Les lymphomes à grandes cellules B primitifs du médiastin (PMBL) partagent des caractéristiques pathologiques avec les lymphomes diffus à grandes cellules B (DLBCL), et des caractéristiques moléculaires communes aux lymphomes de Hodgkin classiques (cHL). Le cluster oncogénique miR-17-92, localisé au niveau du chromosome 13q31, est un gène amplifié dans les DLBCL. Dans notre étude, nous avons comparé le niveau d’expression de chaque membre du clustermiR-17-92 dans une série de prélèvements de patients de 40 PMBL, 20 DLBCL et 20 cHL, et étudié les gènes cibles liés aux microARN dérégulés dans les PMBL. Nous avons montré un niveau plus élevé de miR-92a dans les PMBL que dans les DLBCL, mais pas dans les cHL. La combinaison d’une analyse in silico prédictive des cibles de miR-92a et d’une analyse transcriptomique nous a permis d’identifier FOXP1 comme la cible principale de miR-92a dans les PMBL, un résultats qui n’avait jusqu’alors pas été établi. Cette observation a été confirmée par le test 3’UTR, le niveau d’expression ARN et protéique dans les lignées cellulaires transduites. Les études in vivo sur les souris à partir des cellules transduites nous a permis de démontrer l’effet tumeur suppresseur de de miR-92a et l’effet oncogénique de FOXP1. L’expression plus élevée de miR-92a et la sous-expression de FOXP1 au niveau ARN et protéique a également été retrouvé dans les prélèvements humains de PMBL, alors que le niveau d’expression de miR-92a était bas et FOXP1 était haut dans les DLBCL. Nous en avons conclu à une régulation post-transcriptionnelle de FOXP1 par miR-92a dans les PMBL, avec une relevance clinico-pathologique pour mieux caractériser les PMBL. / Primary mediastinal large B-cell lymphoma (PMBL) shares pathological features with diffuselarge B-cell lymphoma (DLBCL), and molecular features with classical Hodgkin lymphoma (cHL). The miR-17-92 oncogenic cluster, located at chromosome 13q31, is a region that is amplified in DLBCL. Here we compared the expression of each member of the miR-17-92 oncogenic cluster insamples from 40 PMBL patients versus 20 DLBCL and 20 cHL patients, and studied the target genes linked to deregulated miRNA in PMBL. We found a higher level of miR-92a in PMBL than in DLBCL, but not in cHL. Acombination of in silico prediction and transcriptomic analyses enabled us to identify FOXP1 as a main miR-92a target gene in PMBL, a result so far not established. This was confirmed by 3’UTR, and RNA and protein expressions in transduced cell lines. In vivo studies using the transduced cell lines in mice enabled us to demonstrate a tumor suppressor effect of miR-92aand an oncogenic effect of FOXP1. The higher expression of miR-92a and the down regulation of FOXP1 mRNA and proteinwere also found in human samples of PMBL, while miR-92a expression was low and FOXP1was high in DLBCL. We concluded to a post-transcriptional regulation by miR-92a through FOXP1 targeting in PMBL, with a clinico-pathological relevance for better characterisation of PMBL.

L'interférence par l'ARN est un processus selon lequel un petit ARN non codant se lie à un ARN messager cible dans la cellule pour moduler son expression. Ce mécanisme a été conservé au cours de l'évolution : il est retrouvé aussi bien chez les animaux que chez les végétaux. Nous savons aujourd'hui que le rôle de l'interférence par l'ARN est fondamental, dans le développement embryonnaire comme dans la progression tumorale. Les microARN (miARN) sont des ARN non codant endogènes dont l'une des particularités est leur capacité à réguler tout un ensemble de gènes par interférence avec les ARN messagers. Il est ainsi prédit qu'un seul miARN serait capable de réguler plusieurs centaines de gènes différents. La thèse a consisté en l'analyse de la corégulation médiée par les miARN grâce à l'inférence de réseau basée sur le partage de gènes cibles. La corégulation est un phénomène où plusieurs miARN différents interviennent sur les mêmes familles de gènes et donc sur les mêmes processus biologiques. Le travail a plus spécifiquement consisté en la mise en place d'un réseau de miARN, en son analyse topologique mais également en son interprétation biologique. Le but final était de proposer de nouvelles hypothèses biologiques à tester afin de mieux comprendre la corégulation des processus biologiques par les miARN. Au travers de ces travaux, deux groupes de miARN ont pu être mis en évidence, dont l'un impliqué dans la régulation de la signalisation par les petites GTPases – hypothèse par la suite validée par plusieurs expériences in vitro. Dans un second temps, une communauté de miARN impliquée dans le maintien de la pluripotence des cellules souches a pu également être mise en évidence. Pour compléter ces analyses, une étude systémique de la topologie des réseaux de miARN a été menée afin de mieux comprendre leur intégration dans les réseaux biologiques et leur rôle dans le devenir cellulaire. / RNA interference is a process in which a small non-coding RNA will bind to a specific messenger RNA and regulate its expression. This evolutionary conserved mechanism is found in all superior eukaryotes from plants to mammals. Nowadays, we know that RNA interference is a major regulatory process involved in developmental biology and tumor progression. MicroRNAs (miRNAs) are endogenous (coded in and produced by the cell) non-coding RNAs which are able to regulate a whole set of genes, typically hundreds of genes. This doctoral thesis consisted in the analysis of the miRNA mediated coregulation through a network approach based on target sharing. Coregulation is the process where many different miRNAs will regulate the same set of genes and thus the same biological process. In particular, the work consisted in the inference of a miRNA network, in its topological analysis and also its biological interpretation. Indeed, the final aim of the work was to generate new biological hypothesis. As such, two different groups of miRNAs were first retrieved. One of them was predicted to be involved in the small GTPase signaling and was further validated in vitro. Moreover, a miRNA community involved in the maintenance of stem cells pluripotency was also discovered. Finally, a systemic analysis of the target-based miRNAs network was conducted to better understand their integration with biologic networks and their role in cell fate.

