Cette thèse étudie l'effet de deux processus cellulaires essentiels, la réplication et la transcription, sur la composition en nucléotides des séquences d'ADN. Ces mécanismes ont un fonctionnement asymétrique par rapport aux deux brins d'ADN, et ils ont comme conséquence une composition asymétrique dans les séquences.<br /> Nous avons étudié la co-orientation entre réplication et transcription chez les procaryotes. Nous proposons une méthode pour l'étude des biais de composition qui découple ces deux sources d'asymétrie. Nous montrons que les biais associés à la réplication sont très variables, même entre espèces proches.<br /><br /> Nous avons ensuite analysé le patron de substitution dans les régions transcrites et autour des origines de réplication du génome humain, et notamment l'effet du contexte 5'-3'. Les biais de voisinage sont similaires pour l'asymétrie associée à la réplication et à la transcription. La variation des taux de substitutions en fonction du patron d'expression des gènes suggère qu'un biais de réparation asymétrique et contexte-dépendant pourrait être en jeu.<br /><br /> Enfin, nous avons proposé une méthode de calcul du patron de substitution dans des séquences à composition biaisée: les microsatellites. Nous avons démontré que les microsatellites transcrits sont sujets au mêmes processus asymétriques que les régions non-répétées.

L'objectif de cette thèse est l'étude par la technologie des puces à ADN, du transcriptome de la bactérie Buchnera aphidicola, qui vit en symbiose avec le puceron du pois Acyrthosiphon pisum. Le génome extrêmement réduit de Buchnera a perdu l'essentiel de ses gènes de régulation, mais conserve les voies de biosynthèse permettant la production des acides aminés essentiels pour son hôte. La première partie de cette thèse concerne le développement du logiciel ROSO, qui permet de déterminer les sondes oligonucléotidiques destinées aux puces. Une interface a été conçue pour son utilisation en ligne (http://pbil.univ-lyon1.fr/roso). Dans une seconde partie, la conception et l'utilisation d'une puce dédiée à Buchnera ont permis d'étudier le transcriptome de la bactérie, lorsque son hôte subit un stress nutritionnel et osmotique. Cette analyse montre que Buchnera est capable de réguler son expression génique et de réorienter son métabolisme, pour répondre à la demande changeante de son hôte.

La virologie bénéficie de plus en plus du développement de la bioinformatique. Mon projet de thèse recouvre la gestion de séquences de protéines se rapportant aux virus à ARN simple brin, de polarité négative et positive. J'ai mis en place une base de données VaZyMolO, qui gère les informations structurales et fonctionnelles des protéines, en définissant et en classant des modules. Cette approche a permis l'identification d'un domaine méthyltransférase sur la protéine L des Mononegavirales, et la définition de la modularité des protéines N et P des Paramyxoviridae. La cartographie du génome du virus du Syndrome Respiratoire Aigue Sévère réalisée à l'aide de VaZyMolO, a contribué à la résolution structurale de la protéine nsp9 de ce virus. Enfin, je présente une étude incluant évolution et analyse structurale des polymérases des Flaviviridae. Dans cette dernière, je propose un modèle de la polymérase du virus GBV-C et un mécanisme d'initiation de la synthèse d'ARN.

Notre étude porte sur les transporteurs ABC dans les génomes bactériens complets. L'analyse bioinformatique du répertoire de ces systèmes comprend l'identification des partenaires, l'assemblage, la reconstruction des systèmes incomplets, la classification en sous-familles, et l'identification du substrat transporté. Cette thèse propose des outils permettant l'étude de ces problèmes par l'utilisation de méthodes informatiques. Les hypothèses biologiques employées sont que : (i) des gènes voisins sur le chromosome peuvent être impliqués dans un même processus métabolique s'ils ont été conservés au cours de l'évolution, et (ii) des gènes présentant des similarités de séquence peuvent permettre la synthèse de protéines de même fonction. Trois études ont été menées sur le répertoire des transporteurs ABC : * L'exploration du voisinage chromosomique. D'après l'hypothèse selon laquelle plus les gènes conservés dans le voisinage d'un transporteur sont proches, plus leur lien fonctionnel avec le transporteur est fort, on essaye d'identifier le substrat transporté ou des associations de gènes. Ce problème est traité par une méthode de résolution issue des problèmes de satisfaction de contraintes. * La classification. Les transporteurs ABC sont classés par grandes catégories en fonction des molécules qu'ils transportent (sucres, ...). Pour chaque domaine, en représentant les relations d'homologie par un graphe, la recherche des zones de forte densité permet de déterminer des sous-classes de substrat. * La reconstitution des systèmes incomplets. Les transporteurs ABC sont assemblés en utilisant la proximité chromosomique des gènes codant pour les domaines et la compatibilité des sous-familles de domaines. Lorsque la proximité n'est pas respectée, on utilise une stratégie développée à partir d'une méthode d'analyse de graphes pour assembler les domaines et prédire des systèmes actifs. Ces méthodes, en complément de l'identification des partenaires et de l'assemblage, permettent une étude fonctionnelle des transporteurs ABC. Elles pourraient être appliquées à d'autres systèmes biologiques.

