Peu d'antigènes tumoraux présentent à la fois une expression dans un grand nombre de cellules tumorales et exercent un rôle vital pour leur développement. Mon travail de thèse a consisté à étudier les réponses en lymphocytes T dirigées contre deux de ces protéines : la Survivine et la Midkine. Nous avons démontré que ces deux protéines induisent spécifiquement des lymphocytes T CD4+ et CD8+ capables de reconnaître des cellules tumorales. Nous avons également identifié les séquences immunogéniques (épitopes T) dans ces antigènes. Deux épitopes CD4 et CD8 de la Midkine sont localisés dans le peptide signal. Notre étude montre que la Midkine constitue une nouvelle cible pour la vaccination contre de nombreux cancers et propose des séquences peptidiques originales comme candidats vaccins.

Dans ce travail, nous nous intéressons à la localisation des protéines adressées vers la membrane du réticulum endoplasmique, et plus spécifiquement à la reconnaissance des segments transmembranaires et des peptides signaux. En utilisant les dernières connaissances acquises sur les mécanismes d'insertion d'un segment dans la membrane, nous proposons une méthode de discrimination de ces deux types de séquences basée sur le potentiel d'insertion de chaque acide aminé dans la membrane. Cela amène à rechercher pour chaque acide aminé une courbe donnant son potentiel d'insertion en fonction de sa place dans une fenêtre correspondant à l'épaisseur de la membrane. Notre objectif est de déterminer ≪ in silico ≫ une courbe pour chaque acide aminé, afin d'obtenir les meilleures performances pour notre méthode de classification. L'optimisation, sur des jeux de données construits à partir des banques de données de protéines, des courbes est un problème difficile que nous abordons grâce aux méthodes méta-heuristiques. Nous présentons tout d'abord un premier algorithme de recherche locale permettant d'apprendre un ensemble de courbes. Son évaluation sur les différents jeux de données montre de bons résultats de classification. Cependant, nous constatons une difficulté d'ajustement pour les courbes de certains acides aminés. La restriction de l'espace de recherche grâce à des informations pertinentes sur les acides aminés et l'introduction d'un voisinage multiple nous permettent d'améliorer les performances de notre méthode et en même temps de stabiliser les courbes apprises. Nous présentons également un algorithme génétique développé afin d'explorer de manière plus diversifiée l'espace de recherche de ce problème.