation du processus exact, SMC (sequentially Markov chain), est utilisée pour trouver la mesure d’association à deux loci, et une formule de covariance pour calculer cette mesure est corrigée. En intégrant le facteur de conversion dans le modèle de Moran, on trouve l’espérance des mesures de polymorphisme exprimées par les espérances des mesures de variation intra-locus et inter-locus. Celles-ci sont calculées à l’aide de temps espérés dans les états ancestraux. De plus, l’espérance du déséquilibre de liaison est trouvée et il est montré qu’elle diminue quand le taux de recombinaison augmente. En utilisant ces résultats théoriques, on présente une méthode pour estimer les paramètres de mutation, de recombinaison, et de conversion. / The ancestral process is applied to investigate the amount of DNA variation and the amount of linkage disequilibrium ; it is also applied to make statistical inference about the multiple factors responsible for this variation. Considering genetic drift, mutation, and recombination events, the exact solutions for linkage disequilibrium between two loci are obtained. Furthermore, the association measure between two loci is obtained by using an approximation of the exact process, SMC (sequentially Markov chain), and correcting a covariance formula. After introducing intrachromosomal gene conversion under the Moran model, the expected amounts of variation within and between two loci are obtained using expected times spent in the ancestral states. Furthermore, the expectation of linkage disequilibrium is obtained and it is shown to decrease as the recombination rate is increased. Using these theoretical results, a method for estimating the mutation, recombination and gene conversion parameters is presented. / Les diagrammes de transitions d'états ont été réalisés avec le logiciel Latex.

En 1975, Wilson et King ont proposé que l'évolution opère non seulement via des changements affectant la structure des protéines, mais aussi via des mutations qui modifient la régulation génétique. L'étude des éléments régulateurs de l'expression génétique a un rôle important dans la compréhension de l'expression de différentes maladies et de la réponse thérapeutique. Nous avons développé un algorithme bio- informatique qui nous permet rapidement de trouver des sites de régulation génétique à travers tout le génome et pour une grande quantité de gènes. Notre approche consiste à trouver des sites polymorphes (SNPs) qui sont en déséquilibre de liaison avec le débalancement allélique (AI) afin de cartographier la région régulatrice et le site responsable. Notre méthode est avantageuse par rapport à d'autres méthodes, car elle n'a pas besoin des données « phasées». De plus, les données de débalancement allélique ne sont pas affectées par des facteurs externes étant donné qu'ils sont mesurés dans la même cellule. Nous avons démontré que notre approche est fiable et qu'elle peut détecter des sites loin du gène. De plus, il peut être appliqué à des données de génotypage sans avoir besoin de les « phaser » . / Wilson and King (1975) proposed that evolution frequently operates through mutations affecting genetic regulation. Likewise, it is expected that genetic variation responsible for inter-individual differences will be due to variation in regulatory sites. Identifying such sites is thus important in the genetic and medical research. We have developed a new bioinformatics algorithm to find genome-wide regulatory sites for a big number of genes. Individuals carrying different alleles at a regulatory site will exhibit allelic imbalance(AI) due to differential expression of the two copies the same locus. Our approach consists of searching polymorphic sites (SNPs) in linkage disequilibrium with AI in order to map regulatory regions. We have detected many SNPs associated to the regulation of different genes pointed in previous studies. We have also found regulatory regions far from the transcription start site (TSS). The major advantage of this method is that phased data is not needed. In addition, AI data has the benefit of not being affected by external factors since it is measured in the same cell. The results show that our approach is reliable and it can detect sites far from the gene.

