La construction de modèles globaux est une tâche centrale pour l'extraction de connaissances dans les bases de données. En particulier, les modèles globaux fondés sur des motifs locaux tels que les règles d'association apportent une description compréhensive et succincte des données. La multiplicité des points de vue, des objectifs et des données engendre une grande diversité de modèles et de leurs méthodes de construction. Cette thèse propose un cadre unificateur pour la formalisation et la manipulation de modèles globaux fondés sur les motifs locaux. Dans ce cadre, de très nombreuses méthodes de construction existantes en classification supervisée et non-supervisée, se modélisent simplement de manière déclarative. Nous apportons un algorithme générique permettant à l'utilisateur de s'affranchir des spécificités techniques, notamment lié à la forme des motifs locaux mis en jeux ou à leur extraction. Par ailleurs, nous proposons également des optimisations de cet algorithme en fonction des paramètres. Enfin, notre cadre en isolant les principales fonctionnalités des méthodes de construction existantes en facilite la comparaison. / The construction of global models is a significant field of Knowledge Discovery in Databases. In particular, global models based on local patterns such as association rules provide a succinct and understandable description of data. The numerous viewpoints, aims and domain-specific data require a wide range of global models and associated construction methods. This thesis proposes a generic framework for formalizing and manipulating global models based on local patterns. In this framework, a lot of the existing construction methods dedicated to classification, clustering and summarization are easily formulated in a declarative way. We provide a generic algorithm enabling to leave aside technical aspects, for instance the kind of used patterns and associated mining approach. Moreover, we also optimize this algorithm according to the specified parameters. Finally, our framework facilitates the comparison of existing construction methods by highlighting their main features.

Les travaux présentés dans cette thèse s'inscrivent dans le cadre de l'analyse de phénomènes biologiques par des moyens informatiques, c'est-à-dire la bio-informatique. Nous nous intéressons plus particulièrement à l'analyse de séquences nucléiques. Dans ce cadre, nos travaux se décomposent en deux parties: l'identification de séquences codantes et l'identification de séquences non-codantes partageant une structure conservée telles que des ARN non-codants. L'originalité des méthodes proposées, PROTEA et CARNAC, réside dans le traitement d'ensembles de séquences nucléiques faiblement conservées sans avoir recours à leur alignement au préalable. Ces méthodes s'appuient sur un même schéma global d'analyse comparative pour identifier des traces laissées par les mécanismes de sélection durant l'évolution, traces globalement cohérentes entre toutes les séquences. Nous avons évalué PROTEA et CARNAC sur des données de référence pour la communauté et obtenu plusieurs résultats significatifs. Dans le cadre de travaux collaboratifs, nous présentons également deux exemples intégrations de ces logiciels. MAGNOLIA est un logiciel qui construit un alignement multiple de séquences nucléiques respectueux de leur fonction commune prédites par PROTEA et/ou CARNAC. PROTEA et CARNAC sont également intégrés dans une plate-forme d'annotation automatique par génomique comparative. / The work described in this thesis is part of the analysis of biological phenomena using computers, id est bioinformatics. More precisely, We are interested in nucleic sequence analysis. ln this context, our work is splitted in two parts: identification of coding sequences and identification of non-coding sequences that share a common structure such as non-coding RNAs. The main feature of our methods, PROTEA and CARNAC, is to deal with poorly conserved sequences without the need to align them. Our methods rely on the same comparative analysis scheme to detect evolutionary patterns that are globally coherent between all sequences. PROTEA and CARNAC have been submitted on several reference benchmarks and have reached significative results. We also present two collaborative projects that involve PROTEA and CARNAC. MAGNOLIA is multiple alignement software designed to align nucleic sequences according to their conserved function predicted by PROTEA and/or CARNAC. The second collaborative project is a software pipeline to automatically annotate genomes by comparative genomics.

