Les récepteurs couplés aux protéines G de classe A (RCPG) constituent la plus grande famille de récepteurs transmembranaires du génome humain et sont impliqués dans la régulation de nombreux mécanismes physiologiques. Comprendre les mécanismes évolutifs qui ont conduit à la diversité de cette famille de récepteurs pourrait permettre une meilleure connaissance des relations séquence-structure-fonction des différentes sous-familles. Pour obtenir des informations sur l'évolution des RCPG, nous avons exploré leur espace de séquences par multidimensional scaling métrique (MDS). Nous avons appliqué une nouvelle technique MDS qui projette des séquences supplémentaires sur un espace de référence et permet ainsi la comparaison des séquences de différentes espèces. Les résultats montrent que les récepteurs se répartissent en quatre groupes et suggèrent que les récepteurs actuels ont évolué à partir d'ancêtres des récepteurs de peptides suivant trois directions évolutives principales. Les prolines des hélices transmembranaires 2 et/ou 5 sont impliquées dans deux de ces directions. Pour comprendre le mécanisme fin ayant abouti à la formation des différentes sous-familles, nous avons analysé les covariations des résidus à différents niveaux hiérarchiques (classe/groupe/sous-famille). Nous avons testé différentes méthodes pour analyser les mutations corrélées afin de sélectionner une méthode robuste pour les différents jeux de séquences. L'application de cette méthode met en évidence des résidus spécifiques qui sont cruciaux pour l'évolution de sous-familles particulières.

Au cours des dernières décennies, les avancées techniques dans la biologie moléculaire telles que les projets de séquençage de génome ont eu pour conséquence un accroissement du volume des banques de données biologiques. Parmi ces données, des séquences présentent des motifs similaires entre eux, répétés de façon juxtaposée, appelés répétitions en tandem. L'objectif de cette thèse est de comprendre l'existence de ces répétitions dans les séquences protéiques via une analyse à grande échelle. / Over the last decades, technical advances in molecular biology such as the genome sequencing projects led to a huge increase of data in the biological databanks. Among them, there are particular motifs which are adjacently repeated and similar between them, called tandem repeats. The purpose of this thesis is to understand the existence of these repeats in protein sequences through a large-scale analysis.

Découvert en 1977, l'épissage est une étape de maturation post-transcriptionnelle consistant à rabouter les exons et éliminer les introns d'un ARN pré-messager. Pour que l'épissage soit correctement pris en charge par l'épisome et ses protéines auxiliaires, différents signaux sont présents le long de la séquence de l'ARN pré-messager. Il est maintenant reconnu que près de la moitié des mutations pathogènes chez l'homme impactent l'épissage, aboutissant à un dysfonctionnement du gène. Il est ainsi indispensable pour les biologistes d'être capables de détecter ces signaux sur une séquence génomique.Cette thèse a donc pour but de concevoir de nouveaux algorithmes permettant d'apporter la puissance de calcul des ordinateurs au service de la biologie de l'épissage. La solution proposée, Human Splicing Finder (HSF), est capable de prédire les trois types de signaux d'épissage à partir d'une séquence quelconque extraite du génome humain. Nous avons évalué l'efficacité de prédiction d'HSF dans l'ensemble des situations associées à des mutations pathogènes pour lesquelles il a été démontré expérimentalement leur impact sur l'épissage et par rapport aux autres algorithmes de prédiction. Parallèlement à ces apports directs tant pour la connaissance des processus biologiques de l'épissage que pour le diagnostic, les nouvelles approches thérapeutiques génotype-spécifiques peuvent également bénéficier de ces nouveaux algorithmes. Ainsi HSF permet de mieux cibler les oligonucléotides anti-sens utilisés pour induire le saut d'exon dans la myopathie de Duchenne et les dysferlinopathies.La reconnaissance récente de l'intérêt majeur de l'épissage dans des domaines aussi variés que la recherche fondamentale, la thérapeutique et le diagnostic nécessitaient un point central d'accès aux signaux d'épissage. HSF a pour objet de remplir ce rôle, en étant régulièrement mis à jour pour intégrer de nouvelles connaissances, et est d'ores et déjà reconnu comme un outil de référence. / Discovered in 1977, splicing is a post-transcriptional maturation process that consists in link-ing exons together and removing introns from a pre-messanger RNA. For splicing to be cor-rectly undertaken by the spliceosome and its auxiliary proteins, several signals are located along the pre-messanger RNA sequence. Nearly half of pathogenous mutations in humans are now recognized to impact splicing and leading to a gene dysfunction. Therefore it is es-sential for biologists to detect those signals in any genomic sequence.Thus, the goals of this thesis were to conceive new algorithms: i) to identify splicing signals; ii) to predict the impact of mutations on these signals and iii) to give access to this information to researchers thanks to the power of bioinformatics. The proposed solution, Human Splicing Finder (HSF), is a web application able to predict all types of splicing signals hidden in any sequence extracted from the human genome. We demonstrated the prediction's efficiency of HSF for all situations associated with pathogenous mutations for which an impact on splicing has been experimentally demonstrated. Along with these direct benefits for the knowledge of biological processes for splicing and diagnosis, new genotype-specific therapeutic approaches can also benefit from these new algorithms. Thus, HSF allows to better target antisense olignucleotides used to induce exon skipping in Duchenne myopathy and dysferlinopathies.The recent recognition of the major interest of splicing in various domains such as fundamen-tal research, therapeutics and diagnosis needed a one stop shop for splicing signals. HSF has for object to fulfill this need, being regularly updated to integrate new knowledge and is already recognized as an international reference tool.

