Les épines dendritiques sont de petites protrusions post-synaptiques présentant des changements morphologiques corrélés avec la plasticité synaptique. Elles ont pour origine les filopodes dendritiques qui s’élargissent lors du contact avec l’axone. Ces changements morphologiques impliquent une grande variété de molécules dont des protéines associées à l’actine et des protéines d’adhésion. Cependant, comment ces différentes protéines sont coordonnées dans le temps et l’espace est encore largement méconnu. De plus, les techniques de microscopie conventionnelle ne permettent pas d’étudier l’organisation et la dynamique de ces protéines dans les épines dont la taille est proche de la limite de resolution. L’objectif de ma thèse a donc été d’explorer le rôle des protéines associées à l’actine ainsi que celui des protéines d’adhésion N-cadhérines dans l’organisation et la dynamique du cytosquelette d’actine des épines dendritiques. Dans une première étude, nous avons suivi la motilité des filopodes et épines dendritiques de neurones en visualisant l’actine-GFP. Nous avons couplé cette approche avec : 1) une technique de piégeage optique de microsphères recouvertes de N-cadhérines ou des substrats micro-imprimés également recouverts de N-cadhérines afin de contrôler temporellement et spatialement les adhésions cadhérine-cadhérine, 2) la stimulation pharmacologique de la myosine II afin d’induire la contraction F-actine/myosine et 3) l’expression de mutants de N-cadhérine non adhésifs. Nous avons ainsi démontré que la stabilisation des filopodes en épines était dépendante de l’engagement d’un embrayage moléculaire entre les adhésions trans-synaptiques N-cadhérine et le flux rétrograde d’actine généré par les myosines II. Dans une deuxième étude, nous avons utilisé la microscopie super-résolutive (PALM et dSTORM) et le suivi de protéines individuelles (sptPALM) pour étudier l’organisation et la dynamique à l’échelle nanométrique des protéines à l’origine des réseaux d’actine branchés dans les épines. Ainsi, nous avons caractérisé la localisation et la dynamique de l’actine, du complexe Arp2/3, du complexe WAVE, d’IRSp53, de VASP et de Rac-1. Nous avons montré que, contrairement aux structures motiles classiques comme lamellipode, le réseau d’actine branché dans les épines n’ést pas formé aux extrémités protrusives puis incorporé dans un flux rétrograde d’actine. Ce réseau est initié à la PSD puis croît vers l’extérieur afin de générer les protrusions membranaires responsablent des changements morphologiques de l’épine. Nos résultats montrent également qu’un contrôle strict de l’activité de Rac-1 est nécessaire au maintien de la morphologie des épines dendritiques et de l’architecture du réseau d’actine branché. L’ensemble de mon travail souligne l’importance du rôle de l’organisation à l’échelle nanométrique du réseau d’actine branché et des adhésions N-cadhérine dans la dynamique et la formation des épines dendritiques. Ces résultats pourraient avoir un rôle important dans la compréhension des changements morphologiques lors de la plasticité synaptique. / Dendritic spines are tiny post-synaptic protrusions exhibiting changes in morphology correlated with synaptic plasticity. They originate from motile dendritic filopodia, which enlarge after contacting axons. These morphological changes involve a wide number of molecular actors, including actin-binding proteins, and adhesion molecules. However, how these various molecular components are coordinated temporally and spatially to tune changes in spine shape remains unclear. Furthermore, conventional photonic microscopy techniques could not achieved the spatial resolution required to study the dynamic nanoscale organization of these proteins within the micron size dendritic spines. The objective of my Ph.D. was to unravel how actin-binding proteins and N-cadherin adhesion regulate the organization and dynamics of F-actin network in dendritic spines. In a first study, we measured the motility of dendritic filopodia and spines by time lapse imaging of actin-GFP in primary hippocampal neurons. We combined those measurements with: 1) manipulation of N-cadherin coated beads with optical tweezers, or micropatterns to control the timing and location of nascent N-cadherin adhesions, 2) pharmacological stimulation of myosin II to trigger contraction of the F-actin/myosin network and 3) expression of non-adhesive N-cadherin mutants to compete for the interaction between N-cadherin adhesion and F-actin. Using these different approaches we demonstrated that the stabilization of dendritic filopodia into mature spines was dependent on the engagement of a molecular clutch between trans-synaptic N-cadherin adhesions and the myosin driven F-actin flow. In a second study, we used super resolution microscopy (PALM and dSTORM) and single protein tracking (sptPALM) to study the dynamic nanoscale organizations of branched actin networks within dendritic spines. Using these technics, we characterized within dendritic spines, the localization and dynamics of actin, Arp2/3 complex, WAVE complex, IRSp53, VASP and Rac-1. We established that, opposite to classical motile structures such as the lamellipodium, branched F-actin networks in dendritic spines are not formed at the tip of membrane protrusions and incorporated in a retrograde flow. On the contrary, they are growing outwards from the PSD generating membrane protrusions responsible for spine motility. We also show that a thigh control of Rac1 activity is required to maintain dendritic spine morphology and branched actin network organization. Altogether, these studies point out the role of the nanoscale functional organization of F-actin networks and its linkage to adhesion proteins in the regulation of dendritic spine formation and dynamics. These findings may have important implications in the understanding of spine morphology changes driven by synaptic activity.

