Le glaucome est la seconde cause de perte de vision dans le monde. L’augmentation de la pression intraoculaire constitue un important facteur de risque associé au glaucome. Actuellement, des médicaments permettant de réduire la pression intra-oculaire sont administrés chez les patients présentant une pression intraoculaire élevée. De plus, seule une petite fraction des médicaments (<0,06%) peuvent atteindre leurs sites d’action dans la chambre antérieure de l’oeil. En effet, le film précornéen ainsi que le drainage lacrymal rapide empêchent la pénétration du médicament dans l’oeil. Pour résoudre ce problème majeur en ophtalmologie, nous proposons d’utiliser des nanoparticules d’or. Notre hypothèse est que les nanoparticules d’or sont mucoadhésives et relarguerons plus lentement leur contenu médicamenteux dans la cornée, augmentant ainsi le temps de résidence des molécules administrées. Cela permettrait d’augmenter l’efficacité du traitement. Objectifs : Dans un premier temps, plusieurs nanoparticules d’or stables et biocompatibles ont été synthétisées. Ensuite, leurs propriétés mucoadhésives et d’encapsulation ont été étudiées. Finalement, les nanoparticules produites ont été testées dans un modèle de souris in vivo en comparaison avec le travoprost. Matériels et méthodes : Plusieurs différents types de nanoparticules ont été synthétisées en utilisant une méthode de Brust modifiée dans laquelle un mélange de solvants contenant de l’acétonitrile permet au polymère de bien stabiliser la nanoparticule en formation. Les nanoparticules sont stabilisées par des polyéthylènes glycol (PEG) de différents poids moléculaires : 800, 2000 et 6000 Da. Les nanoparticules sont caractérisées par spectroscopie UV visible, diffusion dynamique de la lumière, microscopie électronique en transmission et analyse élémentaire. Un médicament couramment utilisé dans le traitement du glaucome, le travoprost (TV), a été encapsulé dans les nanoparticules d’or (GNP) en chauffant le mélange pour évaporer le solvant contenant le travoprost et forcer le médicament à s’insérer dans les cavités à la fois hydrophiles et hydrophobes formées par la couronne de PEG. L’encapsulation a ensuite été évaluée par spectroscopie UV-visible et chromatographie en phase liquide à haute performance. La mucoadhésion a été évaluée par spectrométrie de fluorescence. Enfin, un modèle de glaucome utilisant des injections de microbilles chez la souris a été utilisé pour comparer le temps d’action du travoprost utilisé en clinique et notre solution de GNP médicalisée. Résultats : Le diamètre du coeur métallique des GNP est de 2,2 nm à 5,2 nm et le diamètre hydrodynamique a été mesuré entre 8,5 et 18,9 nm, selon la méthode de synthèse et le PEG qui a été utilisé. Il a aussi été observé qu’une petite quantité de GNP (77 pmol) peut encapsuler 0,004% travoprost (concentration utilisée sur le marché). De plus, 77 pmol de GNP réduisent de 17% à 27% la fluorescence des mucines en fonction du PEG utilisé, suggérant la possibilité de l’adhésion aux muqueuses comme la cornée. En fonction du protocole développé, le travoprost du marché semble avoir une durée d’action supérieure à celle des solutions médicamenteuses de GNP préparées. Conclusion : Nos résultats montrent que les GNP peuvent efficacement encapsuler le TV et interagir avec les mucines. Plus d’analyses sont nécessaires pour comprendre les résultats inattendus obtenus in vivo. Les propriétés de mucoadhésion des GNP pourraient éventuellement mener à l’amélioration de l’efficacité des traitements pharmacologiques dans une gamme étendue de maladies ophtalmiques. / Glaucoma is the second cause of blindness worldwide. Elevated intraocular pressure (IOP) is the highest risk factor associated with glaucoma. Currently, hypotensive drugs can be administered topically to decrease the elevated IOP in patients. However, only a small fraction of the drugs (<0.06%) can reach their site of action in the anterior chamber of the eye. The corneal barrier and rapid drainage prevent drug penetration in the eyeball. To solve this major issue in ophthalmology, we propose to use gold nanoparticles (GNP). Our hypothesis suggests that GNP can be mucoadhesive and thus increase the residence time of glaucoma medication on the cornea, leading to the improvement of the drug efficacy. Objective: Firstly, several biocompatible and stable GNP will be synthesized. Secondly, their mucoadhesion and encapsulation properties will be studied. Lastly, the prepared medicated GNP will be analyzed in vivo with a mouse model, in comparison with marketed travoprost formulation. Methodology: Several GNP were synthesized using a modified one-step Brust method. The modification involves the use of acetonitrile to stabilize GNP during polymer capping. GNP were capped with thiolated polyethylene glycol (PEG) of different lengths: 800, 2000 and 6000 Da. GNP were then characterized by UV-visible spectroscopy, dynamic light scattering, transmission electron microscopy and elemental analysis. A commonly used glaucoma medication, travoprost (TV), was encapsulated in the GNP by heating the mixture to remove TV solvent and entrapping the drug in the PEG hydrophobic pockets. The encapsulation was thus evaluated by UV and high-performance liquid chromatography. Mucoadhesion was evaluated by spectrofluorimetry. A microbead injection glaucoma model was used to compare the duration of action of the marketed travoprost and the medicated GNP solution. Results: The core diameter of GNPs were found to be 2.2 nm to 5.2 nm whereas the hydrodynamic size was found to be between 8.5 and 18.9 nm depending on the PEG used. It was also found that as little as 77 pmol of GNP can encapsulate 0.004% travoprost (marketed concentration). Moreover, 77 pmol of GNPs quenched by 17% to 27% mucins fluorescence depending on the PEG used, thus suggesting their possible binding to mucosae such as the cornea. According to the developed protocol, marketed travoprost appears to have a longer duration of action than the prepared medicated GNP. Conclusion: Our results show that GNP can efficiently encapsulate TV and interact with mucins. More analysis is needed to understand the unexpected in vivo results. The mucoadhesive properties of GNP could lead to the improvement of the efficacy of pharmacological treatments in a large spectrum of ophthalmic diseases.