Jusqu’à 40% des protéines sont connues pour fixer des métaux, ces hétéroatomes jouant un rôle capital dans la régulation, la catalyse ou le maintien de la structure de ces protéines. Ces métalloprotéines sont ubiquitaires et d’une importance primordiale dans les trois domaines du vivant. Cependant, les méthodes actuelles dédiées à l’identification des membres de cette grande famille dans les protéomes bactériens sont soit inadaptées pour des approches à grande échelle, soit présentent des performances relativement limitées en l’absence d’une structure tridimensionnelle résolue. Dans ce contexte, différents outils d’analyse de séquence ont été testés, en recherchant des descripteurs de ces protéines (e.g. motifs, domaines conservés, empreintes phylogénétiques). Pour pallier le relatif manque de sensibilité de ceux-ci, de nouveaux descripteurs ont été construits, dédiés spécifiquement à l’identification des protéines à centre fer-soufre : (i) des profils de co-conservation des ligands du métal et (ii) des profile-HMMs adaptés à la détection d’homologues distants. Les pouvoirs prédictifs respectifs de ces catégories de descripteurs ont été évalués sur un jeu de protéines fer-soufre expertisé, en les considérant soit séparément soit en combinaison. L’ensemble de ces descripteurs a finalement été intégré dans un modèle linéaire généralisé en utilisant la technique d’elastic-net. Le modèle prédictif obtenu a été évalué sur le protéome complet d’Escherichia coli, sur lequel il atteint une précision de 89% et une sensibilité de 83%. Enfin, il a été appliqué à environ 300 protéomes pour explorer différentes relations biologiques comme l’abondance relative des protéines Fe-S et la tolérance à l’oxygène des organismes auxquelles elles appartiennent. / Up to 40% of all proteins are known to bind metals, the intrinsic metal atoms providing catalytic, regulatory and/or structural roles critical to their functions. These metalloproteins are ubiquitous and of major importance within the three domains of life. However, current methods dedicated to identifying members of this large family within bacterial proteomes are either not suitable for large-scale approach or are of relatively limited performance when no 3D structural template is available. Within this context, different sequence analysis tools relying on different category of protein descriptors (e.g. patterns, conserved domains, phylogenetic prints) were assessed. To overcome their relative lack of sensibility, new descriptors, specific towards iron-sulfur proteins identification were built: (i) co-conservation profiles of the metal ligands and (ii) tailored profile-HMMs for remote homologs detection. Their respective predictive power towards the identification of a manually curated iron-sulfur proteins dataset were assessed, either separately or in combination. All relevant descriptors were finally gathered into a generalized linear model by using the elastic-net method. The predictive model has been evaluated on Escherichia coli whole proteome resulting in a precision of 89% and a recall of 83%. Eventually, it has been applied to 300 proteomes allowing investigating different biological relationships, such as iron-sulfur proteins relative abundances and the oxygen dependency of bacterial organisms.