Au cours de ces trois dernières années, le génome du chien a bénéficié d'avancées majeures à sa connaissance. Les projets de cartographie et de séquençage de son génome, motivés par le formidable potentiel qu'offre le chien en tant que modèle génétique, ont généré de grandes quantités de données à analyser. Dans ce contexte, mes travaux de thèse se sont d'abord focalisés sur la conception d'outils bioinformatiques d'intégration de plusieurs ressources afin d'évaluer et de comparer les informations issues des projets de cartographie et de séquence du génome du chien. Avec la disponibilité d'un nombre croissant de génomes séquencés, nous avons développé le programme AutoGRAPH pour formaliser la conservation de l'ordre des gènes orthologues entre les génomes mammifères, automatiser la construction de cartes de synténie entre ces génomes et, enfin, faciliter l'annotation du génome du chien. Un première application de notre méthode a permis de redéfinir la localisation d'une centaine de gènes préalablement assignés au chromosome canin non-assemblé ou "chromosome Unknown". Dans un second projet, nous avons combiné notre approche de conservation de l'ordre des gènes entre deux génomes avec des alignements de séquences ciblés afin d'identifier des nouvelles structures de gènes canins codant pour des protéines. À partir d'un ensemble de 412 gènes orthologues entre quatre génomes de référence (homme - chimpanzé - rat - souris) et présumés absents chez le chien, nous identifions 285 nouveaux gènes canins et/ou nouvelles relations d'orthologie avec les génomes de référence. Enfin, différents mécanismes évolutifs sont suggérés mettant en relation la nature des gènes, la présence de famille de gènes et la composition en séquences pour expliquer la perte de gènes chez le chien.

Avec l'explosion de la quantité de données biologiques disponible, développer de nouvelles méthodes de traitements efficaces est une problématique majeure en bioinformatique. De nombreuses structures biologiques sont modélisées par des structures arborescentes telles que les structures secondaires d'ARN et l'architecture des plantes. Ces structures contiennent des motifs répétés au sein même de leur structure mais également d'une structure à l'autre. Nous proposons d'exploiter cette propriété fondamentale afin d'améliorer le stockage et le traitement de tels objets. En nous inspirant du principe de filtres sur les séquences, nous définissons dans cette thèse une méthode de filtrage sur les arborescences ordonnées, permettant de rechercher efficacement dans une base de données, un ensemble d'arborescences ordonnées proches d'une arborescence requête. La méthode se base sur un découpage de l'arborescence en graines et sur une recherche de graines communes entre les structures. Nous définissons et résolvons le problème de chaînage maximum sur des arborescences. Nous proposons dans le cas des structures secondaires d'ARN une définition de graines (l−d) centrées. Dans un second temps, en nous basant sur des techniques d'instanciations utilisées, par exemple, en infographie et sur la connaissance des propriétés de redondances au sein des structures biologiques, nous présentons une méthode de compression permettant de réduire l'espace mémoire nécessaire pour le stockage d'arborescences non-ordonnées. Après une détermination des redondances, nous utilisons une structure de données plus compacte pour représenter notamment l'architecture de la plante, celle-ci pouvant contenir des informations topologiques mais également géométriques.

Chez les métazoaires, la transcription est inactive durant les étapes précoces du développement embryonnaire. Chez Drosophila melanogaster, des études récentes de l'activation du génome zygotique (AGZ) ont mis en évidence l'implication de quelques acteurs moléculaires (Zelda, STAT92E), mais les mécanismes régulateurs généraux restent à découvrir. En appliquant des méthodes bioinformatiques à l'analyse de données à haut débit de différentes sources, j'ai recherché de nouveaux éléments cis-régulateurs impliqués dans l'AGZ. Tout d'abord, par l'analyse de données transcriptomiques, j'ai sélectionné un groupe de gènes activés pendant l'AGZ. L'analyse de leurs régions non codantes a mis en évidence six motifs, dont trois correspondent à des motifs connus (Zelda, Trl et TTK). La recherche systématique de ces motifs m'a permis de prédire des modules cis-régulateurs (CRMs) potentiels pour lesquels j'ai défini un environnement chromatinien spécifique en analysant des profils d'occupation de (co-) facteurs de transcription pertinents et d'histones modifiées (ChIP-seq) ainsi que des profils d'ouverture de la chromatine. L'ensemble de ces résultats m'a permis de définir un modèle de régulation de l'AGZ et de sélectionner des régions candidates pour une validation expérimentale.