L’adénocarcinome du pancréas qui représente la quatrième cause de cancer en termes d’incidence reste une tumeur mal comprise et l’ensemble des traitements insuffisamment efficaces. Depuis quelques années, la prise en charge des patients cancéreux s’est individualisée et tente de proposer des traitements à la carte en prenant en compte divers paramètres tumoraux. Pour le cancer du pancréas, la pertinence des hypothèses biologiques pour le pronostic et le traitement des patients, a été très peu évaluée si bien qu’a coté des facteurs cliniques et histologiques, il n’existe pas de marqueurs moléculaires clairement identifiés. Dans la première partie de nos traveaux, nous avons évalué l’intérêt pronostique d’une série de biomarqueurs dont les chimiorécepteurs CXCR4 et CXCR7. CXCR4 est exprimé par les ACP et joue un rôle dans la migration des cellules cancéreuses au travers la matrice extracellulaire, l’adressage métastatique, l’angiogénèse et la vasculogénèse tumorale. CXCR7 est impliqué dans la prolifération cellulaire. Ces deux chimiorécepteurs partagent le même ligand, CXCL12, qui est synthétisé par les cellules stellaires pancréatiques activées et est retrouvé en quantité importante dans le stroma fibrotique tumoral. L’expression de CXCR4 est en partie dépendante du facteur de transcription HIF-1 (hypoxia inducible factor). L’expression de CXCR4, CXCR7, HIF-1 et de Ki-67 à été évaluée par immunohistochimie et confrontée aux facteurs pronostiques classiques (cliniques et anatomopatholologiques). En analyse multivariée, le niveau d’expression de CXCR4 était un facteur pronostique indépendant associé à la survie sans récidive et la survie globale. De plus le niveau d’expression de CXCR4 était associé à la présence de métastase ganglionnaire sur la pièce opératoire et au risque de récidive hépatique. Dans un deuxième temps, les protéines impliquées dans la métabolisation de la gemcitabine ont été évaluées à partir d’une cohorte de patients traités par radiochimiothérapie dans le cadre de deux protocoles cliniques multicentriques de phase II. La gemcitabine pénètre dans la cellule à travers la membrane plasmique soit par diffusion facilitée par des transporteurs nucléosidiques spécifiques appelés hENT (human equilibrative nucleoside transporter), soit par des transporteurs actifs Na+-dépendants ou hCNT (human concentrative nucleoside transporter). Dans la cellule, elle est métabolisée pour générer ses dérivés cytotoxiques actifs. La gemcitabine va tout d’abord être phosphorylée en dérivé monophosphate par la déoxycytidine kinase (dCK). La dCK est considérée comme étant l’enzyme limitante du métabolisme de la gemcitabine. Deux autres étapes de phosphorylation vont suivre faisant tout d’abord intervenir l’uridylate kinase (UMK) puis une troisième kinase qui, elle, est ubiquitaire. In vitro, dans des lignées cellulaires d’adénocarcinome pancréatique, la résistance intrinsèque à la gemcitabine est associée à une diminution ou à une perte d’expression de hENT1 et de la dCK. En plus de son activité cytotoxique directe, la gemcitabine est un puissant radiosensibilisateur. La capacité de cet analogue pyrimidique à potentialiser les effets de la radiothérapie est en partie liée à sa capacité de pénétration. L’expression de hENT1, de hCNT3 et de la dCK a été évaluée et corrélée à la survie sans récidive et la survie globale des patients. En analyse multifactorielle, hENT1 et la dCK sont des facteurs pronostiques indépendants pour la survie sans récidive et la survie globale alors que hCNT3 est un facteur indépendant pour la survie globale. De plus l’analyse combinée de hENT1 et de hCNT3 s’avèrait plus discriminante dans l’identification des patients à haut rique de récidive que l’analyse de chacun de ces facteurs pris isolémment.

