Plusieurs approches ont, jusqu'à présent, été utilisées pour l'identification de nouvelles souches ainsi que pour la caractérisation et la classification des différentes espèces au sein des Bacillaceae. Cependant, la plupart de ces méthodologies présentent certaines insuffisances. L'objectif de cette étude est d'établir et d'évaluer des classifications phylogénétiques des Bacillaceae basées sur divers gènes, d'analyser l'effet de l'hétérogénéité alléliques sur celles-ci, ainsi que d'étudier la distribution des mutations. Seuls les Bacillaceae dont le génome est complètement séquencé ont été considérés. Dans ce travail, tous les allèles des trois gènes de l'opéron ribosomal ont été utilisés. Trois gènes codant pour des protéines ont également été choisis pour la construction de phylogénies et la comparaison avec celles basées sur l'opéron ribosomal. L'analyse phylogénétique de dix souches de Bacillaceae a été réalisée suivant la méthode de Neighbour-Joining (NJ) en utilisant les paramètres de Kimura. La fiabilité et la robustesse de la classification ont été évaluées à l'aide de la méthode "Bootstrap". L'analyse basée sur tous les allèles des trois gènes de l'opéron ribosomal (16S, 23S et 5S) montre que les arbres obtenus présentent la même topologie et répartissent les Bacillaceae en trois groupes et deux sous-groupes. Aucun des gènes n'a permis la discrimination des espèces ou des souches au sein du groupe cereus au sens large. L'analyse phylogénétique des Bacillaceae pourrait donc se limiter à l'un des gènes de l'opéron ribosomal puisque aucune information additionnelle n'est apportée par l'utilisation d'un gène en particulier. Les régions inter géniques lTS1 (16S-23S) et ITS2 (23S-5S) n'ont pas permis, non plus, de discriminer au sein du groupe cereus au sens large. Mais elles ont, néanmoins, mis en évidence l'hétérogénéité alléliques. L'approche basée sur les séquences nucléotidiques des gènes de ménage: adénylate kinase (adk) , shikimate 5-déshydrogénase (aroE) et la sous-unité B de l'ADN gyrase (gyrB), ainsi que de leurs séquences concaténées, a permis une meilleure discrimination notamment au sein du groupe cereus au sens large. Les Bacillaceae sont répartis en trois groupes et sept sous-groupes dont cinq au sein du groupe cereus au sens large. L'utilisation des séquences en acides aminées des protéines codées par les gènes adk, aroE et gyrB et de leurs séquences concaténées a généré, quant à elle, des classifications incongruentes. De plus, elle n'a pas permis une meilleure discrimination des Bacillaceae au sein du groupe cereus au sens large. Plusieurs espèces se retrouvent dans un même faisceau secondaire. Un tel regroupement trouve son explication dans la dégénérescence du code génétique. L'utilisation des séquences nucléotidiques des gènes de ménage serait donc une meilleure approche pour la classification phylogénétique des Bacillaceae. L'analyse de tous les allèles des différents gènes de l'opéron ribosomal (16S, 23S et 5S) montre qu'ils sont hétérogènes et que cette hétérogénéité n'a pas d'effet notable sur la classification phylogénétique. Il est donc justifié de se limiter à un seul allèle de l'un des trois gènes de l'opéron ribosomal lors de l'étude phylogénétique des Bacillaceae. L'étude de la distribution des mutations au sein des trois gènes de l'opéron ribosomal (16S, 23S et 5S) pour les Bacillaceae montre qu'elle n'est pas uniforme et qu'il existe au sein de ces gènes des régions hypervariables dans lesquels se concentrent les mutations. La comparaison de la distribution des mutations au sein du gène 16S pour les Bacillaceae et les y-protéobactéries montre que ces régions hypervariables sont spécifiques pour chaque groupe de bactéries. L'étude phylogénétique basée sur la concaténation des régions hypervariables du gène 16S pour les Bacillaceae a révélé que la topologie de l'arbre découlerait de la structure de ces régions. L'étude phylogénétique des Bacillaceae basée le gène 16S pourrait se limiter à l'analyse des régions hypervariables de ce gène. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Adénylate kinase (adk), ARN 16S, ARN 23S, ARN 5S, Bacillaceae, Classification phylogénétique, Distribution des mutations, Gènes de ménage, Hétérogénéité alléliques, Régions hypervariables, y-protéobactéries, shikimate5-déshydrogénase (aroE) et sous-unité B de l'ADN gyrase (gyrB).