L'ARN, acide ribonucléique, est un des composants fondamentaux de la cellule. La majorité des ARN sont constitués d'une séquence orientée de nucléotides notés A,C,G et U. Une telle séquence se replie dans l'espace en formant des liaisons entre les nucléotides deux à deux. La fonction des ARN au sein de la cellule est liée à la conformation spatiale qu'ils adoptent. Ainsi, il est essentiel de pouvoir comparer deux ARN au niveau de leur conformation, par exemple pour déterminer si deux ARN ont la même fonction. On distingue trois niveaux dans la structure d'un ARN. La structure primaire correspond à la séquence de nucléotides, la structure secondaire est constistuée de la liste des liaisons formées entre les nucléotides tandis que la structure tertiaire consiste en la description exacte de la forme tridimensionnelle de la molécule (coordonnées de chaque nucléotide). Bien que la structure tertiaire soit celle qui décrit le mieux la forme spatiale de l'ARN, il est admis que deux ARN ayant une fonction moléculaire similaire ont une structure secondaire proche. Au niveau de la structure secondaire, une fois les liaisons nucléotidiques formées, on peut distinguer des éléments de structure secondaire telles que les hélices, les boucles multiples, les boucles terminales, les boucles internes et les renflements. Essentiellement deux formalismes ont été à ce jour proposés pour modéliser la structure secondaire des ARN. Les séquences annotées par des arcs permettent de représenter la séquence de l'ARN, les arcs codant alors pour les liaisons entre les lettres (nucléotides de la séquence). Les 2-intervalles, généralisation des séquences annotées, sont formés par deux intervalles disjoints. La structure secondaire peut alors être vue comme une famille de 2-intervalles. Enfin, les arbres racinés ordonnés offrent de nombreuses possibilités pour coder la structure secondaire, du niveau nucléotidique au niveau du réseau des boucles multiples. L'un des inconvénients de ces approches est qu'elles modélisent la structure secondaire de l'ARN selon un point de vue particulier (nucléotides, hélices etc). Nous proposons une nouvelle modélisation, appelée RNA-MiGaL, constituée de quatre arbres liés entre eux représentant la structure à différents niveaux de précision. Ainsi, le plus haut niveau code pour le réseau de boucles multiples considéré comme le squelette de la molécule. Le dernier niveau quant à lui détaille les nucléotides. Pour comparer de telles structures nous utilisons la notion de distance d'édition entre deux arbres. Cependant, au vu de certains limitations de celle-ci pour comparer des arbres représentant la structure secondaire à un haut niveau d'abstraction, nous avons introduit une nouvelle distance d'édition qui prend en compte deux nouvelles opérations d'édition: la fusion de noeud et la fusion d'arc. A l'aide de cette nouvelle distance, nous fournissons un algorithme permettant de comparer deux RNA-MiGaLs. Celui-ci est implémenté au sein d'un programme permettant la comparaison de deux structures secondaires d'ARN.

La caractérisation à haut débit des interactions protéines-protéines a permis d'établir les premières cartes d'interactions de différents organismes modèles, y compris l'homme. Cependant, la caractérisation structurale des assemblages protéiques reste limitée à un nombre très faible de ces interactions. En mettant en évidence une pression de sélection évolutive spécifique aux interfaces de complexes protéiques, ce travail a permis d'élucider certains mécanismes évolutifs essentiels à l'association entre protéines qui n'avaient pas été décrits jusqu'à présent. Sur cette base, une nouvelle approche bioinformatique, nommée SCOTCH (Surface COmplementarity Trace in Complex History), a été développée pour prédire la structure des assemblages macromoléculaires. Couplée à un programme d'amarrage moléculaire, tel que SCOTCHer, également développé au cours de cette thèse, cette approche a permis de prédire efficacement la structure d'un grand nombre de complexes. Ce travail de thèse s'est également concentré sur l'inhibition des interactions protéiques par des mini-protéines, conçues de façon rationnelle sur la base des structures de complexes. Les résultats obtenus pour deux exemples, celui du complexe Asf1 – Histone H3/H4 et du complexe gp120 – CD4 témoignent du fort potentiel du design rationnel d'interfaces de complexes pour le développement de nouvelles stratégies thérapeutiques.

L'accroissement des connaissances, structurales et fonctionnelles, des protéines nous donne désormais une vision plus précise des phénomènes d'interaction. L'utilisation de ces informations pour le développement de ligands permettrait d'obtenir de nouveaux composés, capables d'interagir avec diverses cibles d'intérêt, et d'améliorer notre compréhension de ces interactions. Ce travail présente le développement d'une nouvelle méthode de conception de ligands protéiques, laquelle repose sur le transfert d'un groupe de résidus, appartenant à un ligand connu et contribuant de façon importante à la liaison avec une cible d'intérêt, sur une protéine hôte, de moins de 100 résidus (mini-protéines). L'identification de protéines hôtes, aptes à reproduire l'interaction après transfert du motif, est réalisée de manière systématique à partir des structures présentes dans la PDB. L'approche a été appliquée pour le développement de ligands du canal Kv1.2, à partir de connaissances structurales et fonctionnelles de l'interaction de ce même canal avec la toxine BgK. Trois ligands, possédant des constantes d'inhibition micro molaires, ont été ainsi conçus. Ces résultats démontrent la possibilité de mettre en application une méthode de conception de ligands, basée sur le transfert de motifs de « hotspots », sur une plateforme structurale de nature protéique, dont les aspects stérique et électrostatique sont compatibles avec une interaction donnée.