La progression naturelle des tumeurs consiste en une extension locale, puis à distance (métastase) par migration de cellules dans le sang et la lymphe vers des sites secondaires. Il est donc primordial de pouvoir détecter des cellules tumorales circulantes en plus de l’analyse morphologique et de l’immunocytochimie. De plus, deux technologies (cytométrie en flux et RT-PCR quantitative en temps réel) sont adaptées pour une analyse automatisée, rapide et sensible d’une très faible quantité de cellules. Le but de notre travail a été de mettre au point des systèmes de détection pour l’identification de cellules cancéreuses dans les épanchements péritonéaux et dans le sang. L’étude des biomarqueurs moléculaires apparaît comme une approche complémentaire intéressante pour améliorer l'efficacité du diagnostic dans ce type d'échantillons biologiques. Nous nous sommes intéressés à la mise en évidence de nouveaux marqueurs tumoraux qui pourront être utilisés pour le diagnostic précoce et le pronostic des cancers en utilisant les nouvelles techniques de biologie moléculaire. Il est probable que l'utilisation de multiples marqueurs moléculaires puisse permettre d’évoquer plus particulièrement certains types de cancers. Nous avons pu mettre en place une technique de PCR quantitative en temps réel, nettement plus sensible que la cytologie classique, et nous avons appliqué cette technique à l'étude de marqueurs tumoraux dans les liquides d’épanchement, mais aussi dans le sang pour rechercher et doser l’ARN messager. Nos résultats montrent que la cytométrie en flux adaptée à des lignées cellulaires ne l’est pas pour des prélèvements cliniques. Par la PCR quantitative, il a été possible de quantifier le niveau d’expression des marqueurs tumoraux étudiés en utilisant des plasmides de référence qui ont été préparés pour chaque gène. Plusieurs marqueurs permettent de différencier des épanchements malins et des épanchements bénins, mais surtout les antigènes CLDN4 et Ep-CAM étaient significativement plus élevés (68% et 57%, respectivement) chez les patients avec épanchements malins. L’ARN messager circulant de la CLDN4 était détectable et significativement plus élevée dans les sérums de patients atteints de cancer du sein (64% p<0,05). Les résultats indiquent que l'utilisation d'une combinaison de marqueurs comportant laclaudine 4 est plus susceptible de détecter des cellules malignes et d'être utiles pour le suivi de patients / The natural progression of tumors is a local extension, and remotely (metastasis) by migrating cells in the blood and the lymph to secondary sites. It is therefore essential to detect circulating tumor cells in addition to morphological analysis and immunocytochemistry. In addition, two technologies (flow cytometry and RT-PCR in real time) are suitable for a rapid and sensitive automated analysis of a very small quantity of cells. The aim of our work was to develop detection systems for identification of cancer cells in peritoneal effusions and blood. The study of molecular biomarkers appears as an attractive complementary approach to improve the efficiency of diagnosis in this type of biological samples. We are interested in the identification of new tumor markers that can be used for early diagnosis and prognosis of cancer using new techniques of molecular biology. It is likely that the use of multiple molecular markers can help to raise some specific types ofcancers. We were able to develop a quantitative PCR technique in real time, significantly more sensitive than conventional cytology, and we applied this technique to the study of tumor markers in effusions, but also in blood for detecting messenger RNA. Our results show that flow cytometry well-adapted to cell lines, is not unusable for clinical specimens. For quantitative PCR, it was possible to quantify the expression levels of tumor markers using reference plasmids prepared for each gene. Several markers can differentiate malignant and benign effusions, but especially CLDN4 and Ep-CAM antigens were significantly higher (68% and 57% respectively) in patients with malignant effusions.The circulating CLDN4 mRNA was detectable and significantly higher in the sera of patients with breast cancer (64% p <0.05). The results indicate that using a combination of markers including claudin 4 is more likely to detect malignant cells and be useful for monitoring patients