Language diversi cation is a stochastic process which presents similarities with phylogenetic evolution. Recently, there has been interest in modelling this process to help solve problems which traditional linguistic methods cannot resolve. The problem of estimating and quantifying the uncertainty in the age of the most recent common ancestor of the Indo-European languages is an example. We model lexical change by a point process on a phylogenetic tree. Our model is speci cally tailored to lexical data and in particular treats aspects of linguistic change which are hitherto unaccounted for and which could have a strong impact on age estimates: catastrophic rate heterogeneity and missing data. We impose a prior distribution on the tree topology, node ages and other model parameters, give recursions to compute the likelihood and estimate all parameters jointly using Markov Chain Monte Carlo. We validate our methods using an extensive cross-validation procedure, reconstructing known ages of internal nodes. We make a second validation using synthetic data and show that model misspeci cations due to borrowing of lexicon between languages and the presence of meaning categories in lexical data do not lead to systematic bias. We fit our model to two data sets of Indo-European languages and estimate the age of Proto-Indo-European. Our main analysis gives a 95% highest posterior probability density interval of 7110 9750 years Before the Present, in line with the so-called Anatolian hypothesis for the expansion of the Indo- European languages. We discuss why we are not concerned by the famous criticisms of statistical methods for historical linguistics leveled by Bergsland and Vogt [1962]. We also apply our methods to the reconstruction of the spread of Swabian dialects and to the detection of punctuational bursts of language change in the Indo-European family.

Les bactéries se prêtent très bien aux analyses phylogénétiques en raison du fait que plusieurs génomes ont été entièrement séquencés -et leur nombre continue d'augmenter -et leurs génomes sont petits et ne contiennent que peu d'ADN répétitif en contraste avec les génomes des eucaryotes. La molécule d'ARNr 16S, l'ARN composant de la petite sous-unité du ribosome, a été établie comme la macromolécule de choix pour les analyses phylogénétiques et l'identification des espèces bactériennes. En dépit de sa position centrale, l'utilisation de l'ARNr 16S n'est pas sans inconvénients. En effet, l'évolution d'un seul gène n'est pas nécessairement représentative de l'évolution d'un génome entier, des hétérogénéités entre des copies du gène d'ARNr 16S -des allèles -ne sont pas exceptionnelles, et des copies paralogues peuvent suggérer des phylogénies différentes. De plus, au cours des dernières années, des analyses phylogénétiques basées sur des séquences codant pour des protéines conservées -telles des gènes de ménage (house-keeping genes) -ont donné des résultats discordants. Parmi les bactéries, les y-protéobactéries avec 33 génomes entièrement séquencés sont les plus étudiées, certainement en raison de leurs importances cliniques et biologiques. L'objectif de mon travail a été, d'une part d'étudier l'hétérogénéité des séquences des allèles de l'ARNr 16S chez 33 y-protéobactéries et de déterminer si un seul allèle par bactérie est suffisant pour établir une phylogénie, d'autre part de construire les arbres phylogénétiques de ces 33 y-protéobactéries à partir de l'analyse comparée des séquences de certains gènes de ménage à savoir: l'adénylate