Les diagrammes de transitions d'états ont été réalisés avec le logiciel Latex. / Le processus ancestral est appliqué pour étudier la variabilité génétique et la mesure de déséquilibre de liaison de séquences d’ADN, et faire de l’inférence statistique sur les divers facteurs responsables de cette variabilité. En tenant compte, en premier lieu, des facteurs de dérive génétique, de mutation, et de recombinaison, les calculs exacts de la mesure de déséquilibre de liaison de deux loci sont retrouvés. De plus, une approximation du processus exact, SMC (sequentially Markov chain), est utilisée pour trouver la mesure d’association à deux loci, et une formule de covariance pour calculer cette mesure est corrigée. En intégrant le facteur de conversion dans le modèle de Moran, on trouve l’espérance des mesures de polymorphisme exprimées par les espérances des mesures de variation intra-locus et inter-locus. Celles-ci sont calculées à l’aide de temps espérés dans les états ancestraux. De plus, l’espérance du déséquilibre de liaison est trouvée et il est montré qu’elle diminue quand le taux de recombinaison augmente. En utilisant ces résultats théoriques, on présente une méthode pour estimer les paramètres de mutation, de recombinaison, et de conversion. / The ancestral process is applied to investigate the amount of DNA variation and the amount of linkage disequilibrium ; it is also applied to make statistical inference about the multiple factors responsible for this variation. Considering genetic drift, mutation, and recombination events, the exact solutions for linkage disequilibrium between two loci are obtained. Furthermore, the association measure between two loci is obtained by using an approximation of the exact process, SMC (sequentially Markov chain), and correcting a covariance formula. After introducing intrachromosomal gene conversion under the Moran model, the expected amounts of variation within and between two loci are obtained using expected times spent in the ancestral states. Furthermore, the expectation of linkage disequilibrium is obtained and it is shown to decrease as the recombination rate is increased. Using these theoretical results, a method for estimating the mutation, recombination and gene conversion parameters is presented.

Cette thèse s'inscrit dans le contexte de la biologie de l'invasion de la chrysomèle des racines du maïs, Diabrotica virgifera virgifera (Dvv), en Europe. Les introductions multiples de cette peste sur le vieux continent à partir des années 1990 et en provenance des États-Unis ont conduit à la formation de plusieurs foyers envahissants dont deux principaux, différenciés génétiquement et situés en Italie du Nord-Ouest (Italie NO) et en Europe Centrale et du Sud-Est (Europe CSE). Ces deux foyers sont entrés en contact en 2008, en Italie du Nord, dans la région de la Vénétie. L'objectif principal de ces trois années de recherche était de détecter, d'étudier et de documenter un cas précis d'hybridation au cours d'une invasion biologique. Dans un premier temps, j'ai montré que la zone de contact détectée en Vénétie résultait bien en une zone hybride. Pour cela plusieurs types d'analyses de génétique des populations ont été réalisés à l'aide de marqueurs micro-satellites. Dans un second temps, j'ai exploité cette zone hybride et utilisé la théorie des clines neutres et le déséquilibre de liaison pour estimer la dispersion (σ) de Dvv en Italie du Nord aux alentours de 20 km.génération−1/2. Enfin j'ai montré l'absence d'impact de l'hybridation au cours de l'invasion européenne de Dvv in natura, en mesurant sur des génotypes hybrides et parentaux, de nombreux traits phénotypiques positivement liés à la fitness des individus. Ainsi, une sélection ou contre sélection des hybrides est à exclure dans ce cas précis d'hybridation et la dynamique de l'invasion de cette peste en Europe ne devrait être affectée en aucune façon.

En 1975, Wilson et King ont proposé que l'évolution opère non seulement via des changements affectant la structure des protéines, mais aussi via des mutations qui modifient la régulation génétique. L'étude des éléments régulateurs de l'expression génétique a un rôle important dans la compréhension de l'expression de différentes maladies et de la réponse thérapeutique. Nous avons développé un algorithme bio- informatique qui nous permet rapidement de trouver des sites de régulation génétique à travers tout le génome et pour une grande quantité de gènes. Notre approche consiste à trouver des sites polymorphes (SNPs) qui sont en déséquilibre de liaison avec le débalancement allélique (AI) afin de cartographier la région régulatrice et le site responsable. Notre méthode est avantageuse par rapport à d'autres méthodes, car elle n'a pas besoin des données « phasées». De plus, les données de débalancement allélique ne sont pas affectées par des facteurs externes étant donné qu'ils sont mesurés dans la même cellule. Nous avons démontré que notre approche est fiable et qu'elle peut détecter des sites loin du gène. De plus, il peut être appliqué à des données de génotypage sans avoir besoin de les « phaser » . / Wilson and King (1975) proposed that evolution frequently operates through mutations affecting genetic regulation. Likewise, it is expected that genetic variation responsible for inter-individual differences will be due to variation in regulatory sites. Identifying such sites is thus important in the genetic and medical research. We have developed a new bioinformatics algorithm to find genome-wide regulatory sites for a big number of genes. Individuals carrying different alleles at a regulatory site will exhibit allelic imbalance(AI) due to differential expression of the two copies the same locus. Our approach consists of searching polymorphic sites (SNPs) in linkage disequilibrium with AI in order to map regulatory regions. We have detected many SNPs associated to the regulation of different genes pointed in previous studies. We have also found regulatory regions far from the transcription start site (TSS). The major advantage of this method is that phased data is not needed. In addition, AI data has the benefit of not being affected by external factors since it is measured in the same cell. The results show that our approach is reliable and it can detect sites far from the gene.

