Dans cette these, nous identifions le réseau de régulation de gènes (RRG) agissant en aval de CROWN ROOTLESS1 (CRL1) et impliqué dans la formation des racines coronaires (RC) chez le riz, en vue d’identifier des gènes candidats pour moduler l’architecture du système racinaire (ASR) du riz et du maïs. Pour ce faire, nous avons généré une série temporelle transcriptomique, et l’avons utilisée pour inférer le RRG en jeu durant 45 heures après l’induction de CRL1, un intervalle couvrant les étapes précoces de l’initiation des RC. Nous avons partiellement validé ce réseau en utilisant des bases de données de prédiction de sites de liaison de facteurs de transcription, ainsi que la littérature décrivant des interactions connues. A partir de ce réseau validé, nous avons identifié une cascade de régulation reliant des gènes impliqués dans l’initiation des RC à d’autres genes impliqués dans le patterning et la maintenance des primordia de RC, et testé cette cascade par des essais de transactivation en protoplastes. Les résultats obtenus ont globalement confirmé la cascade prédite, ce qui démontre l’utilité des approches de biologie des systèmes pour mieux comprendre les mécanismes impliqués dans le développement des RC. Un autre jeu de données transcriptomique a été obtenu par microdissection laser des primordia de RC à trois stades développementaux. L’analyse différentielle par rapport au tissu cortical adjacent révèle la regulation transcriptionnelle en jeu après l’initiation des RC et l’organisation des primordia. A partir d’une analyse croisée entre données de la série temporelle, données issues de microdissection, autres listes de gènes publiées en lien au développement racinaire chez le riz, analyse formelle du RRG et curation de la littérature, nous avons établi quatre classements en fonction de différentes stratégies de pondération, et identifié les gènes les plus importants du RRG. A partir de ce méta-classement, deux gènes candidats ont été identifies. Leur impact sur la formation des RC et l’ASR sera étudiée au travers de la génération de lignées de surexpression ou knock-out, chez le maïs et le riz. / In this thesis, we aimed at identifying the gene regulatory network (GRN) acting downstream of CRL1 and involved in the formation of crown root (CR) primordia in rice. We used this information to identify candidate genes to modulate root system architecture of rice and maize. To do so, we generated a time-series transcriptomic dataset that was used to infer the GRN at play during the 45 hour following CRL1 induction, covering early steps of CR primordia formation. This network was partially validated using a database describing predicted transcription factor (TF) target genes and literature on available regulatory interactions. From this, a regulatory cascade linking genes involved in CR initiation to genes involved in CR primordia patterning and maintenance was proposed and tested using transient protoplast transactivation assays. Obtained data mostly confirmed the predicted regulatory cascade demonstrating the usefulness of systems biology approaches to better understand the mechanisms involved in CR development. Another transcriptomic dataset obtained from laser capture microdissection of CR primordia at three later developmental stages analysed against adjacent stem cortex tissue, provided insight to the transcriptional regulation occurring after CR initiation and primordia organization. From cross-analysis between time series and microdissected primordia transcriptomic data set, other published gene lists related to root development in rice, formal GRN analysis and literature curation, we computed four rankings according to different scoring strategies to identify the most important genes in the GRN. From this meta-ranking, two candidate genes were identified. Their impact on CR formation and root system architecture will be further studied via the generation of over- or down-expressing lines in maize and rice.

Des techniques expérimentales récentes ont donné la possibilité d'acquérir un très grand nombre de données concernant des réseaux biologiques complexes, comme des réseaux de neurones, des réseaux de gènes et des réseaux d'interactions de protéines. Ces techniques sont capables d'enregistrer les états des composantes individuelles de ces réseaux (neurones, gènes, protéines) pour un grand nombre de configurations. Cependant, l'information la plus pertinente biologiquement se trouve dans la connectivité de ces systèmes et dans la façon précise avec laquelle ces composantes interagissent, information que les techniques expérimentales ne sont pas au point d'observer directement. Le bût de cette thèse est d'étudier les méthodes statistiques nécessaires pour inférer de l'information sur la connectivité des réseaux complexes en partant des données expérimentales. Ce sujet est traité par le point de vue de la physique statistique, en puisant de l'arsenal de méthodes théoriques qui ont été développées pour l'étude des verres de spins. Les verres de spins sont des exemples de réseaux à variables discrètes qui interagissent de façon complexe et sont souvent utilisés pour modéliser des réseaux biologiques. Après une introduction sur les modèles utilisés ainsi qu'une discussion sur la motivation biologique de cette thèse, toutes les méthodes d'inférence de réseaux connues sont présentées et analysées du point de vue de leur performance. Par la suite, dans la troisième partie de la thèse, un nouvelle méthode est proposée qui s'appuie sur la remarque que les interactions en biologie ne sont pas nécessairement symétriques (c'est-à-dire l'interaction entre les noeuds A et B n'est pas la même dans les deux directions). Il est démontré que cette assomption conduit à des méthodes qui sont capables de prédire les interactions de façon exacte, étant donné un nombre suffisant de données, tout en utilisant un temps de calcul polynomial. Ceci est un résultat original important car toutes les autres méthodes connues sont soit exactes et non-polynomiales soit inexactes et polynomiales. / Recent experimental techniques in biology made possible the acquisition of overwhelming amounts of data concerning complex biological networks, such as neural networks, gene regulation networks and protein-protein interaction networks. These techniques are able to record states of individual components of such networks (neurons, genes, proteins) for a large number of configurations. However, the most biologically relevantinformation lies in their connectivity and in the way their components interact, information that these techniques aren't able to record directly. The aim of this thesis is to study statistical methods for inferring information about the connectivity of complex networks starting from experimental data. The subject is approached from a statistical physics point of view drawing from the arsenal of methods developed in the study of spin glasses. Spin-glasses are prototypes of networks of discrete variables interacting in a complex way and are widely used to model biological networks. After an introduction of the models used and a discussion on the biological motivation of the thesis, all known methods of network inference are introduced and analysed from the point of view of their performance. Then, in the third part of the thesis, a new method is proposed which relies in the remark that the interactions in biology are not necessarily symmetric (i.e. the interaction from node A to node B is not the same as the one from B to A). It is shown that this assumption leads to methods that are both exact and efficient. This means that the interactions can be computed exactly, given a sufficient amount of data, and in a reasonable amount of time. This is an important original contribution since no other method is known to be both exact and efficient.