kinase (adk), la shikimate déshydrogénase (aroE), la glucose-6-phosphate déshydrogénase (gdh) et de leurs séquences concaténées. Ces phylogénies seront comparées entre elles et aussi à celle établie à partir du gène de l'ARNr 16S. Les analyses phylogénétiques ont démontré que la plupart des séquences alléliques d'une même souche sont identiques ou quasi identiques et sont regroupées à l'intérieur d'un même genre et d'une même espèce. À cause de leurs homogénéités, un seul allèle du gène de l'ARNr 16S est suffisant pour construire la phylogénie des y-protéobactéries au niveau du genre et de l'espèce. Les arbres phylogénétiques construits à partir de chacun des trois gènes de ménage -adk, aroE et gdh -et des séquences concaténées des trois gènes sont, en général, similaires à l'arbre construit à partir du gène de l'ARNr 16S, aux niveaux de la famille, du genre, de l'espèce et de la souche, avec certaines exceptions. Les gènes de ménage, cependant, montrent un plus haut taux de substitutions nucléotidiques que le gène de l'ARNr 16S. De plus, parce que les trois gènes de ménage ont chacun un pourcentage plus bas de similarité de séquences que le gène de l'ARNr 16S, ils ont montré une meilleure différenciation des neuf souches de bactéries entériques Escherichia-Shigella-Salmonella. Ils peuvent potentiellement révéler des relations sur des branches plus profondes d'un arbre phylogénétique que ne le peut le gène de l'ARNr 16S. De plus, puisque ces gènes de ménage sont utilisés dans les typages de séquence multi-locus "multilocus sequence typing (MLST)", nous pouvons nous attendre à ce que le nombre de séquences disponibles dans le domaine public pour ces trois gènes de ménage augmente rapidement les rendant ainsi d'autant plus utiles pour complémenter le gène de l'ARNr 16S dans des études phylogénétiques, ou pour certaines autres analyses phylogénétiques très ciblées. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : y-protéobactéries, Gènes de ménage, Phylogénie, ARNr 16S.

Depuis une quarantaine d'années, de nombreux algorithmes et logiciels ont été développés pour inférer des arbres phylogénétiques. Cependant, certains phénomènes biologiques comme l'hybridation ou le transfert latéral de gènes ne peuvent pas être représentés sous la forme d'un arbre. On utilise ainsi de plus en plus des réseaux phylogénétiques. Les recherches sur ce sujet ont débuté il y a une dizaine d'années et les outils disponibles actuellement pour déterminer des réseaux phylogénétiques sont beaucoup moins performants que dans le cas des arbres. L'objectif principal de mes recherches consiste ainsi à développer une nouvelle méthode pour inférer des réseaux phylogénétiques en se limitant au cas de l'hybridation. J'ai ainsi développé un nouvel algorithme qui permet de retrouver tous les arbres phylogénétiques et de détecter tous les hybrides entre des branches voisines. Quand les parents des hybrides ne sont pas voisins, il trouve les bons hybrides avec des taux de détection proches de 100%, mais il trouve trop d'hybrides et n'identifie pas toujours les bons parents de ces hybrides. Ce nouvel algorithme est itératif et est basé sur le critère des moindres carrés qui permet de déterminer la configuration optimale à chaque itération. Il a été implémenté dans le langage C++ et plusieurs centaines de simulations ont été effectuées pour tester ses fonctionnalités. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : arbre phylogénétique, inférence phylogénétique, réseau réticulé, hybridation, critère des moindres carrés.