Les réseaux de contrôle de l'expression génique sont, pour une large part, à la base des processus cellulaires physiologiques ou pathologiques. Ces contrôles dépendent des mécanismes épigénétiques impliquant la dynamique de la chromatine et permettent la transmission de programme spécifiques d'expression génique. Lors du développement des lymphocytes T, l'expression d'une chaîne TCRß à la surface des précurseurs CD4-CD8- (ou DN) induit une signalisation intercellulaire dont les effets multiples, regroupés sous le terme de "sélection beta", se traduisent par une prolifération cellulaire et la différenciation vers un stade de maturation ultérieur, CD4+CD8+ (ou DP). Ces événements s'accompagnent de changements d'expression d'un grand nombre de gènes sous l'effet d'un programme épigénétique spécifique. De nouvelles technologies comme le ChlP-on-Chip ou le ChlPSeq permettent de caractériser les profils cellulaires épigénétiques. Les données ainsi générées nécessitent pour leur analyse des approches informatiques et statistiques. Mon travail de thèse s'est articulé sur 3 axes :1) Elaborer des outils bioinformatiques dans le but d'analyser les profils épigénétiques de régions génomiques suspectées de jouer un rôle dans la différenciation entre les stades DN et DP de la différenciation des cellules T.2) Analyser de manière in silico deux régions phares de la régulation du locus TCRß3) Concevoir une pipeline d'analyse de données issues des technologies de séquençage à haut débit permettant de caractériser les interactions facteur de transcription/ADN / Gene expression regulatory networks make up, for the most part, the basis of physiological cell processes. This regulation depends on epigenetic mechanisms involving chromatin dynamics and allow propagating specific gene expression programs. during T-cell development, the expression of the surface TCRß chain in CD4- CD8- (DN) toggers intracellular signaling cascades. their multiple effects, know as "beta selection", translate as increased cell proliferation and differenciation towards the CD4+ CD8+ stage (DP). These mechanisms are supplemented by changes in expression of several genes under the effect of a specific epigenetic program. New technologies, such a ChlP-chip or ChlP-Seq, allow characterizing epigenetic cell profiles. analysis of data such generated requires computational and statistical approaches. My thesis work focused on 3 goals :1)To develop computational tools to analyse epigenetic profiles of genomic regions that are presumed to play a role in DN-DP T-cell differentiation2) To analyse txo flag regions of TCRß regulation3) To design an analysis pipeline for high-throughput sequencing technologies, in order to allow characterizing transcription factor/DNA interactions

Mémoire numérisé 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 avancées dans le domaine de la bioinformatique ont ouvert de nouveaux horizons pour la recherche en biologie et en pharmacologie. Les machines comme les algorithmes utilisées aujourd'hui ne sont cependant plus en mesure de répondre à la demande exponentiellement croissante en puissance de calcul. Il existe donc un besoin pour des plate-formes de calculs spécialisées pour ce types de traitement, qui sauraient tirer partie de l'ensemble des technologie de calcul parallèle actuelles (Grilles, multi-coeurs, GPU, FPGA). Dans cette thèse nous étudions comment l'utilisation d'outils de synthèse de haut niveau peut aider à la conception d'accélérateurs matériels spécialisés massivement parallèles. Ces outils permettent de réduire considérablement les temps de conception mais ne sont pas conçus pour produire des architectures matérielles massivement parallèles efficaces. Les travaux de cette thèse se sont attachés à dégager des techniques de parallélisation, ainsi que les moyens d'exprimer efficacement ce parallélisme, pour des outils de type HLS. Nous avons appliqué ces résultats à une application de bioinformatique connue sous le nom de HMMER. Cet algorithme qui pourrait être un bon candidat à une accélération matérielle est très délicat à paralléliser. Nous avons proposé un schéma d'exécution parallèle original, basé sur une réécriture mathématique de l'algorithme, qui a été suivi par une exploration des schéma d'exécution matériels possible sur FPGA. Ce résultat à ensuite donnée lieu à une mise en œuvre sur un accélérateur matériel et a démontré des facteurs d'accélération encourageants. Les travaux démontre également la pertinence des outils de HLS pour la conception d'accélérateur matériel pour le calcul haute performance en Bioinformatique, à la fois pour réduire les temps de conception, mais aussi pour obtenir des architectures plus efficaces et plus facilement reciblables d'un plateforme à une autre. / The revolutionary advancements in the field of bioinformatics have opened new horizons in