L'évolution moléculaire procède par divergence depuis un ancêtre commun et en combinant des fragments d'objets évoluant d'origines différentes, par des processus introgressifs. Les transferts horizontaux de gènes sont probablement les plus connus de ces processus, mais l'introgression affecte aussi d'autres niveaux d'organisation biologique. Ainsi, la plupart des objets biologiques évoluant peuvent être composés de parties d'origines phylogénétiques différentes et décrits comme composites. Cette évolution modulaire se modélise mal par des arbres, puisque les objets composites ne sont pas seulement le résultat d'une divergence depuis un ancêtre. Les réseaux sont bien plus aptes à modéliser la modularité, et la théorie des graphes peut être utilisée pour chercher dans ces réseaux des patrons caractéristiques d'une évolution réticulée. Pendant cette thèse, j'ai développé le logiciel CompositeSearch qui détecte les gènes composites dans des jeux de données de séquences massifs, jusqu'à plusieurs millions de séquences. Cet algorithme a été utilisé pour identifier et quantifier l'abondance des gènes composites dans des environnements de sols pollués ainsi que dans les plasmides. Les résultats montrent que d'importantes adaptations et nouveautés biologiques découlent de processus œuvrant au niveau subgénique. De plus, les réseaux fournissent un cadre conceptuel dont l'utilité va bien au-delà de l'évolution moléculaire et je les ai appliqués à d'autres objets évoluant, comme les animaux (réseaux de traits morphologiques) et les langues (réseaux de mots). Dans les deux cas, la modularité se révèle être une conséquence évolutive majeure, et obéit à des règles encore à préciser. / Molecular evolution proceeds not only by divergence from a common ancestor, but also by combining parts from evolving objects of different origins, through processes that are called introgressive. Lateral gene transfers are probably the most well-known of these processes, but introgression has been shown to also happen at various levels of biological organization. As a result, most biological evolving objects (genes, genomes, communities) can be composed of parts from different phylogenetic origins and can be described as composites. Such modular evolution is inadequately modeled by trees, since composite objects are not merely the result of divergence from a common ancestor only. Networks on the other hand are much more suited for handling modularity, and graph theory can be used to search networks for patterns that are characteristic of such reticulate evolution. During this PhD, I developed a piece of software, CompositeSearch, that can efficiently detect composite genes in massive sequence dataset, comprising up to millions of sequences. This algorithm was used to identify and quantify the abundance of composite genes in polluted soil environments, and in prokaryotic plasmids. These studies show that important biological novelties and adaptations can result from processes acting at subgenic levels. However, as shown in this manuscript, networks provide a framework that goes well beyond the boundaries of molecular evolution and I have applied them to other evolving entities, such as animals (trait networks) morphology and languages (word networks). In both cases, modularity appears to be a major evolutionary outcome, following rules that remain to be investigated.

Les éléments transposables (ET) ont un impact majeur sur le fonctionnement etla dynamique des génomes, à l’échelle de l’individu et de l’espèce. Le cilié Parameciumest un modèle original pour l’étude des ET. Chaque individu unicellulaire a un génomegerminal qui subit, lors des processus sexuels, des réarrangements massifs, comprenantl’élimination des ET et de leurs vestiges à copie unique, pour former un génome somatiqueoptimisé pour l’expression des gènes. La programmation épigénétique de cesréarrangements implique des petits ARN dans un processus complexe de soustractiongénomique.Au cours de ma thèse, j’ai effectué des analyses bioinformatiques et biostatistiques dedonnées hétérogènes à l’échelle du génome pour : (i) Identifier et analyser des propriétésintrinsèques, de dizaines de milliers de vestiges d’ET à copie unique, appelés "InternalEliminated Sequences" (IES). (ii) Comprendre le rôle de déterminants génétiques et dedifférents facteurs épigénétiques dans le ciblage et l’élimination des IES.L’ensemble de ces analyses met en lumière la co-Évolution des ET et des mécan-Ismes de défense de l’hôte. / Transposable elements (TE) have major impact on the function and dynamicsof genomes, both at the level of the individual and of the species. The ciliate Parameciumprovides an original model for studies of TE. Each individual unicell has a germlinegenome that undergoes massive rearrangements at each sexual generation including thephysical elimination of TE and their single copy remnants, yielding a somatic genomestreamlined for gene expression. The epigenetic programming of the rearrangementsinvolves small RNAs in a complex process of genomic subtraction.During my thesis, I carried out bioinformatic and biostatistical analyses of heteroge-Neous, genome-Scale datasets in order to : (i) Identifiy and study the intrinsic propertiesof tens of thousands of TE remnants know as "Internal Eliminated Sequences" (IES).(ii) Explore the roles of genetic determinants and epigenetic factors in the targeting andelimination of the IESs.Taken together, the studies illustrate the co-Evolution of TE and host defense mecha-Nisms.