Le transfert horizontal de gènes (THG, ou transfert latéral de gènes) est un mécanisme d'évolution naturel qui consiste en le transfert direct du matériel génétique d'une espèce à une autre. La possibilité que le transfert horizontal de gènes puisse jouer un rôle clé dans l'évolution biologique est un changement fondamental dans notre perception des aspects généraux de la biologie évolutive survenu ces dernières années. Par exemple, les bactéries et les virus possèdent des mécanismes sophistiqués d'acquisition de nouveaux gènes par transfert horizontal leur permettant de s'adapter et d'évoluer adéquatement dans leur environnement. Jusqu'à tout récemment, les méthodes de détection de ce mécanisme reposaient essentiellement sur l'analyse de séquences et étaient très rarement automatisées. Il est impossible de représenter l'évolution d'organismes ayant subi des THG à l'aide d'arbres phylogénétiques acycliques. La présentation adéquate est celle d'un réseau. Dans cette thèse, nous décrivons un nouveau modèle de ce mécanisme d'évolution, en se basant sur l'étude de différences topologiques et métriques entre un arbre d'espèces et un arbre du gène inférés pour le même ensemble d'espèces. Les méthodes qui en découlent ont été appliquées à des jeux de données réelles où des hypothèses de transferts latéraux de gènes étaient plausibles. Des simulations Monté-Carlo ont été menées afin d'évaluer la qualité des résultats par rapport à des méthodes existantes. Nous présentons également une généralisation du modèle de transferts horizontaux complets qui est applicable pour détecter des transferts partiels et identifier des gènes mosaïques. Dans ce dernier modèle, on suppose qu'une partie seulement du gène a été transférée. Enfin, nous présentons une application de ces nouvelles méthodes servant à modéliser des emprunts de mots survenus durant l'évolution des langues indo-européennes. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : arbre phylogénétique, réseau réticulé, transfert horizontal de gènes, critère des moindres carrés, distance de Robinson et Foulds, dissimilarité de bipartitions, biolinguistique.

L'objectif de ce projet de maîtrise est de développer un nouvel algorithme permettant de retrouver les relations phylogénétiques entre un arbre de référence (par exemple, l'arbre de la distribution géographique des espèces ou des paramètres climatiques) et un arbre caractérisant un fragment de l'alignement de séquences multiples (ASM). Pour ce faire, nous récupérerons d'abord les différents fragments d'un ASM donné. Nous les soumettrons par la suite aux différents programmes du paquet PHYLIP (Seqboot, ProtDist ou DnaDist, Neighbor et Consense) et le programme PhyML afin d'obtenir un arbre consensus avec les valeurs de bootstrap sur ses branches. À partir de chaque arbre consensus, nous calculerons son bootstrap moyen. De plus, nous comparerons topologiquement l'arbre consensus obtenu à l'arbre de référence pour connaître la distance de Robinson et Foulds (RF) normalisée entre eux. Pour chaque fragment d'un ASM, nous conserverons uniquement les données relatives à des fragments correspondant à la distance RF normalisée la plus petite (i.e., celle qui représente la plus grande similitude entre les deux arbres). Dans le cas où plusieurs fragments correspondront à la même valeur de la distance RF normalisée, l'estimation se poursuivra sur l'arbre consensus ayant le score de bootstrap le plus élevé (i.e., meilleur support de l'arbre). Pour connaître la performance de notre algorithme, nous utiliserons un jeu de données de 52 espèces appartenant au groupe des Carnivores se localisant en Amérique du Nord. Nous récupérons aussi 21 protéines issues de la base de données GenBank. La construction des arbres de référence se fera à partir de données climatiques de l'habitat de ces espèces (i.e., température, précipitation et altitude). Notre algorithme permettra de trouver des sous-séquences des gènes donnant une similarité topologique accrue entre l'arbre de référence et l'arbre phylogénétique obtenu à partir des séquences. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : arbre phylogénétique, phylogéographie, distance de Robinson et Foulds, bootstrap, alignement de séquences multiples, paquet PHYLIP, GenBank.