Chez la tomate, l'amélioration pour la qualité du fruit est rendue difficile par la multiplicité et la complexité des caractères. La cartographie de QTL a permis la caractérisation génétique de ces caractères. L'objectif est maintenant d'identifier les gènes sous-jacents aux QTL. Nous avons utilisé la cartographie par déséquilibre de liaison (DL) dans ce but. Pour éviter les fausses associations entre caractères et polymorphismes moléculaires, la structure génétique a été prise en compte dans l'analyse. La tomate cultivée montre un faible niveau de diversité génétique, ce qui réduit la résolution de cartographie. Le génome de la tomate de type cerise est décrit comme une mosaïque entre celui de la tomate cultivée et de l'ancêtre sauvage. Ce mélange devrait augmenter la résolution des études d'association. Nous avons utilisé une « core collection » focalisée sur des accessions de type cerise pour valider la région génomique contenant un QTL pour le nombre de loges. Deux mutations sont associées avec le caractère. Ces deux SNP ont évolué différemment du reste du chromosome 2, en subissant une sélection balancée qui témoigne de l'augmentation de la diversité morphologique lors de la domestication. L'étude, focalisée sur le chromosome 2, a permis d'analyser l'étendue du DL en fonction de la distance génétique et physique. Des associations, entre polymorphismes et phénotypes étudiés, ont été détectés avec des méthodes prenant en compte la structure génétique. Nous avons montré l'intérêt d'utiliser la structure en mosaïque du génome des accessions de type cerise pour surmonter les limitations de résolution dans les analyses d'associations chez une espèce cultivée autogame. / In Tomato (Solanum lycopersicum), breeding for fruit quality is difficult due to the multiplicity and complexity of the traits. QTL mapping has allowed the genetic characterization of these traits. One of the challenges is now to identify the genes underlying these QTLs. Following this aim, we used linkage-disequilibrium (LD) mapping. To avoid hazardous associations between traits and polymorphisms, the genetic structure has to be taken into account for LD mapping. Cultivated tomato showed low genetic diversity reducing mapping resolution. Cherry type tomato genome is described to be admixture between cultivated tomato and its wild ancestor. Such admixture may increase resolution of association mapping. We used a core collection focused on cherry type accessions to validate a candidate gene for a fruit locule-number QTL. We found that two single nucleotide polymorphisms (SNP) were highly associated with the trait. These two SNP evolved differently from the rest of the chromosome 2. They underwent a balanced selection which testifies a selection for fruit morphology diversity by human. Association mapping, focused on whole chromosome 2, allowed us to assess the extent of linkage disequilibrium over genetic and physical distances. Associations of polymorphisms with phenotypes were detected with structured association methods. We thus showed efficiency of genome admixture to overcome the low-resolution limitation of association mapping for an inbred crop. We validated previously identified QTLs and found associations with new QTLs and new candidate genes. An evolutionary model including bottleneck and gene flow between wild and domesticated forms is also presented.

