Les travaux de cette thèse s’inscrivent dans le domaine des systèmes complexes et s’intéressent plus particulièrement à l’exécution efficace et reproductible de simulations multi-agents de grande taille dans un contexte parallèle et distribué de haute performance de type cluster (HPC). Dans ce contexte, nous nous intéressons plus particulièrement à la conception des modèles pour faciliter leur distribution, à la synchronisation des composants distribués et à la communication entre agents. La première contribution de cette thèse est la comparaison qualitative et quantitative des principales plateformes multi-agents parallèles et distribués qui ciblent les simulations à large échelle dans un environnement haute performance.Ce travail a permis d’identifier les limites ou manques des plateformes existantes, majoritairement la communication entre les agents, la synchronisation ainsi que la distribution de la charge peu flexible. Pour offrir plus de flexibilité à la distribution des simulations, nous proposons un formalisme de modélisation à base de graphes imbriqués qui nous permet de tirer parti de librairies performantes pour décomposer et distribuer les simulations. Nous avons ensuite effectué une étude sur l’impact de la synchronisation dans les PDMAS, en proposant trois politiques de synchronisation différentes afin de fournir aux modélisateurs un niveau de résolution adapté aux différents problèmes de synchronisation. Pour finir, nous définissons un schéma de communication entre toutes les entités qui composent une simulation indépendamment du processus sur lequel les entités s’exécutent. Ces propositions sont réunies au sein d’une plateforme multi-agents parallèle appelée FractalPMAS. Cette plateforme est une preuve de concept qui nous a permis de mettre en œuvre nos différentes contributions afin d’observer et de comparer les comportements de nos algorithmes. Pour valider ce travail trois modèles agents reconnus, le modèle proie-prédateur, le modèle Flocking et un modèle de contamination, ont été utilisés. Nous avons réalisé des simulations utilisant jusqu’à 512 cœurs et les résultats obtenus, en termes de performances et d’extensibilité, s’avèrent prometteurs. / Contributions of this PHD take place on computer science research on complex systems, specifically in efficient andreproducible execution of large multi-agent simulations in a parallel and distributed high performance cluster type of context(HPC) systems. We are particularly interested in the design of models to facilitate their distribution, synchronization ofdistributed components and communication between agents. In this context, we are particularly interested in the designof models to facilitate their distribution, synchronization of distributed components and communication between agents.The first contribution of this thesis is the qualitative and quantitative comparison of the main parallel and distributedmulti-agent platforms targeting large scale simulations in a high performance environment. This work identified limitationsof existing platforms, mainly communication between agents, synchronization and the distribution of the load which isinflexible. To offer more flexibility in the distribution of simulations, we propose a modeling formalism based nested graphsallowing us to decompose and distributed simulations using powerful libraries. We then conducted a study on the impactof synchronization in PDMAS, proposing three different synchronization policies to provide modelers a level of resolutionadapted to the various synchronization problems. Finally, we define a communication schema between all entities thatmake up a simulation regardless of the process on which entities are running.These contributions are combined in a parallel multi-agent platform called FractalPMAS. This platform is a proof of conceptand allowed us to implement our different contributions to observe and compare the behavior of our algorithms. To validatethis work three recognized agents model, the predator-prey model, the Flocking model and contamination model wereused. We performed simulations using up to 512 cores and the results obtained, in terms of performance and scalabilityare promising.

One of the most prevalent inherited diseases is cystic fibrosis. This disease is caused by a mutation in a membrane protein, the cystic fibrosis transmembrane conductance regulator (CFTR). CFTR is known to function as a chloride channel that regulates the viscosity of mucus that lines the ducts of a number of organs. Generally, most of the prevalent mutations of CFTR are located in one of two nucleotide binding domains, namely, the nucleotide binding domain 1 (NBD1). However, some mutations in nucleotide binding domain 2 (NBD2) can equally cause cystic fibrosis. In this work, a hierarchical graph is built for NBD2. Using this model for NBD2, we examine the consequence of single point mutations on NBD2. We collate the wildtype structure with eight of the most prevalent mutations and observe how the NBD2 is affected by each of these mutations.