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

Le genre Quercus comprend plus de 500 espèces et est réparti sur l’ensemble de l’hémisphère nord. La phylogénie du genre, faite à ce jour à partir d’un nombre très limité de marqueurs nucléaires, n’était pas résolue. Des incertitudes demeuraient au niveau des nœuds profonds où ont divergé les principaux groupes taxonomiques aujourd’hui reconnus. L’objectif de cette thèse était d’explorer de manière plus exhaustive les ressources génomiques nucléaires et chloroplastiques pour affiner la phylogénie du genre. Les travaux sont basés sur les séquences de six gènes nucléaires et de l’ensemble du génome chloroplastique. Ces travaux confirment le caractère diffus du signal phylogénétique et le gain de résolution obtenu par l’adjonction de séquences nouvelles. Ils confirment également la subdivision du genre en six groupes infragénériques (Cyclobalanopsis, Ilex, Cerris, Lobatae, Quercus s.s. et Protobalanus), dont les relations phylogénétiques ont été précisées, même si certaines irrésolutions persistent. La thèse met très clairement en évidence l’empreinte phylogéographique dans le génome chloroplastique au niveau du genre et de sa distribution mondiale. Le signal phylogéographique chloroplastique ajouté à la phylogénie nucléaire permet d’échafauder un scénario biogéographique de diversification du genre. Ce scénario devra être corroboré par des apports d’autres disciplines (paléontologie et géologie historique). / The genus Quercus comprises more than 500 species, and is widely distributed across the Northern hemisphere. Phylogenetic reconstructions based on traditional molecular sequences were so far irresolutive at the deeper nodes where the major extant taxonomic groups have diverged. This thesis aims at improving the phylogeny of the genus by exploring the current nuclear and chloroplastic genomic resources. The phylogenetic investigations are based on sequences of six nuclear genes and the entire chloroplastic genome. The results confirm that the phylogenetic signal is rather diluted and that substantial improvements can be obtained by adding sequences from additional genes. They also confirm that the genus can be subdivided in six infrageneric groups (Cyclobalanopsis, Ilex, cerris, Lobatae, Quercus s.s. et Protobalanus). Phylogenetic relationships among these groups are refined, although not fully clarified. There is a very clear phylogeographic imprint in the chloroplast genome that extends at the macroevolutionary level at the whole genus across its entire distribution. The phylogeographic structure together with the phylogeny at the nuclear level allows to elaborate an historical scenario of the radiation of the genus. Additional elements coming from other disciplines (paleontology, historical geology) are however necessary to confirm this scenario.

L'évolution des espèces est régie par les modifications stochastiques qui ont eu lieu au niveau du code génétique -l'ADN -composé d'une suite de petites molécules (les nucléotides). Selon l'ampleur de ces évènements, il y a d'abord des modifications à petite échelle, impliquant quelques nucléotides -les insertions, délétions et substitutions. Due à l'impossibilité actuelle de différencier les insertions des délétions, on les appelle communément indels. D'un autre coté, il ya des modifications à grande échelle -impliquant parfois des grandes régions génomiques ou des chromosomes. Les modifications à grande échelle les plus fréquentes sont: les duplications, translocations, inversions et délétions. Au cours de ce projet, nous avons développé une méthode de génomique comparée, capable de relier l'information épidémiologique, comme la carcinogenicité et l'invasivité des souches, aux séquences génomiques. Cette méthode permet de détecter des régions statistiquement significatives à analyser plus en détail par des biologistes, tout en étant capable de discriminer ce seuil à l'aide du calcul des p-values. Nous avons utilisé cette méthode dans l'étude du virus du papillome humain et de la bactérie Neisseria Meningitidis, bactérie responsable de la méningite. Pour le virus du papillome humain, notre méthode a été capable de détecter le domaine PDZ, une région du gène E6, qui est une condition sine qua non de la carcinogenicité du produit de ce gène. Au cours des analyses phylogénétiques de cette famille nous avons trouvé une corrélation statistiquement significative entre les événements à petite échelle et les données épidémiologiques. Par la suite nous avons proposé une séquence de tests pour orienter l'analyse statistique de cette corrélation. Nous avons également remarqué que la carcinogenicité est généralement monophylétique, donc issue d'un ancêtre commun. L'arbre phylogénétique inféré est le premier basé sur les génomes entiers, ce qui a permis d'étudier la variabilité des topologies de gènes par rapport à celle du génome. Pour la bactérie Neisseria Meningitidis nous avons montré qu'il est possible de syntoniser les fonctions de discrimination, pour établir la différence entre les régions responsables du maximum d'invasivité et celles qui ont un rôle structural dans ce processus, détection des structures moléculaires connues (i.e. les anses extra cellulaires, dans notre cas). Les résultats de nos travaux ont permis la mise à la disposition de la communauté internationale de deux bases de données, pour le VPH et le Neisseria, respectivement. Ces bases contiennent des régions candidates à être analysées en laboratoire par des biologistes. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Algorithme pour la détection des régions carcinogènes, Événements évolutionnaires, Analyse de redondance, Arbre phylogénétique, Conception de vaccin, Mutations, Invasivité, Neisseria Meningitidis, Virus du papillome humain.

