Les tumeurs cérébrales malignes sont la première cause de mortalité par cancer chez l’enfant avec une survie médiane de 12 à 14 mois et une survie globale à 5 ans de 20%, pour les gliomes de haut grade. Ce travail de thèse propose des méthodes innovantes pour l’analyse de blocs de données de génomiques, dans le but d’accroître les connaissances biologiques sur ces tumeurs. Les méthodes proposées étendent les travaux de Tenenhaus et al (2011), introduisant le cadre statistique général : Regularized Generalized Canonical Correlation Analysis (RGCCA). Dans un premier temps, nous étendons RGCCA à la gestion de données en grande dimension via une écriture duale de l’algorithme initial (KGCCA). Dans un deuxième temps, la problématique de la sélection de variables dans un contexte multi-Blocs est étudiée. Nous en proposons une solution avec la méthode SGCCA, qui pénalise la norme L1 des poids des composantes. Dans un troisième temps, nous nous intéressons à la nature des liens entre blocs avec deux autres adaptations. D’une part, la régression logistique multi-Blocs (multiblog) permet de prédire une variable binaire, comme la réponse à un traitement. D’autre part, le modèle de Cox multi-Blocs (multiblox) permet d’évaluer, par exemple, le risque instantané de rechute. Enfin, nous appliquons ces méthodes à l’analyse conjointe des données de transcriptome et d’aberrations du nombre de copies, acquises sur une cohorte de 53 jeunes patients avec un gliome de haut grade primaire. Les résultats sont décrits dans le dernier chapitre du manuscrit. / Cerebral malignant tumors are the leading cause of death among pediatric cancers with a median survival from 12 to 14 months and an overall survival of 20% at 5 years for high grade gliomas. This work proposes some innovative methods for the analysis of heterogeneous genomic multi-Block data, with the main objective of increasing biological knowledge about such tumors. These methods extend works of Tenenhaus and Tenenhaus (2011), who introduce Regularized Generalized Canonical Correlation Analysis (RGCCA) as a general statistical framework for multi-Block data analysis. As a first step, we extended RGCCA to handle large-Scale data with kernel methods (KGCCA). As a second step, SGCCA for variable selection within the RGCCA context is studied and leads to an additional constraint on the L1-Norm of the weight vectors. Then, as a third step, we focused on the nature of the links between blocks, with 2 other developments. On one hand, multi-Block logistic regression (multiblog) enables to predict a binary variable, such as response to treatment. On the other hand, the Cox model for multi-Block data (multiblox) enables the assessment of the instant risk, for instance, of relapse. We applied these methods to the joint analysis of Gene Expression and Copy Number Aberrations, acquired on a cohort of 53 young patients with a primary High Grade Glioma. Results are detailed in the last chapter of this work.

L’infection pulmonaire chronique à Pseudomonas aeruginosa (P. a.) est considérée comme la principalecause de morbidité et de mortalité liée à la mucoviscidose. Au cours de cette infection persistante, labactérie s'adapte à l’environnement pulmonaire caractéristique de ces patients et évolue avec son hôtependant des décennies. Cette évolution adaptative est portée par les phénotypes, avec notamment unediminution de la virulence et une augmentation de la résistance aux antibiotiques au cours du temps. Bienque plusieurs études aient tenté d’évaluer les mécanismes génétiques de cette évolution, il demeureaujourd’hui difficile d’expliquer les relations entre les mutations accumulées dans le génome bactérien etl’expression de phénotypes cliniquement pertinents, ou encore de corréler ces mutations avec l’état desanté du patient.Nous proposons dans ce travail d’étudier les mécanismes sous-tendant cette évolution adaptative à unniveau d’observation post-génomique : la métabolomique. Dernière-née des disciplines –omiques, lamétabolomique permet la prise de vue instantanée du métabolisme, et offre une vision au plus proche duphénotype. Pour cela, nous avons constitué une banque de lignées clonales évolutives de P. a. prélevéesau cours de l’infection pulmonaire chronique chez des patients atteints de mucoviscidose. Cette banque aensuite été caractérisée aux plans clinique, phénotypique et métabolomique. L’intégration de ces différentsniveaux d’information par des méthodes statistiques multi-tableaux nous a permis de mettre en évidencedes voies métaboliques impliquées dans la patho-adaptation de P. a. à son hôte.Nos résultats permettent de faire émerger de nouvelles hypothèses pour le développement d’outilsthérapeutiques et diagnostiques visant à améliorer la prise en charge de ces infections particulièrementrésistantes aux antibiotiques. De plus, nos travaux démontrent l’intérêt de la métabolomique pour l’étudede l’évolution adaptative bactérienne en conditions naturelles. / Chronic lung infection with Pseudomonas aeruginosa (P. a.) is considered as the leading cause of cysticfibrosis (CF) morbidity and mortality. During this persistent infection, the bacterium adapts to the typical lungenvironment of these patients and evolves within its host for decades. This adaptive evolution is driven byphenotypes, including a decrease in virulence and an increase in antibiotic resistance over time. Althoughseveral studies have attempted to elucidate the genetic mechanisms of this evolution, it remains difficulttoday to explain the relationships between the accumulated genomic mutations and the expression ofclinically relevant phenotypes, or to correlate these mutations with the patient’s health status.In this work, we propose to study the mechanisms underlying this adaptive evolution at a post-genomicobservation level: metabolomics. Metabolomics, the newest of the -omics disciplines, provides an instantview of the metabolic activities, and furnishes a vision as close as possible to the phenotype. To this end,we constructed a bank of evolutive clonal P. a. lineages sampled during chronic lung infection in patientswith CF. This bank was then clinically, phenotypically and metabolomically characterized. Integration ofthese different levels of information by multi-block statistical methods has allowed us to highlight metabolicpathways involved in within-host patho-adaptation of P. a. .Our results rise new hypotheses for the development of therapeutic and diagnostic tools with the aim ofimproving the management of these infections particularly resistant to antibiotics. In addition, our workdemonstrates the interest of metabolomics to study bacterial adaptive evolution under natural conditions.