Titre de l'écran-titre (visionné le 26 février 2024) / Dans l'ère numérique actuelle, l'apprentissage automatique, une branche de l'intelligence artificielle, est en train de révolutionner de nombreux secteurs, y compris celui de l'assurance. L'importance d'une évaluation précise des risques est cruciale dans le secteur des assurances, où la détermination de l'admissibilité d'un client à un type d'assurance spécifique est au cœur du processus de souscription. Traditionnellement, cette évaluation s'appuie sur des informations fournies par les clients, telles que leur état de santé, leur consommation de tabac ou d'alcool, et peut même inclure des examens médicaux, comme des tests d'urine pour détecter la présence de substances spécifiques. Cependant, l'intégrité des réponses fournies pose souvent problème. Par exemple, certains clients peuvent sous-déclarer leur consommation de tabac, influençant ainsi les décisions de souscription et les tarifications. Dans ce contexte, les compagnies d'assurance sont souvent contraintes de réaliser des tests médicaux coûteux pour valider les déclarations des clients. Toutefois, grâce à l'apprentissage automatique, nous pouvons potentiellement réduire ces coûts. En développant des modèles prédictifs pour détecter les fumeurs basés sur d'autres informations fournies, il est possible de réduire considérablement sur les coûts. Avec l'apprentissage automatique, nous pouvons analyser de grandes quantités de données, identifier des modèles et faire des prédictions avec une précision élevée. Cette approche ouvre la voie à des processus d'assurance plus optimisés et axés sur les données. En utilisant l'apprentissage automatique, en particulier les algorithmes de classification, nous exploitons des données d'assurance-vie pour prédire si les individus falsifient leurs réponses concernant leur statut de fumeur. Nous mettons en œuvre de nouvelles approches pour traiter les valeurs manquantes, en prenant en compte les aspects humains des données. De plus, nous introduisons une modification de l'algorithme de classification *Set Covering Machine* pour répondre aux défis associés aux coûts des erreurs lors des demandes d'assurance-vie. / In today's digital age, machine learning, a branch of artificial intelligence, is revolutionizing numerous sectors, including insurance. Accurate risk assessment is crucial in the insurance industry, where determining a client's eligibility for a specific type of insurance is central to the underwriting process. Traditionally, this assessment relies on information provided by clients, such as their health status, tobacco or alcohol consumption, and can even include medical examinations, like urine tests to detect specific substances. However, the integrity of the responses provided often poses challenges. For instance, some clients might under-report their tobacco consumption, subsequently influencing underwriting decisions and pricing. In this context, insurance companies often find themselves compelled to conduct costly medical tests to validate client statements. Nevertheless, with the aid of machine learning, we can potentially reduce these costs. By developing predictive models to identify smokers based on other provided information, there's potential for significant savings on testing costs. Thanks to machine learning, we can analyze vast amounts of data, identify patterns, and make predictions with more precision. This approach not only improves the reliability of eligibility assessments but also paves the way for more optimized, data-driven insurance processes. Using machine learning, particularly classification algorithms, we utilized life insurance data to predict whether individuals falsify their responses regarding their smoking status. We implemented new approaches to handle missing values, taking into account the human aspects of the data. Furthermore, we introduced a modification to the *Set Covering Machine* classification algorithm to address the challenges associated with the costs of errors in life insurance applications.

Le présent projet vise à construire un modèle prédictif des troubles psychiatriques en combinant des variables génétiques, les scores de risque polygéniques (PRS), et des variables socio-économiques. Les PRS seront construits grâce à une méthode que nous avons développée et que nous avons nommée Multivariate lassosum. L'issue d'intérêt à prédire sera l'apparition d'un trouble mental chez l'individu. Le modèle considéré sera le modèle de régression de Cox. Le pouvoir prédictif du modèle construit sera évalué en calculant l'aire sous la courbe ROC, en utilisant la méthode validation croisée. / The present project aims to build a predictive model of psychiatric disorders by combining genetic variables, polygenic risk scores (PRS), and socioeconomic variables. The PRS will be constructed using a method we have developed called Multivariate lassosum. The outcome of interest to be predicted will be the onset of a mental disorder in the individual. The model considered will be the Cox regression model. The predictive power of the model constructed will be evaluated by calculating the area under the ROC curve, using the cross-validation method.