Nous nous proposons d'étudier la gestion du bruit stochastique d'expression génique. On s'intéresse plus particulièrement à la dynamique du bruit lors de la réponse cellulaire. Comment évolue le bruit? Quels sont les mécanismes en jeux? Quelle est l'importance du bruit dans le fonctionnement cellulaire? Pour répondre à ces questions, nous nous appuyons sur le réseau de régulation génétique qui gère la réponse au stress nutritionnel chez E. Coli. L'étude du comportement dynamique de ce réseau, au niveau d'une population de bactéries, a été initiée et est portée par la forte collaboration de deux équipes de la région : une de bio-informaticiens (l'équipe de Hidde de Jong de l'INRIA Rhône-Alpes) et la deuxième de biologistes (l'équipe de Hans Geiselmann, Laboratoire d'Adaptation et Pathogénie des Micro-organismes). En profitant donc de l'expérience et de la compréhension acquise par ces équipes, nous étudions les réponses individuelles de chaque bactérie lors de la transition entre état de stress nutritionnel, et état de croissance exponentielle. Le bruit d'expression génique est quantifié dans des nœuds clés du réseau de régulation. Pour ce faire, les bactéries sont suivies individuellement par microscopie de fluorescence sur plusieurs générations. Les données de fluorescence collectées sur cellules uniques permettent d'étudier la variabilité inter-cellulaire. Cette variabilité est quantifiée tout le long de la réponse: à chaque instant, on connaît la distribution des densités de fluorescence cellulaire dans la population de cellules. Et le suivi des lignées individuelles permet de travailler sur une population de cellules saines: les individus malades ou morts qui ne se divisent pas, sont écartés. En réduisant ainsi les phénomènes cellulaires en jeux, on réduit le nombre de paramètres. Les sources de bruit sont moins nombreuses, et il est plus facile de comprendre les mécanismes en jeux. Les informations de lignage cellulaire permettent aussi d'étudier la variabilité introduite par la phase du cycle cellulaire: les événements de division cellulaire peut être artificiellement synchronisés. Le bruit est alors étudié sur une population en phase lors de la division. Cette étude montre que le bruit sondé n'est pas dominé par les différences dans la phase du cycle cellulaire. On peut donc modéliser nos cellules sans tenir compte des différences introduites par le cycle cellulaire. Le modèle testé est simplifié aux étapes de transcription-traduction-maturation. Les paramètres du modèle sont inférés de nos données expérimentales, et le modèle est testé à travers des simulations.

Nous nous proposons d'étudier la gestion du bruit stochastique d'expression génique. On s'intéresse plus particulièrement à la dynamique du bruit lors de la réponse cellulaire. Comment évolue le bruit? Quels sont les mécanismes en jeux? Quelle est l'importance du bruit dans le fonctionnement cellulaire? Pour répondre à ces questions, nous nous appuyons sur le réseau de régulation génétique qui gère la réponse au stress nutritionnel chez E. Coli. L'étude du comportement dynamique de ce réseau, au niveau d'une population de bactéries, a été initiée et est portée par la forte collaboration de deux équipes de la région : une de bio-informaticiens (l'équipe de Hidde de Jong de l'INRIA Rhône-Alpes) et la deuxième de biologistes (l'équipe de Hans Geiselmann, Laboratoire d'Adaptation et Pathogénie des Micro-organismes). En profitant donc de l'expérience et de la compréhension acquise par ces équipes, nous étudions les réponses individuelles de chaque bactérie lors de la transition entre état de stress nutritionnel, et état de croissance exponentielle. Le bruit d'expression génique est quantifié dans des nœuds clés du réseau de régulation. Pour ce faire, les bactéries sont suivies individuellement par microscopie de fluorescence sur plusieurs générations. Les données de fluorescence collectées sur cellules uniques permettent d'étudier la variabilité inter-cellulaire. Cette variabilité est quantifiée tout le long de la réponse: à chaque instant, on connaît la distribution des densités de fluorescence cellulaire dans la population de cellules. Et le suivi des lignées individuelles permet de travailler sur une population de cellules saines: les individus malades ou morts qui ne se divisent pas, sont écartés. En réduisant ainsi les phénomènes cellulaires en jeux, on réduit le nombre de paramètres. Les sources de bruit sont moins nombreuses, et il est plus facile de comprendre les mécanismes en jeux. Les informations de lignage cellulaire permettent aussi d'étudier la variabilité introduite par la phase du cycle cellulaire: les événements de division cellulaire peut être artificiellement synchronisés. Le bruit est alors étudié sur une population en phase lors de la division. Cette étude montre que le bruit sondé n'est pas dominé par les différences dans la phase du cycle cellulaire. On peut donc modéliser nos cellules sans tenir compte des différences introduites par le cycle cellulaire. Le modèle testé est simplifié aux étapes de transcription-traduction-maturation. Les paramètres du modèle sont inférés de nos données expérimentales, et le modèle est testé à travers des simulations. / We aim to investigate the management of the stochastic noise in gene expression and more precisely the study of noise in dynamical cellular responses. How the noise varies following a perturbation? What mechanisms are at play? How important is noise in the cellular function? To answer these questions, we are interested in the genetic regulatory network that handles the nutritional stress response in E. Coli. The noise of gene expression is quantified in a key node of the network control. For that bacteria are followed individually by fluorescence and phase contrast microscopy over several generations. This variability between cells is quantified throughout the response to the nutritional perturbation: at every moment, we know the density distribution of cellular fluorescence in the cell population. And monitoring of individual lines allows us to take into account only the population of healthy cells: individuals that do not divide neither grow, are discarded. Thereby reducing other sources of variability (e.g. cellular phenomena) we reduce the number of parameters. Noise sources are less numerous, and it is easier to understand the mechanisms at play. Also the information on cell lineage allow to study the variability introduced by the phase of the cell cycle: the events of cell division can be artificially synchronized. This study shows that the noise sounded is not dominated by differences in the phase of the cell cycle. We can therefore model our cells regardless of the differences introduced by the cell cycle. The tested model is simplified to the steps of transcription-translation-maturation. The model parameters are inferred from our experimental data and the model is tested through simulations.