La sélection d'entités est une des tâches courantes et fondamentales de l'interaction. En environnement de réalité virtuelle, cette tâche s'effectue dans les trois dimensions, mais s'accompagne de difficultés inhérentes à ces environnements, comme une mauvaise perception de la profondeur. Des techniques existent pour pallier ces obstacles. Nous présentons trois nouvelles méthodes améliorant les performances de l'utilisateur durant les différentes étapes du processus de sélection. Le principe du Ring Concept permet de localiser des objets non visibles dans la scène. La technique Starfish guide le mouvement de l'utilisateur vers sa cible. Enfin, l'algorithme SPEED prédit le point d'arrivée d'un mouvement de sélection. / Selection is one of the most current and fundamental interaction tasks. In a virtual reality environment, this task is performed in the three dimensions, but is accompanied by difficulties inherent in these environments, such as poor depth perception. Several techniques exist to overcome these obstacles. We present three new methods for improving the performance of the user during the various phases of the selection process. The Ring Concept principle can locate non-visible objects in the scene. The Starfish technique guides the movement of the user to the target. Finally, the SPEED algorithm predicts the endpoint of a selection movement.

Les microARN (miARN) sont de petits ARN non-codants qui répriment la traduction de leurs gènes cibles par hybridation à leur ARN messager (ARNm). L'identification de cibles biologiquement actives de miARN est cruciale afin de mieux comprendre leurs rôles. Ce problème est cependant difficile parce que leurs sites ne sont définis que par sept nucléotides. Dans cette thèse je montre qu'il est possible de modéliser certains aspects des miARN afin d'identifier leurs cibles biologiquement actives à travers deux modélisations d'un aspect des miARN. La première modélisation s'intéresse aux aspects de la régulation des miARN par l'identification de boucles de régulation entre des miARN et des facteurs de transcription (FT). Cette modélisation a permis, notamment, d'identifier plus de 700 boucles de régulation miARN/FT, conservées entre l'humain et la souris. Les résultats de cette modélisation ont permis, en particulier, d'identifier deux boucles d'auto-régulation entre LMO2 et les miARN miR-223 et miR-363. Des expériences de transplantation de cellules souches hématopoïétiques et de progéniteurs hématopoïétiques ont ensuite permis d'assigner à ces deux miARN un rôle dans la détermination du destin cellulaire hématopoïétique. La deuxième modélisation s'intéresse directement aux interactions des miARN avec les ARNm afin de déterminer les cibles des miARN. Ces travaux ont permis la mise au point d'une méthode simple de prédiction de cibles de miARN dont les performances sont meilleures que les outils courant. Cette modélisation a aussi permis de mettre en lumière certaines conséquences insoupçonnées de l'effet des miARN, telle que la spécificité des cibles de miARN au contexte cellulaire et l'effet de saturation de certains ARNm par les miARN. Cette méthode peut également être utilisée pour identifier des ARNm dont la surexpression fait augmenter un autre ARNm par l'entremise de miARN partagés et dont les effets sur les ARNm non ciblés seraient minimaux. / microRNAs (miRNAs) are small non coding RNAs that repress the translation of their target genes by pairing to their messenger RNA (mRNA). The identification of miRNAs' biologically active targets is a difficult problem because their binding sites are defined by only seven nucleotides. In this thesis, I show that it is possible to model specific aspects of miRNAs to identify their biologically active targets through two modeling of each one aspect of miRNAs. The first modeling considers the miRNAs regulations through the identification of regulatory loops between miRNAs and transcription factors (TFs). Through this modeling, we identified over 700 miRNA/TF regulatory loops conserved between human and mouse. With the results of this modeling, we were able to identify, in particular, two regulatory loops between LMO2 and the miRNAs miR-223 and miR-363. Using hematopoietic stem cells and progenitor cells transplantation experiment we showed that miR-223 and miR-363 are involved in hematopoietic cell fate determination. The second modeling focuses directly on the interaction between miARN and messenger RNA (mRNA) to determine the miRNA targets. With this work, we developed a simple method for predicting miRNA targets that outperforms the current state of the art tool. This modeling also highlighted some unsuspected consequences of miRNA effects such as the cell context specificity and the saturation of mRNA targets by miRNA. This method can also be used to identify mRNAs whose overexpression increases the expression level of another mRNA through their shared miRNA and whose global effects on other genes are minimal.