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

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Le cancer du sein est une maladie hétérogène, d’une part car la réponse à un traitement donné n’est pas toujours identique et d’autre part car la survie des patientes peut varier. Individualiser les traitements des patientes atteintes d’un cancer du sein demeure l’un des objectifs premiers des praticiens. La chimiothérapie néoadjuvante (CTNA) est le traitement standard pour le cancer du sein opérable. Un des bénéfices principaux de la CTNA est d’améliorer le taux de la conservation mammaire. Elle permet également d’identifier les non- répondeurs plus précocement afin de stopper un traitement inefficace. De plus, la CTNA est le seul moyen d’étudier les marqueurs prédictifs de la tumeur afin de personnaliser le traitement en fonction de chaque malade. La réponse complète histologique (RCH) sur la pièce opératoire après la CTNA est le seul facteur prédictif de la survie des patientes validé à l’heure actuelle. Ce travail, réalisé au Centre Jean Perrin, s’articule autour de 2 parties ayant pour objectif la personnalisation des traitements, plus spécifiquement dans la sous-population Luminale/HER2-. Dans la première partie, nous avons promu une étude prospective de phase II randomisée, ayant inclu des patientes atteintes d’un cancer du sein HER2- (80% luminal et 20% triple négative), avec pour objectif la comparaison du taux de RCH obtenu par l’emploi d’un traitement standard de CTNA: 3 cures de FEC100 suivi de 3 cures de Taxotère par rapport à un traitement adapté en fonction de la réponse clinique après 2 et 4 cures de FEC 100. Cette étude n’a pas montré de différence significative au niveau de la RCH entre les deux stratégies de traitement. Nous avons également réalisé une revue de la littérature sur la RCH, qui nous a permis de mieux comprendre que la RCH ne semblait pas être capable de prédire la réponse au traitement chez les patientes atteintes d’un cancer du sein luminal, ni même leur survie; ces patientes présentaient un taux de RCH faible. C’est pour cette raison que chez les patientes atteintes d’un cancer du sein luminal, nous avons orienté nos travaux dans la recherche d’autres bio-marqueurs prédictifs de la réponse à la chimiothérapie. Ceci pourrait nous permettre d’avoir une meilleure prise en charge des patientes atteintes de ce sous-type de cancer du sein. Dans la deuxième partie de ces travaux, nous avons donc réalisé une base de données de 128 patientes traitées par CTNA pour un cancer du sein RH+/HER2-. D’après l’analyse des résultats, l’envahissement ganglionnaire (N) évalué sur la pièce opératoire est un facteur pronostique indépendant. C’est pourquoi, chez les patientes présentant plus de 4 ganglions envahis, il pourrait être proposé un traitement prolongé par hormonothérapie adjuvante. Enfin, nous nous sommes intéressés aux infiltrations lymphocytaires dans le microenvironnement tumoral (TIL) et plus spécifiquement à l’infiltration lymphocytaire T cytotoxiques CD8 au niveau de la biopsie. Nous avons souhaité évaluer la valeur prédictive à la chimiothérapie de l’infiltration lymphocytaire. D’après nos premières analyses, le nombre de TIL et de CD8+ mesuré sur la biopsie est significativement associé à la taille tumorale résiduelle et à la RCH : plus le nombre de lymphocytes CD8 est élevé, plus la taille tumorale résiduelle est faible. Ces différents travaux soulignent l’importance de la caractérisation des sous-groupes de tumeurs mammaires afin de pouvoir adapter le traitement, dans le but d’améliorer la réponse et d’augmenter la survie des patientes. / Breast cancer (BC) is an heterogeneous disease notably because of a difference in patient’s response to a given treatment and also a difference in survival. Individualize therapies to treat BC patients remains one of main goal of physicians. Neoadjuvant chemotherapy (NACT) is the standard treatment for operable breast cancer. One of the main benefits of NACT is to improve the breast conservation rate. It permits also to identify earlier non-responders in order to stop an ineffective treatment. In addition, NACT is the only way to study the predictive tumor markers in order to tailor treatment for each patient. Pathological complete Response (pCR) assessed in surgery piece after NACT is the only predictor of patient’s survival validated to date. This work, carried out at Centre Jean Perrin, includes two parts with the aim of personalizing treatments, and more specifically