La variation quantitative résulte de l'action combinée des gènes et de leur environnement. Pour comprendre la relation génotype-phénotype et disséquer l'architecture des caractères complexes, deux approches sont couramment employées. D'une part l'évolution expérimentale qui permet de quantifier le nombre et l'effet des mutations dans la construction d'un phénotype soumis à une pression de sélection, d'autre part la cartographie de QTL (Quantitative Trait Loci) et/ou la génétique d'association qui permettent d'identifier les locus responsables de la variation phénotypique. Au cours de cette thèse, nous avons combiné l'ensemble de ces approches pour (1) évaluer le rôle relatif des nouvelles mutations et de la variabilité résiduelle dans la réponse à la sélection ; (2) identifier les déterminants génétiques sous tendant cette réponse ; (3) disséquer, pour un locus candidat, les mécanismes génétiques de sa contribution à la variation phénotypique. Pour cela, nous disposons d'un matériel génétique résultant d'une expérience de sélection divergente pour la date de floraison menée depuis plus de dix ans. Cette expérience a été conduite en parallèle à partir de deux lots de semences de lignées commerciales de maïs (F252 et MBS847). Pour chaque lignée de départ, deux populations ont été constituées, une population précoce et une population tardive produites en sélectionnant et autofécondant les génotypes les plus précoces/tardifs à chaque génération. Nous avons caractérisé la réponse à la sélection après 7 générations. Cette réponse est rapide, asymétrique entre populations et significative dans 3 des 4 populations. Elle est linéaire avec le temps ce qui indique que des nouvelles mutations contribuent à créer de la variance génétique à chaque génération. Nous avons identifié un locus majeur contribuant à 35% de la variation pour la date de floraison dans la population F252 tardive et pour lequel les deux allèles étaient présents dans le lot de semence initial sous forme d'hétérozygotie résiduelle. Les deux allèles présentent des haplotypes très divergents autant au niveau de leur variation nucléotidique (5.7%) que d'un point de vue structural (16 indels) sur une région proche du gène eIF-4A (Eukaryotic Initiation Translation Factor 4A). L'association de ce locus avec la date de floraison et d'autres caractères corrélés tels que la hauteur et le nombre de feuilles a été confirmée par une caractérisation développementale fine de génotypes précoces et tardifs et également dans un panel d'association comprenant 317 lignées de maïs cultivé. En plus d'un effet pléiotrope, nous avons montré grâce au développement de méthodes statistiques que ce locus présente des interactions épistatique fortes avec d'autres locus en ségrégation puisque son effet dépend largement du fond génétique. Nous avons finalement utilisé des AFLP (Amplified Fragment Length Polymorphisms) sur tous les génotypes issus des 7 premières générations de sélection afin d'identifier d'autres polymorphismes potentiellement impliqués dans la réponse à la sélection. Nos résultats préliminaires montrent une différenciation génétique et épigénétique entre les populations sélectionnées qui semble être préférentiellement due à de l'hétérozygotie résiduelle.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Les chaînes de Markov constituent une famille de modèle statistique incontournable dans de nombreuses applications, dont le spectre s'étend de la compression de texte à l'analyse des séquences biologiques. Un problème récurrent dans leur mise en oeuvre face à des données réelles est la nécessité de compromettre l'ordre du modèle, qui conditionne la complexité des interactions modélisées, avec la quantité d'information fournies par les données, dont la limitation impacte négativement la qualité des estimations menées. Les arbres de contexte permettent une granularité fine dans l'établissement de ce compromis, en permettant de recourir à des longueurs de mémoire variables selon le contexte rencontré dans la séquence. Ils ont donné lieu à des outils populaires tant pour l'indexation des textes que pour leur compression (Context Tree Maximisation – CTM - et Context Tree Weighting - CTW). Nous proposons une extension de cette classe de modèles, en introduisant les arbres de contexte parcimonieux, obtenus par fusion de noeuds issus du même parent dans l'arbre. Ces fusions permettent une augmentation radicale de la granularité de la sélection de modèle, permettant ainsi de meilleurs compromis entre complexité du modèle et qualité de l'estimation, au prix d'une extension importante de la quantité de modèles mise en concurrence. Cependant, grâce à une approche bayésienne très similaire à celle employée dans CTM et CTW, nous avons pu concevoir une méthode de sélection de modèles optimisant de manière exacte le critère bayésien de sélection de modèles tout en bénéficiant d'une programmation dynamique. Il en résulte un algorithme atteignant la borne inférieure de la complexité du problème d'optimisation, et pratiquement tractable pour des alphabets de taille inférieure à 10 symboles. Diverses démonstrations de la performance atteinte par cette procédure sont fournies en dernière partie. / Markov chains, as a universal model accounting for finite memory, discrete valued processes, are omnipresent in applied statistics. Their applications range from text compression to the analysis of biological sequences. Their practical use with finite samples, however, systematically require to draw a compromise between the memory length of the model used, which conditions the complexity of the interactions the model may capture, and the amount of information carried by the data, whose limitation negatively impacts the quality of estimation. Context trees, as an extension of the model class of Markov chains, provide the modeller with a finer granularity in this model selection process, by allowing the memory length to vary across contexts. Several popular modelling methods are based on this class of models, in fields such as text indexation of text compression (Context Tree Maximization and Context Tree Weighting). We propose an extension of the models class of context trees, the Parcimonious context trees, which further allow the fusion of sibling nodes in the context tree. They provide the modeller with a yet finer granularity to perform the model selection task, at the cost of an increased computational cost for performing it. Thanks to a bayesian approach of this problem borrowed from compression techniques, we succeeded at desiging an algorithm that exactly optimizes the bayesian criterion, while it benefits from a dynamic programming scheme ensuring the minimisation of the computational complexity of the model selection task. This algorithm is able to perform in reasonable space and time on alphabets up to size 10, and has been applied on diverse datasets to establish the good performances achieved by this approach.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.