La compréhension des mécanismes qui contrôlent l'expression des gènes est un enjeu majeur pour la recherche médicale. Elle nécessite un ensemble d'approches pangénomiques telles que les puces à ADN et plus récemment le séquençage à très haut débit qui génèrent une masse toujours plus grande de données numériques à traiter. Au cours de ma thèse, j'ai développé plusieurs outils informatiques innovants pour faciliter leur exploitation. Ainsi, j'ai créé une librairie R (AgiND) qui vérifie la qualité des données de puces à ADN Agilent et permet de les normaliser. Le nombre croissant d'expériences stockées dans Gene Expression Omnibus a motivé la mise en place du projet TBrowser. Une méthode originale DBF-MCL a été créée pour extraire des signatures transcriptionnelles annotées par l'intégration de diverses sources d'information. Stockées dans une base de données, elles sont accessibles à travers une interface Java, un service web SOAP et une librairie R/Bioconductor (RTools4TB). Enfin, un pipeline d'analyse dédié au ChIP-seq a été implémenté. Tous ces outils ont servi pour l'étude de diverses maladies dans le cadre de collaborations. / Understanding the mechanisms that control gene expression is a major challenge for medical research. This requires using a large set of pangenomic approaches such as those using DNA microarrays and high-throughput sequencing that generate an ever growing mass of digital data. During my thesis, I have developed several computer-based tools to facilitate their processing and analysis. I have created a R library (AgiND) that controls the quality of Agilent DNA microarray data and allows their statistical normalization. The growing number of experiences stored in Gene Expression Omnibus has motivated the development of the TBrowser project. An original method, DBF-MCL, was created to extract annotated transcriptional signatures by integrating various sources of information. Stored in a database, these signatures are accessible using a Java interface, a SOAP web service and a R/Bioconductor library (RTools4TB). Finally, a pipeline dedicated to the ChIP-seq analyses has been implemented. All these tools were used to study various diseases in collaborations.

J'ai travaillé sur les problèmes de modélisation du vivant avec l'hypothèse fondamentale qu'il s'agit de machines symboliques et la volonté d'aider le chercheur en biologie à traiter avec le bon niveau d'abstraction ces machines. Le cœur de mes travaux considère les ensembles de séquences que forment les macromolécules du vivant comme des langages formels et cherche à approfondir les concepts nécessaires pour mener à bien leur analyse linguistique. Il faut tout d'abord étudier le contenu lexical des séquences génomiques, son vocabulaire. Au niveau élémentaire, les facteurs répétés fournissent les unités de sens de la séquence. Cependant, la notion naturelle de répétition dans l'ADN est beaucoup plus complexe et nécessite à la fois d'être formalisée et d'être accompagnée d'une algorithmique de recherche spécialisée. J'ai particulièrement développé cet aspect dans l'étude d'éléments génétiques mobiles à l'intérieur d'un génome ou entre deux génomes. J'ai également travaillé sur le niveau syntaxique, ce qui a mené à l'élaboration d'un langage, Logol, qui permet au biologiste de construire un modèle grammatical hypothétique puis de le tester sur des séquences génomiques. Le langage défini autorise en particulier une notion de variable de chaîne avec une face abstraite qui représente la chaîne d'origine et une face concrète pour les différentes instances copies de cette chaîne d'origine. Ce cadre a été validé sur plusieurs problèmes biologiques de recherche de protéines ou d'éléments génétiques, dont la découverte de récepteurs olfactifs chez le chien et la découverte de défensines humaines. Lorsqu'aucun modèle n'est disponible, il faut tenter de l'inférer à partir d'exemples de séquences. J'ai lancé une série de recherches tant théoriques que pratiques sur ce thème. Au niveau théorique, le problème difficile de l'inférence de grammaires algébriques a été abordé à partir d'ordres partiels sur les non-terminaux ou les arbres de dérivation. La classe mieux maîtrisable des langages réguliers a fait l'objet des travaux les plus approfondis, sur une représentation par automates d'états finis. L'inférence devient alors un problème d'optimisation par gestion d'un ensemble de contraintes dynamiques sur les équivalences d'états. Du point de vue pratique, nous avons tout particulièrement étudié ces problèmes d'inférence sur des séquences de protéines, par exemple en étudiant la prédiction de certaines liaisons (ponts disulfures) entre des sites distants sur la séquence. Enfin, je propose à la fin de mon document d'habilitation un projet pour aborder de façon plus transdisciplinaire la modélisation du vivant en tant que machine symbolique. Les questions que pose la biologie, science expérimentale par excellence, s'expriment majoritairement en termes de raisonnement hypothétique. Je propose de mener des recherches en vue de la mise au point d'un assistant d'expérimentation biochimique sur puce sur cultures cellulaires. Le but global est le développement d'un environnement permettant de relier en boucle expérimentation, observations et acquisition de connaissances, en utilisant un système complet de raisonnement automatique (apprentissage abductif et inductif et planification).

