Les glycosaminoglycanes (GAGs) sont des polymères de sucres linéaires, présents chez tous les animaux. Certaines bactéries pathogènes synthétisent également des polysaccharides identiques ou très similaires aux GAGs humains. Cette thèse a porté en particulier sur la synthèse de la chondroïtine sulfate et de l’héparosan qui font partie de cette famille de polysaccharides. L’intérêt pour ces deux GAGs est grandissant dans l’industrie pharmaceutique du fait des nombreuses applications médicales qu’ils pourraient permettre. La chondroïtine sulfate est d’ores et déjà extraite de tissus animaux ce qui peut engendrer des problèmes sanitaires, notamment des contaminations virales ou aux prions. En revanche, le procédé de production pour l’héparosan reste à mettre en place. Il est donc nécessaire de développer des procédés de production pour ces deux molécules. La synthèse enzymatique est une voie particulièrement prometteuse pour la production de la chondroïtine sulfate et de l’héparosan, et a fait l’objet de ce travail de thèse. / Glycosaminoglycans (GAGs) are long linear polysaccharide chains, found in all animals. Some pathogenic bacteria also synthesize polysaccharides identical or similar to human GAGs. This thesis deals with chondroitin sulfate and heparosan syntheses, members of the GAGs family. There is a growing interest in these two GAGs in the pharmaceutical industry due to numerous potential applications they offer. Chondroitin sulfate is currently extracted from animal tissues which can lead to sanitary problems such as viral or prion contaminations. On the other hand, a production process still needs to be developed for heparosan. Therefore, it is necessary to develop new methods for the production of these two polymers. Enzymatic synthesis, which is a promising alternative for the production of chondroitin sulfate and heparosan, was the subject of this thesis.

La grande quantité de données issues des l'imagerie médicale contribue au succès des méthodes supervisées pour l'annotation sémantique des images. Notre étude porte sur la détection de lésions cérébrales dans les images par résonance magnétique (IRMs) en utilisant un outil générique et efficace: les forêts aléatoires. Trois contributions majeures se distinguent. D'abord, la segmentation des lésions cérébrales, essentielle pour établir diagnostics, pronostics et le traitement. La conception d'une forêt aléatoire intégrant le contexte spatial cible particulièrement la segmentation automatique de lésions de sclérose en plaques et des gliomes dans les IRMs. La méthode intègre l'information multi-séquences des IRMs, les atlas de répartition des tissus. Deuxième contribution : l'estimation de la densité de cellules tumorales à partir des IRMs. Une méthode de couplage de modèles génératifs et discriminatifs est conçue pour apprendre la densité de cellules tumorales latente à partir de modélisations associées à des images synthétiques. Le modèle génératif est un simulateur bio-physiologique de croissance tumorale en libre accès. Le modèle discriminatif est une forêt aléatoire pour la régression multi-variée de la densité de cellules tumorales à partir des IRMs. Enfin, nous présentons les “forêts aléatoires spatialement adaptables” regroupant les avantages des approches multi-échelles avec ceux de forêts aléatoires, avec une application aux scénarios de classification et de segmentation précédemment cités. Une évaluation quantitative des méthodes proposées sur des bases de données annotées et librement accessibles démontre des résultats comparables à l'état de l'art. / The large size of the datasets produced by medical imaging protocols contributes to the success of supervised discriminative methods for semantic labelling of images. Our study makes use of a general and efficient emerging framework, discriminative random forests, for the detection of brain lesions in multi-modal magnetic resonance images (MRIs). The contribution is three-fold. First, we focus on segmentation of brain lesions which is an essential task to diagnosis, prognosis and therapy planning. A context-aware random forest is designed for the automatic multi-class segmentation of MS lesions, low grade and high grade gliomas in MR images. It uses multi-channel MRIs, prior knowledge on tissue classes, symmetrical and long-range spatial context to discriminate lesions from background. Then, we investigate the promising perspective of estimating the brain tumor cell density from MRIs. A generative-discriminative framework is presented to learn the latent and clinically unavailable tumor cell density from model-based estimations associated with synthetic MRIs. The generative model is a validated and publicly available biophysiological tumor growth simulator. The discriminative model builds on multi-variate regression random forests to estimate the voxel-wise distribution of tumor cell density from input MRIs. Finally, we present the “Spatially Adaptive Random Forests” which merge the benefits of multi-scale and random forest methods and apply it to previously cited classification and regression settings. Quantitative evaluation of the proposed methods are carried out on publicly available labeled datasets and demonstrate state of the art performance.