L'identification des interactions survenant au niveau moléculaire joue un rôle crucial pour la compréhension du vivant. L'objectif de ce travail a consisté à développer des méthodes permettant de modéliser et de prédire ces interactions pour le métabolisme et la régulation de la transcription. Nous nous sommes basés pour cela sur la modélisation de ces systèmes sous la forme de graphes et d'automates. Nous avons dans un premier temps développé une méthode permettant de tester et de prédire la distribution du flux au sein d'un réseau métabolique en permettant la formulation d'une à plusieurs contraintes. Nous montrons que la prise en compte des données biologiques par cette méthode permet de mieux reproduire certains phénotypes observés in vivo pour notre modèle d'étude du métabolisme énergétique du parasite Trypanosoma brucei. Les résultats obtenus ont ainsi permis de fournir des éléments d'explication pour comprendre la flexibilité du flux de ce métabolisme, qui étaient cohérentes avec les données expérimentales. Dans un second temps, nous nous sommes intéressés à une catégorie particulière d'ARN non codants appelés sRNAs, qui sont impliqués dans la régulation de la réponse cellulaire aux variations environnementales. Nous avons développé une approche permettant de mieux prédire les interactions qu'ils effectuent avec d'autres ARN en nous basant sur une prédiction des interactions, une analyse par enrichissement du contexte biologique de ces cibles, et en développant un système de visualisation spécialement adapté à la manipulation de ces données. Nous avons appliqué notre méthode pour l'étude des sRNAs de la bactérie Escherichia coli. Les prédictions réalisées sont apparues être en accord avec les données expérimentales disponibles, et ont permis de proposer plusieurs nouvelles cibles candidates. / The identification of the interactions occurring at the molecular level is crucial to understand the life process. The aim of this work was to develop methods to model and to predict these interactions for the metabolism and the regulation of transcription. We modeled these systems by graphs and automata.Firstly, we developed a method to test and to predict the flux distribution in a metabolic network, which consider the formulation of several constraints. We showed that this method can better mimic the in vivo phenotype of the energy metabolism of the parasite Trypanosoma brucei. The results enabled to provide a good explanation of the metabolic flux flexibility, which were consistent with the experimental data. Secondly, we have considered a particular class of non-coding RNAs called sRNAs, which are involved in the regulation of the cellular response to environmental changes. We developed an approach to better predict their interactions with other RNAs based on the interaction prediction, an enrichment analysis, and by developing a visualization system adapted to the manipulation of these data. We applied our method to the study of the sRNAs interactions within the bacteria Escherichia coli. The predictions were in agreement with the available experimental data, and helped to propose several new target candidates.

Les ARNs non-codants régulateurs (ARNnc) regroupent des acteurs majeurs de la régulation de l'expression des gènes, retrouvés de manière ubiquitaire dans l'ensemble des domaines du vivant. Chez les bactéries ils sont également appelés sRNAs, jouent des rôles clefs dans de nombreuxprocessus physiologiques et adaptatifs. Ces sRNAs ont été mis en évidence par des méthodes expérimentales haut-débit (microarray, tilling-array...) dans plusieurs espèces bactériennes d'intérêt. Ils agissent majoritairement au niveau post-transcriptionnel via une interaction physique avec un ou plusieurs ARNs messagers(s) cibles(s). Cependant, les informations sur les ARNmet les fonctions potentielles de ces sRNAs restent très parcellaires à ce jour. De plus, les profils d'évolution des sRNAs ont été peu étudiés chez les bactéries pathogènes. Le travail réalisé dans cette thèse repose sur l'hypothèse que l'évolution des sRNAs et leur coévolution avec d'autres éléments fonctionnels dans un ensemble de génomes, peut permettre de mieux comprendre leurs histoires évolutives, mais également de caractériser leurs fonctions potentielles et peut-être d'aider à identifier le ou les ARNm cibles avec lesquels ils interagissent. Dans ce but, nous avons conçu et implémenté une stratégie de phylogénomique robuste et géné- rique permettant d'analyser l'évolution et la coévolution des sRNAs et des ARNm cibles dans un ensemble de génomes bactériens annotés, à partir de leur profil de présence-absence. Cette méthode a été appliquée à l'analyse de l'évolution et de la coévolution de 154 sRNAs trans régulateurs de Listeria monocytogenes EGD-e. Elle nous a permis d'identifier 52 sRNAs accessoires dont la majo- rité étaient présents dans l'ancêtre commun des souches de Listeria et ont été perdus au cours de l'évolution. Nous avons ensuite détecté une coévolution significative entre 23 sRNAs et 52 ARNm et nous avons reconstruit le réseau de coévolution des sRNAs et ARNm de Listeria. Ce réseau contient un hub principal de 12 sRNAs qui coévoluent avec des ARNm codant pour des protéines de la paroi ainsi que des facteurs de virulence. Parmi eux nous avons pu identifier 4 sRNAs coévoluant avec 7 gènes codant pour des internalines qui sont connues pour regrouper d'importants facteurs de virulence chez Listeria. De plus, l'ARN rli133, qui coévolue avec plusieurs gènes impliqués dans le pouvoir pathogène de Listeria, contient des régions compatibles avec des interactions physiques directes inhibitrices pour la majorité de ses partenaires de coévolution. / Non coding RNAs (ncRNA) are main actors of gene expression