Les facteurs transcriptionnels (TF) sont des protéines qui contrôlent l'expression des gènes. Leurs motifs de liaison (TFBM, également appelés motifs) sont généralement représentés sous forme de matrices de scores spécifiques de positions (PSSM). L'analyse de motifs est utilisée en routine afin de découvrir des facteurs candidats pour la régulation d'un jeu de séquences d'intérêt. L'avénement des méthodes à haut débit a permis de détecter des centaines de motifs, qui sont disponibles dans des bases de données. Durant ma thèse, j'ai développé deux nouvelles méthodes et implémenté des outils logiciels pour le traitement de collections massives de motifs: matrix-clustering regroupe les motifs par similarité; position-scan détecte les motifs présentant des préférences de position relativement à une coordonnée de référence. Les méthodes que j'ai développées ont été évaluées sur base de cas d'études, et utilisées pour extraire de l'information interprétable à partir de différents jeux de données de Drosophila melanogaster et Homo sapiens. Les résultats démontrent la pertinence de ces méthodes pour l'analyse de données à haut débit, et l'intérêt de les intégrer dans des pipelines d'analyse de motifs. / Transcription Factors (TFs) are DNA-binding proteins that control gene expression. TF binding motifs (TFBMs, simply called “motifs”) are usually represented as Position Specific Scoring Matrices (PSSMs), which can be visualized as sequence logos. The advent of high-throughput methods has allowed the detection of thousands of motifs which are usually stored in databases. In this work I developed two novel methods and implemented software tools to handle large collection of motifs in order to extract interpretable information from high-throughput data: (i) matrix-clustering regroups motifs by similarity and offers a dynamic interface; (2) position-scan detects TFBMs with positional preferences relative to a given reference location (e.g. ChIP-seq peaks, transcription start sites). The methods I developed have been evaluated based on control cases, and applied to extract meaningful information from different datasets from Drosophila melanogaster and Homo sapiens. The results show that these methods enable to analyse motifs in high-throughput datasets, and can be integrated in motif analysis workflows.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal. / Les récepteurs nucléaires sont des facteurs transcriptionnels impliqués dans la regulation de la croissance cellulaire, en partie dû à leurs effets génomiques. Une voie alternative est l'interference entre les récepteurs nucléaires et le facteur transcriptionnel AP-1 (activator protein-1), composé de protéines induites par plusieurs facteurs de croissance et molécules de signalisation. Dans ce projet, j'ai analysé les mécanismes d'interférence transcriptionnelle entre les récepteurs des oestrogènes (ER), les récepteurs des glucocorticoïdes (GR) et AP-1. / Nuclear receptors constitute a large superfamily of DNA binding transcriptional regulators that can regulate a diversity of important cellular events, such as development, differentiation, and responses to extracellular stimuli. These effects are mediated mostly by the genomic effects of nuclear receptors which bind selectively to DNA (hormone response element), and regulate target gene transcription. An alternative pathway of transcriptional regulation is the crosstalk between nuclear receptors and other transcription factors, such as NPKB, or activator protein-1 (AP-1). Transcription factor AP-1 is composed of nuclear proteins encoded by the Jun family and Fos family of protooncogenes, whose transcription is rapidly induced by a number of growth factors and other signaling molecules. AP-1 is implicated in diverse aspects of cell growth, differentiation and development. In this project, I have focused on the analysis of the mechanisms of transcriptional interference between nuclear receptors and AP-1.