in the Luminal/HER2- subpopulation. In the first part, we have promoted a prospective randomized phase II trial, which included HER2- BC patients (80% luminal and 20% triple negative). The aim of this study was pCR rate comparison obtained with use of a standard NACT treatment: 3 FEC100 courses followed by 3 cycles of Docetaxel to an adapted treatment according to clinical response after 2 and 4 FEC 100 cures. This study did not reveal significant pCR differences between the two treatment strategies. We have also conducted a literature review on pCR. This review allows us to better understand that pCR seems to not be able to predict response to treatment in luminal BC patients, nor their survival; few of these patients reaching a pCR. For this reason, in luminal BC patients, we have focused our researchs on other predictive biomarkers of response to chemotherapy. This could allow us to have a better medical care of patients having this subtype of BC. In the second part of this work, we have realised#a 128 patients database treated by NACT for their HR+/HER2- BC. According to results analysis, the number of involved nodes (N), measured on the surgery piece, is an independent prognostic factor. That is why, in patients presenting more than 4 involved nodes, we could propose an extended adjuvant hormone therapy. Finally, we have examined the tumor microenvironment infiltration lymphocyte (TIL) and specifically the CD8 cytotoxic T lymphocytes in tissue biopsy. We wanted to assess the predictive value of lymphocyte infiltration to chemotherapy. According to our first analysis, the TIL and CD8+ number on biopsy was significantly associated with residual tumor size and pCR: the larger number of CD8 lymphocytes, the smaller residual tumor size was. These studies emphasize the importance of characterizing subgroups of breast tumors in order to adapt the treatment and thus to improve the response and increase patients survival

Le niveau médiocre des taux de réponses et des améliorations de survie lorsque des stratégies conventionnelles sont appliquées souligne la nécessité de développer des outils prédictifs performants, robustes et applicables en clinique. La démocratisation des technologies d’analyses à haut-débit est le substrat de la médecine de précision permettant le développement de modèles prédictifs capables d’orienter les stratégies thérapeutiques et la définition d’une nouvelle taxonomie des cancers par l’intégration de données moléculaires de haute dimension. A travers cette thèse, nous avons d’abord analysé des données publiques d’expression génique de cancer bronchique non à petites cellules dans le but de prédire la probabilité de survie à trois ans. Le fort pouvoir prédictif de la TNM seule et la faible taille des cohortes de validation ont malheureusement limité la possibilité de traduire nos résultats en clinique. Nous avons ensuite développé un prédicteur du phénotype « KRAS muté » spécifique du cancer colorectal, permettant d’identifier de nouveaux traits moléculaires responsables de ce phénotype et d’améliorer la prédiction de la réponse au cetuximab chez les patients KRAS sauvage. Enfin, nous avons combiné les données moléculaires des panels de lignées cellulaires CCLE et Sanger avec les données des cohortes du TCGA pour produire des prédicteurs performants de la sensibilité aux drogues. Ces modèles sont concordants avec des screens produits par interférence RNA et permettent d’expliquer la réponse extrême de patients sectionnés dans le programme de screening moléculaire MOSCATO.Les défis spécifiques posés par les données moléculaires de haute dimension dans le développement d’outils prédictifs applicables en clinique sont discutés dans cette thèse. / The mediocre level of the rates of answers and the improvements of survival when conventional strategies are applied underlines the necessity of developing successful, strong and applicable predictive tools in private hospital. The democratization of the technologies of analyses with top-debit(-flow) is the substratum of the medicine of precision allowing the development of predictive models capable of directing the therapeutic strategies and the definition of a new taxonomy of cancers by the integration of molecular data of high dimension(size).Through this thesis(theory), we analyzed at first public data of genic expression of bronchial cancer not in small cells(units) with the aim of predicting the probability of survival in three years. The strong predictive power of the only TNM and