regulation and are found ubiquitously in all domains of life. In bacteria, ncRNAs play key roles in a wide range of physiological and adaptive processes. These "small non coding RNAs" (sRNAs) are identified by high-throughput experimental methods (microarray, tilling-array, ...) in several bacteria species of interest. They mainly act at post-transcriptional level through physical interactions with one or several mRNA(s). Nevertheless, the available informations about mRNA targets and sRNAs functions, remain very limited. In addition, evolutionary patterns of sRNAs have been poorly studied in pathogenic bacteria. The main hypothesis of my PhD work is therefore that analysis of evolution and coevolution between sRNAs and other functional elements in a given genomes set, may allow to understand their evolutionary histories, to better characterize their putative functions, and may also help to identify their potential mRNA(s) target(s). For this purpose, we designed and developed a robust and generic phylogenomic approach to analyze evolution and coevolution between sRNAs and mRNA from their presence-absence profiles, in a set of annotated bacterial genomes. This method was thereafter used to analyze evolution and coevolution of 154 Listeria monocytogenes EGD-e trans regulatory sRNAs in 79 complete genomes of Listeria. This approach allowed us to discover 52 accessory sRNAs, the majority ofwhich were present in the Listeria common ancestor and were subsequently lost during evolution of Listeria strains. We then detected significant coevolutions events between 23 sRNAs and 52 mRNAs and reconstructed the coevolving network of Listeria sRNA and mRNA. This network contains a main hub of 12 sRNAs that coevolves with mRNA encoding cell wall proteins and virulence factors. Among them, we have identified 4 sRNAs coevolving with 7 internalin-coding genes that are known to group important virulence factors of Listeria. Additionaly, rli133, a sRNA that coevolve with several genes involved in Listeria pathogenicity, exhibits regions compatible with direct translational inhibitory physical interactions for most of its coevolution partners.

Les microARN (miARN) sont de petits ARN non-codants qui répriment la traduction de leurs gènes cibles par hybridation à leur ARN messager (ARNm). L'identification de cibles biologiquement actives de miARN est cruciale afin de mieux comprendre leurs rôles. Ce problème est cependant difficile parce que leurs sites ne sont définis que par sept nucléotides. Dans cette thèse je montre qu'il est possible de modéliser certains aspects des miARN afin d'identifier leurs cibles biologiquement actives à travers deux modélisations d'un aspect des miARN. La première modélisation s'intéresse aux aspects de la régulation des miARN par l'identification de boucles de régulation entre des miARN et des facteurs de transcription (FT). Cette modélisation a permis, notamment, d'identifier plus de 700 boucles de régulation miARN/FT, conservées entre l'humain et la souris. Les résultats de cette modélisation ont permis, en particulier, d'identifier deux boucles d'auto-régulation entre LMO2 et les miARN miR-223 et miR-363. Des expériences de transplantation de cellules souches hématopoïétiques et de progéniteurs hématopoïétiques ont ensuite permis d'assigner à ces deux miARN un rôle dans la détermination du destin cellulaire hématopoïétique. La deuxième modélisation s'intéresse directement aux interactions des miARN avec les ARNm afin de déterminer les cibles des miARN. Ces travaux ont permis la mise au point d'une méthode simple de prédiction de cibles de miARN dont les performances sont meilleures que les outils courant. Cette modélisation a aussi permis de mettre en lumière certaines conséquences insoupçonnées de l'effet des miARN, telle que la spécificité des cibles de miARN au contexte cellulaire et l'effet de saturation de certains ARNm par les miARN. Cette méthode peut également être utilisée pour identifier des ARNm dont la surexpression fait augmenter un autre ARNm par l'entremise de miARN partagés et dont les effets sur les ARNm non ciblés seraient minimaux. / microRNAs (miRNAs) are small non coding RNAs that repress the translation of their target genes by pairing to their messenger RNA (mRNA). The identification of miRNAs' biologically active targets is a difficult problem because their binding sites are defined by only seven nucleotides. In this thesis, I show that it is possible to model specific aspects of miRNAs to identify their biologically active targets through two modeling of each one aspect of miRNAs. The first modeling considers the miRNAs regulations through the identification of regulatory loops between miRNAs and transcription factors (TFs). Through this modeling, we identified over 700 miRNA/TF regulatory loops conserved between human and mouse. With the results of this modeling, we were able to identify, in particular, two regulatory loops between LMO2 and the miRNAs miR-223 and miR-363. Using hematopoietic stem cells and progenitor cells transplantation experiment we showed that miR-223 and miR-363 are involved in hematopoietic cell fate determination. The second modeling focuses directly on the interaction between miARN and messenger RNA (mRNA) to determine the miRNA targets. With this work, we developed a simple method for predicting miRNA targets that outperforms the current state of the art tool. This modeling also highlighted some unsuspected consequences of miRNA effects such as the cell context specificity and the saturation of mRNA targets by miRNA. This method can also be used to identify mRNAs whose overexpression increases the expression level of another mRNA through their shared miRNA and whose global effects on other genes are minimal.