La découverte de composés pharmaceutiques est actuellement trop longue et trop coûteuse, et le taux d’échec, trop élevé. Les bases de données biochimiques et génomiques ne cessent de grossir et il est maintenant impraticable d’interpréter ces données. Un changement radical est nécessaire ; certaines étapes de ce processus doivent être automatisées. Les peptides jouent un rôle important dans le système immunitaire et dans la signalisation cellulaire. Leurs propriétés favorables en font des candidats de choix pour initier la conception de nouveaux médicaments et assister la production de nouveaux vaccins. De plus, les techniques de synthèse modernes permettent de rapidement synthétiser ces molécules à faible coût. Les algorithmes d’apprentissage statistique sont particulièrement bien adaptés pour apprendre de façon automatisée des modèles, possiblement biochimiques, à partir des données existantes. Ces méthodes et les peptides offrent donc une solution de choix aux défis auxquels fait face la recherche pharmaceutique. Nous proposons un noyau permettant l’apprentissage de modèles statistiques de phénomènes biochimiques impliquant des peptides. Celui-ci permet, entre autres, l’apprentissage d’un modèle universel pouvant raisonnablement quantifier l’énergie de liaison entre toute séquence peptidique et tout site de liaison d’une protéine cristallisée. De plus, il unifie la théorie de plusieurs noyaux existants tout en conservant une faible complexité algorithmique. Ce noyau s’avère particulièrement adapté pour quantifier l’interaction entre les antigènes et les complexes majeurs d’histocompatibilité. Nous proposons un outil pour prédire les peptides qui survivront au processus de présentation antigénique. Cet outil a gagné une compétition internationale et aura plusieurs applications en immunologie, dont la conception de vaccins. Ultimement, un peptide doit maximiser l’interaction avec une protéine cible ou maximiser la bioactivité chez l’hôte. Nous formalisons ce problème comme un problème de prédiction de structures. Puis, nous proposons un algorithme exploitant les plus longs chemins dans un graphe pour déterminer les peptides maximisant la bioactivité prédite par un modèle préalablement appris. Nous validons cette nouvelle approche en laboratoire par la découverte de peptides antimicrobiens. Finalement, nous fournissons des garanties de performance de type PAC-Bayes pour deux algorithmes de prédiction de structure dont un est nouveau. / The discovery of pharmaceutical compounds is currently too time-consuming, too expensive, and the failure rate is too high. Biochemical and genomic databases continue to grow and it is now impracticable to interpret these data. A radical change is needed; some steps in this process must be automated. Peptides are molecules that play an important role in the immune system and in cell signaling. Their favorable properties make them prime candidates for initiating the design of new drugs and assist in the design of vaccines. In addition, modern synthesis techniques can quickly generate these molecules at low cost. Statistical learning algorithms are well suited to manage large amount of data and to learn models in an automated fashion. These methods and peptides thus offer a solution of choice to the challenges facing pharmaceutical research. We propose a kernel for learning statistical models of biochemical phenomena involving peptides. This allows, among other things, to learn a universal model that can reasonably quantify the binding energy between any peptide sequence and any binding site of a protein. In addition, it unifies the theory of many existing string kernels while maintaining a low computational complexity. This kernel is particularly suitable for quantifying the interaction between antigens and proteins of the major histocompatibility complex. We provide a tool to predict peptides that are likely to be processed by the antigen presentation pathway. This tool has won an international competition and has several applications in immunology, including vaccine design. Ultimately, a peptide should maximize the interaction with a target protein or maximize bioactivity in the host. We formalize this problem as a structured prediction problem. Then, we propose an algorithm exploiting the longest paths in a graph to identify peptides maximizing the predicted bioactivity of a previously learned model. We validate this new approach in the laboratory with the discovery of new antimicrobial peptides. Finally, we provide PAC-Bayes bound for two structured prediction algorithms, one of which is new.