biological and pharmaceutical research. However, the existing bioinformatics tools are unable to meet the computational demands, due to the recent exponential growth in biological data. So there is a dire need to build future bioinformatics platforms incorporating modern parallel computation techniques. In this work, we investigate FPGA based acceleration of these applications, using High-Level Synthesis. High-Level Synthesis tools enable automatic translation of abstract specifications to the hardware design, considerably reducing the design efforts. However, the generation of an efficient hardware using these tools is often a challenge for the designers. Our research effort encompasses an exploration of the techniques and practices, that can lead to the generation of an efficient design from these high-level synthesis tools. We illustrate our methodology by accelerating a widely used application -- HMMER -- in bioinformatics community. HMMER is well-known for its compute-intensive kernels and data dependencies that lead to a sequential execution. We propose an original parallelization scheme based on rewriting of its mathematical formulation, followed by an in-depth exploration of hardware mapping techniques of these kernels, and finally show on-board acceleration results. Our research work demonstrates designing flexible hardware accelerators for bioinformatics applications, using design methodologies which are more efficient than the traditional ones, and where resulting designs are scalable enough to meet the future requirements.

L'hémophilie A (HA) est une maladie hémorragique héréditaire due au déficit en facteur FVIII (FVIII) de la coagulation. Le traitement préventif de l'HA est basé sur des injections répétées de FVIII. Une réponse immunitaire anti-FVIII peut se développer secondairement au traitement, mettant en jeu des anticorps (Ac) inhibiteurs (neutralisant l'activité procoagulante du FVIII) et/ou des anticorps non-neutralisants (ANN). La cartographie épitopique fine des Ac anti-FVIII permet de mieux connaître les mécanismes physiopathologiques de cette réponse immunitaire. Les travaux de cette thèse comportent deux axes principaux : un premier axe a pour objectif d'identifier des épitopes discontinus au sein des domaines C2 et A2 du FVIII, à l'aide de peptides synthétiques prédits par un algorithme informatique, utilisés ensuite dans des tests d'inhibition basés sur la technologie Luminex. Ces travaux nous ont permis d'identifier 8 peptides mimant des épitopes discontinus répartis à la surface du domaine C2 et 2 peptides correspondant à des épitopes voisins, à la surface du domaine A2. Ces études ont permis de démontrer que la combinaison de la bioinformatique et d'un outil expérimental adapté à la réponse immunitaire anti-FVIII est fructueuse. Le second axe a pour objectif d'étudier la prévalence et la spécificité épitopique des ANN à l'aide d'un test Luminex multiplexé. Cette étude a permis de mettre en évidence une prévalence d'ANN de 18,1% chez 210 hémophiles A sans inhibiteurs provenant d'une cohorte multicentrique rétrospective française. Une forte spécificité épitopique de la réponse immune pour la chaîne lourde du FVIII est observée. Les nouveaux outils que nous avons mis en place permettront d'affiner la cartographie épitopique et le suivi de son évolution chez l'hémophile A avec anticorps anti-FVIII / Haemophilia A (HA) is an inherited bleeding disorder due to factor VIII (FVIII) deficiency. The preventive treatment of HA is based on regular infusions of FVIII. Secondary to the treatment, an immune response often occurs, composed by inhibitory antibodies and by non-neutralising antibodies (NNA). Fine epitope mapping of anti-FVIII antibodies may help for a better understanding of the physiopathology of this immune response. There was two axes in this PhD thesis: the first part is dedicated to the identification of discontinuous epitopes on FVIII C2 and A2 domains, by using synthetic peptides predicted by a bioinformatic tool in inhibition tests based on Luminex technology. Results allowed us to identify 8 peptides mimicking discontinuous epitopes around the C2 domain and 2 peptides mimicking close epitopes on the A2 domain surface. These studies demonstrate that our approach combining bioinformatics with an assay adapted for the anti-FVIII immune response study is fruitful. The second part was dedicated to the evaluation of the prevalence and epitope specificity of NNA, using a multiplexed Luminex assay. A prevalence of 18.1% of NNA was thus found in 210 HA patients without inhibitors from a french multicentric retrospective cohort. An marked epitope specificity againt the heavy chain was noticed. The new tools that we developped will be helpful for refining epitope mapping and for the follow-up of the epitope specificity in HA patients with anti-FVIII Abs.