Parmi les paramètres influençant l'inférence d'arbres phylogénétiques, nous nous sommes penchés d'une part sur (i) l'utilisation et l'efficacité de différents marqueurs et (ii) l'influence de la radiation évolutive (la succession rapide d'événements de spéciation) dans la construction d'arbres phylogénétiques et, d'autre part, sur l'applicabilité du modèle de substitution nucléotidique GTR (General Time Reversible). La première partie de ce travail étudie l'évolution des cétacés en se basant sur les séquences des génomes mitochondriaux, sur le motif d'insertion de rétroposons SINEs (short interspersed elements) nouvellement isolés et les loci nucléaires de ces derniers. Le choix des cétacés est motivé par la présence, durant leur évolution, de radiations évolutives, qui sont propices au tri différentiel de lignées généalogiques: si des séquences de gènes ou des allèles restent polymorphes entre des événements de spéciations, il est possible, et même probable, d'observer une incompatibilité entre les histoires évolutives de ces marqueurs, malgré que celles-ci soient bien correctes. Nous abordons l'étude du tri différentiel des lignées généalogiques par le biais des SINEs, dont l'insertion aléatoire et irréversible confère à ces marqueurs un risque de convergence particulièrement faible. Notre approche multi-marqueur nous permet de reconstruire un arbre robuste à partir duquel nous analysons ces différents marqueurs à l'aide des rapports signal/bruit (la qualité du contenu informatif du marqueur) et effort/signal (les efforts à mettre en oeuvre pour obtenir du signal phylogénétique). Nous discutons également les relations conflictuelles/incorrectes obtenues à partir des différents marqueurs, notamment des motifs d'insertion de SINEs pour lesquels nous décrivons un test objectif nous permettant de différencier le tri différentiel de lignées généalogiques et la convergence. Les modèles de substitutions nucléotidiques sont à la base de nombreuses méthodes d'inférence phylogénétiques. Parmi ces modèles, le modèle GTR est un des plus complets et des plus utilisés. Waddell and Steel [1997] ont décrit une procédure qui permet d'estimer les distances et les taux instantanés de substitution pour des séquences évoluant selon les hypothèses du modèle GTR. Il existe néanmoins des conditions qui rendent cette procédure, et donc l'utilisation du modèle GTR, inapplicables. Nous avons simulé l'évolution de séquences d'ADN le long de 12 arbres caractérisés par un ensemble de conditions biologiquement plausibles (différentes longueurs de branches, des conditions de (non-)homogénéité de la matrice de taux instantanés de substitution et différentes longueurs de séquences). Pour chaque ensemble de conditions, nous avons évalué (i) l'applicabilité du modèle GTR et (ii) la qualité des alignements obtenus à partir des données simulées. Nos résultats indiquent que l'inapplicabilité de la procédure de Waddell and Steel [1997] peut effectivement être considérée comme un problème pratique car elle apparaît avant les difficultés d'alignement (étape nécessaire et préalable à toute inférence phylogénétique). La probabilité de cette inapplicabilité dépend du taux de substitution et de la taille des données.