La fusariose des épis des céréales est due à un champignon pathogène (Fusarium spp.) qui entraine non seulement une perte directe de rendement en interrompant le remplissage des grains, mais également une perte indirecte par la production de mycotoxines, responsables de perturbations de procédés industriels et d'intoxications alimentaires. Parmi les différents moyens de lutte, la création de variétés résistantes semble la stratégie la plus efficace et la plus durable. Plusieurs variétés exotiques ont ainsi été identifiées comme résistantes mais présentent la particularité d'être difficilement cultivables sous nos latitudes. L'obtention de variétés résistantes adaptées à nos climats passe donc par une meilleure connaissance des mécanismes de résistance disponibles. La détection de QTL (Quantitative Trait Loci) chez le blé tendre a déjà permis de localiser certains des facteurs génétiques impliqués dans des mécanismes de résistance. Cependant l'utilisation de ces résultats en amélioration des plantes se heurte à deux contraintes majeures : la position des QTL reste le plus souvent imprécise et ces QTL, dérivant de populations biparentales, ne représentent qu'une fraction de la diversité génétique potentiellement intéressante pour ce caractère. L'objectif de la thèse était d'étudier la résistance du blé à la fusariose en réalisant une approche de génétique d'association. L'utilisation de génotypes faiblement apparentés et d'une densité élevée de marqueurs a permis de détecter des associations entre le polymorphisme génétique et des variations phénotypiques. Après avoir réalisé une synthèse sur le pathogène et sur l'approche par génétique d'association, le premier travail a été de réaliser une carte génétique fiable afin de pouvoir localiser les associations mises en évidence. Un panel de 195 variétés de blé tendre élites a été évalué pour leur résistance globale à la fusariose, pour leur résistance à la progression des symptômes et pour leur résistance à l'accumulation des mycotoxines. Des notations morphologiques (précocité, taille, aristation, nombre d'épillets par épi et extrusion des anthères) ont également été réalisées afin d'évaluer leur influence dans l'infestation. Ces variétés ont été génotypées avec 3016 marqueurs SNP, 200 marqueurs SSR et 1400 marqueurs DArT. Préalablement à la réalisation des tests d'association, l'étude de la structure a mis en évidence trois origines géographiques (française, anglaise et allemande) des variétés du panel. De même, l'étude du déséquilibre de liaison a montré que celui-ci était conservé sur une distance comprise entre 2 et 6 cM. L'étude d'association réalisée sur les notations d'infestation a permis d'identifier plusieurs zones associées, dont plusieurs sont colocalisées avec des Meta-QTL et/ou avec des zones identifiées avec les notations morphologiques. La densification en marqueurs de 6 zones associées avec les différentes notations d'infestation, localisées sur les chromosomes 1A, 1D, 2A, 2B, 5A et 7A, ont permis de confirmer ces régions, de restreindre fortement l'intervalle d'intérêt et de mettre en évidence de potentiels gènes candidats. Cette analyse a ainsi permis de mieux comprendre les mécanismes génétiques et morphologiques impliqués dans la résistance à la fusariose des épis. La décomposition en trois partie de cette résistance (résistance globale, résistance à la progression des symptômes, et résistance à l'accumulation des mycotoxines) montre l'existence de mécanismes génétiques indépendants et donc complémentaire à prendre en compte dans une stratégie de création de variétés résistantes à la fusariose des épis. / Fusarium head blight (FHB), caused by the fungal pathogen Fusarium spp., is a major cereals disease that not only cause direct yield losses, by interrupting grain filling, but also indirect quality losses by the production of mycotoxins, responsible of industrial processes disturbance and food poisoning. Most wheat breeding programs in FHB-affected areas of the world have been screening germplasm to identify sources of improved tolerance. Unfortunately, these sources of genetic resistance are often of exotic origin and not adapted to West European growing conditions. The selection of adapted varieties with improved tolerance therefore needs a better characterization of resistance mechanisms. Several QTL for FHB resistance in wheat have been identified in European germplasm, but the use of these information in marker-assisted selection is constrained by the precision of the QTL and the low diversity tested by using biparental population.The aim of the present study is to use association mapping, also called linkage disequilibrium mapping, to identify loci involved in the resistance to FHB. This method refers to the analysis of statistical associations between genotypes determined in a collection of individuals, and the phenotypes of the same individuals. A dense genetic map was compiled to localize precisely the association results. Resistance to F. graminearum was studied in a panel of 195 elite wheat varieties by the evaluation of three components: resistance to global infection, resistance to symptom progression and resistance to accumulation of mycotoxins. Morphological factors (plant height, heading date, awnedness, spikelets per ears, anther extrusion), known to influence resistance to FHB, were also recorded. All the varieties have been genotyped with around 3300 SNP markers, 200 SSR markers and 1400 DArT markers. We first investigated the structure of the panel, which could generate bias in the estimate of allele effects, if not included explicitly in the association models. We showed that the structure is based on geographical origin (French, German and UK). Study of the linkage disequilibrium (LD) showed an extent of LD between 2 and 6 cM. Results of association studies permitted to identify several loci for each of the evaluated components of resistance. Some of these loci colocalized with the results of the MetaQTL analysis and/or with loci associated with morphological traits. We selected more specifically 6 loci, located on chromosome 1A, 1D, 2A, 2B, 5A and 7A. Marker saturation of the regions, allowed to confirm the genome wide association results and to increase the accuracy of the loci of interest. This analysis allowed to better understand the many factors that influenced FHB resistance, whether genetic or morphological. Results show that the genetic mechanisms are independent between the three components and therefore, information obtained for each component are to be used complementary to create varieties with increased resistance to FHB.