La génomique comparée est essentiellement une forme de fouille de données dans des grandes collections de relations n-aires. La croissance du nombre de génomes sequencés créé un stress sur la génomique comparée qui croit, au pire géométriquement, avec la croissance en données de séquence. Aujourd'hui même des laboratoires de taille modeste obtient, de façon routine, plusieurs génomes à la fois - et comme des grands consortia attend de pouvoir réaliser des analyses tout-contre-tout dans le cadre de ses stratégies multi-génomes. Afin d'adresser les besoins à tous niveaux il est nécessaire de repenser les cadres algorithmiques et les technologies de stockage de données utilisés pour la génomique comparée. Pour répondre à ces défis de mise à l'échelle, dans cette thèse nous développons des méthodes originales basées sur les technologies NoSQL et MapReduce. À partir d'une caractérisation des sorts de données utilisés en génomique comparée et d'une étude des utilisations typiques, nous définissons un formalisme pour le Big Data en génomique, l'implémentons dans la plateforme NoSQL Cassandra, et évaluons sa performance. Ensuite, à partir de deux analyses globales très différentes en génomique comparée, nous définissons deux stratégies pour adapter ces applications au paradigme MapReduce et dérivons de nouveaux algorithmes. Pour le premier, l'identification d'événements de fusion et de fission de gènes au sein d'une phylogénie, nous reformulons le problème sous forme d'un parcours en parallèle borné qui évite la latence d'algorithmes de graphe. Pour le second, le clustering consensus utilisé pour identifier des familles de protéines, nous définissons une procédure d'échantillonnage itérative qui converge rapidement vers le résultat global voulu. Pour chacun de ces deux algorithmes, nous l'implémentons dans la plateforme MapReduce Hadoop, et évaluons leurs performances. Cette performance est compétitive et passe à l'échelle beaucoup mieux que les algorithmes existants, mais exige un effort particulier (et futur) pour inventer les algorithmes spécifiques. / Comparative genomics is essentially a form of data mining in large collections of n-ary relations between genomic elements. Increases in the number of sequenced genomes create a stress on comparative genomics that grows, at worse geometrically, for every increase in sequence data. Even modestly-sized labs now routinely obtain several genomes at a time, and like large consortiums expect to be able to perform all-against-all analyses as part of these new multi-genome strategies. In order to address the needs at all levels it is necessary to rethink the algorithmic frameworks and data storage technologies used for comparative genomics.To meet these challenges of scale, in this thesis we develop novel methods based on NoSQL and MapReduce technologies. Using a characterization of the kinds of data used in comparative genomics, and a study of usage patterns for their analysis, we define a practical formalism for genomic Big Data, implement it using the Cassandra NoSQL platform, and evaluate its performance. Furthermore, using two quite different global analyses in comparative genomics, we define two strategies for adapting these applications to the MapReduce paradigm and derive new algorithms. For the first, identifying gene fusion and fission events in phylogenies, we reformulate the problem as a bounded parallel traversal that avoids high-latency graph-based algorithms. For the second, consensus clustering to identify protein families, we define an iterative sampling procedure that quickly converges to the desired global result. For both of these new algorithms, we implement each in the Hadoop MapReduce platform, and evaluate their performance. The performance is competitive and scales much better than existing solutions, but requires particular (and future) effort in devising specific algorithms.