L'alignement multiple est une opération permettant de mettre en évidence la similarité entre plusieurs séquences. Il est notamment utilisé pour la reconstruction de phylogénies, la recherche de motifs et la prédiction de structures. Cette thèse s'intéresse au développement de nouveaux algorithmes pour ce problème particulièrement difficile, et introduit deux algorithmes progressifs ayant pour point commun de réaliser un alignement multiple par alignements successifs de groupes de séquences.<br />Le premier algorithme, Plasma utilise une méthode de descente, dont chaque itération consiste à réaliser des insertions de colonnes de brèches dans deux alignements multiples à aligner. Le second algorithme, Plasma II , est basé sur le principe de la programmation dynamique. Nous généralisons ici l'algorithme utilisé pour l'alignement de deux séquences, et étendons le cadre de la programmation dynamique `a l'alignement de deux alignements multiples. Cet algorithme ainsi que plusieurs variantes sont intensivement évalués sur les jeux d'essais de Balibase, montrant des résultats encourageants, voire compétitifs, par rapport à certains algorithmes de référence comme Clustal W, tant sur la qualité de l'alignement que sur le temps de calcul.

Nos récepteurs d'intérêt, les récepteurs à l'angiotensine AT1 et AT2, appartiennent à la classe A de la grande famille des récepteurs couplés aux protéines G (RCPG). Jusqu'à très récemment, la rhodopsine bovine était le seul RCPG dont la structure cristallographique était résolue. La structure de la rhodopsine est employée couramment comme modèle en modélisation par homologie des RCPG de classe A. La structure de la rhodopsine est constituée de sept hélices transmembranaires. La plupart de ces hélices ne sont pas droites, mais cassées ou incurvées. Pour comprendre quels sont les motifs structuraux possibles pour les cassures d'hélices, nous avons réalisé une étude exhaustive des motifs d'hélices cassées au niveau d'un seul résidu de jonction (motif HXH) grâce à une base de données de structures d'hélices cassées développée localement. Les résultats montrent que le résidu de jonction n'admet qu'un nombre limité de conformations conduisant à la classification de ces cassures en six motifs bien distincts. Un de ces motifs correspond à une cassure au niveau d'un renflement. Ce motif se retrouve dans l'hélice transmembranaire 2 (TMH2) de la rhodopsine où une cassure se fait au niveau d'un motif GG correspondant à un renflement p. Ce motif GG, situé aux positions 2.56-2.57, n'est pas conservé parmi les RCPG mais une proline est fréquemment observée aux positions 2.58, 2.59 ou 2.60. Nos récepteurs d'intérêt AT1 et AT2 possèdent une proline à la position 2.58. L'étude de l'évolution de l'hélice transmembranaire 2 au sein de la famille des RCPG suggère fortement que la position en 2.58 correspond à une délétion d'un résidu au niveau de la cassure. Ceci est confirmé par des analyses structurales de la Protein Data bank. Ces résultats indiquent que la structure de la rhodopsine peut être utilisée directement pour modéliser l'hélice 2 lorsque la proline est en position 2.59 ou 2.60 (renflement p)/ Lorsque la proline est en position 2.58, la rhodopsine peut aussi être utilisée comme modèle structural à condition de prendre en compte la délétion d'un résidu au niveau du renflement, pour obtenir une cassure proline en coude classique.

L'accident de Tchernobyl, en 1986, a mis en lumière le cancer de la thyroïde. Ce cancer, assez rare, est pourtant en forte augmentation, et cela avant même 1986. Le diagnostic des tumeurs folliculaires thyroïdiennes par analyses anatomopathologiques est parfois difficile. Ce travail s'intéresse à la classification moléculaire de ces tumeurs ainsi qu'à la recherche de marqueurs spécifiques à chaque pathologie. En regroupant et en analysant le transcriptome de plus de 90% des types de lésions folliculaires de la thyroïde, nous avons établi une classification moléculaire globale de ces lésions, nous avons défini des marqueurs spécifiques faisant l'objet d'un brevet, et nous avons permis de préciser le diagnostic de la majorité des tumeurs de malignité incertaine. L'étude bioinformatique des données issues de biopuces apporte des précisions à la classification internationale des tumeurs, particulièrement pour les tumeurs oncocytaires, microfolliculaires et de malignité incertaine.