Добірка наукової літератури з теми "Réseaux de régulation des gènes"

Parmi les outils utilisés dans la recherche de marqueurs biologiques en dépression, l’étude de l’expression génétique dans des tissus périphériques a permis d’obtenir des résultats prometteurs. Plusieurs travaux ont démontré, à partir de l’étude du tissu sanguin, que l’expression de certains gènes pouvait distinguer les patients des sujets sains et/ou être prédictive de la réponse au traitement à venir [1,2]. Mais les différences d’expression peuvent concerner également l’ensemble du génome à l’échelle des réseaux de gènes. Nous présenterons ici les résultats d’une étude des réseaux de gènes chez des sujets souffrant de dépression à l’aide d’analyses bio-informatiques appelés « Weighted Gene Co-expression Networks Analyses » [3].L’objectif principal est de démontrer s’il existe des différences dans l’architecture et le niveau d’expression des ces réseaux entre les patients et les témoins sains, mais aussi entre les patients qui seront répondeurs et les non-répondeurs. Nous nous baserons sur les résultats obtenus à partir de trois cohortes différentes (n = 67, n = 63, n = 18).Les résultats de cette étude démontrent qu’il existe à la fois des différences qualitative et quantitative de l’expression des réseaux de gène entre les patients futur répondeurs et non-répondeurs. Ces réseaux de gènes sont associés à de nombreuses fonctions biologiques qui impliquent l’inflammation et la régulation immunitaire. La reproductibilité de ces résultats sera discutée et ces résultats seront mis en perspective avec d’autres études en cours d’analyse.Enfin, leur portée sur la compréhension de la notion de réponse thérapeutique sera abordée.

L’épigénétique étudie les modifications chimiques qui régulent l’expression des gènes sans changement de séquence de l’ADN. L’existence d’un lien entre méthylation des paires CpG de l’ADN, une caractéristique de l’épigénome, et vieillissement a été montrée : un nombre limité de ces paires voit en effet sa méthylation augmenter ou diminuer, avec l’âge. La variation de méthylation sur l’ensemble de l’ADN permet ainsi de définir un « âge épigénétique », qui est corrélé avec l’âge chronologique. Chez des individus jeunes, la courbe moyenne de méthylation selon l’âge permet de repérer la qualité de leur vieillissement. Ces résultats sont surprenants car ils sont obtenus sur des tissus dont la durée de vie est pourtant variable. Certaines paires CpG sont organisées en réseaux dans lesquels on observe des co-méthylations, réseaux qui impliquent des gènes participant à la régulation de la morphogenèse ou de la différenciation cellulaire. Ces réseaux seraient les effecteurs de cette horloge épigénétique.

L'adaptation d'une bactérie aux changements de son environnement est contrôlée par un réseau de régulation large et complexe, faisant intervenir de nombreux acteurs et modules différents. Dans ce travail, nous avons étudiés un module de régulation spécifique, contrôlant l'adaptation de la bactérie Escherichia coli à un changement de sources de carbone. Dans un milieu contenant du glucose et de l'acétate, la croissance est divisée en deux phases : les bactéries utilisent préférentiellement le glucose et commencent à métaboliser l'acétate qu'après l'épuisement du glucose. En effet, la présence du glucose réprime la transcription d'un gène nécessaire à la croissance sur acétate, le gène acs (codant pour l'acétyl-CoA synthétase). Le mécanisme régulateur fait intervenir le facteur de transcription Crp-AMPc et le système de transfert de phosphate (PTS), qui permet l'import du glucose. Plusieurs modèles décrivent en détail la cascade de réactions moléculaires à l'origine de cette " répression catabolique ". Cependant, certaines de nos observations expérimentales ne sont pas correctement prédites par les modèles actuels. Ces modèles doivent être révisés ou complétés. L'outil majeur que nous employons pour les expériences est la fusion transcriptionnelle : une région promotrice fusionnée en amont d'un gène rapporteur (GFP, luciferase). Avec ces constructions, nous mesurons la dynamique de l'expression génique dans différentes souches (mutants) et différentes conditions environnementales. Les observations à l'échelle de la population sont corroborées par des mesures similaires à l'échelle de la cellule unique. Nous utilisons cette même technologie pour construire de petits systèmes synthétiques qui sondent davantage le phénomène de répression catabolique. Nous avons ainsi créé un interrupteur génétique dont le fonctionnement est contrôlé par le flux glycolytique et nous avons construit un petit système de communication intercellulaire basé sur la molécule AMPc. Enfin, nous proposons une manière originale de mesurer l'état métabolique des cellules en utilisant la dépendance énergétique de la luciferase.

La leucémie lymphoïde chronique (LLC) est un syndrome lymphoprolifératif B de mécanisme encore mal élucidé, caractérisé par une évolution clinique hétérogène. Les cellules des formes agressives de LLC se distinguent des formes indolentes par la nature de leur récepteur à l'antigène (BCR) Elles présentent également des anomalies d'intégration de plusieurs voies de signalisation cytoplasmiques, dont la voie du BCR et les voies de réponse aux lésions de l'ADN, associées à de fréquentes aberrations génétiques. Les cellules de LLC révèlent un profil transcriptionnel qui les distingue des autres hémopathies. Différents programmes transcriptionnels ont alors été étudiés dans différentes catégories de cellules de LLC, à l'état basai et après stimulation cellulaire. La comparaison de l'expression génique de ces cellules avant et après lésion de l'ADN par rayonnement ionisant a ainsi montré un profil spécifique des cellules résistantes à l'apoptose en réponse à ces lésions. L'analyse fonctionnelle des produits de gènes spécifiques des cellules agressives à l'état basai et après stimulation a montré un désordre complexe de l'expression de multiples gènes. L'analyse non supervisée du transcriptome dans les 6h après stimulation du BCR a ensuite révélé un programme transcriptionnel spécifique des cellule de LLC les plus agressives. Afin d'étudier l'action concertée de ces milliers de gènes dans le temps, des réseaux de régulation génique ont été modélisés. L'architecture de ces premiers modèles révèle des nœuds transcriptionnels, premières cibles à influencer pour moduler les réseaux d'expression génique des cellules les plus agressives
Chronic lymphocytic leukemia (CLL) is a B lymphoproliferative disorder of unknown mechanism, characterized by a heterogeneous clinical outcome. Cells from the more aggressive CLL subtype show a specific B cell receptor (BCR). The resulting integrated signal from several pathways, such as BC stimulation and DNA damage response, is also impaired contributing to frequent genetic aberrations. CLL cells reveal a specific transcriptional profile compared to other hematopoietic neoplasms. Several transcriptional programs were then studied within different CLL cells subtypes, at the basal level or after cell stimulation. Gene expression comparison before and after DNA damage by ionizing irradiation showed a specific transcriptional response for the apoptosis resistant cells Functional gene product analysis of the more aggressive cells at the basal level or after cell stimulation showed complex disorder of multiple gene expression. Unsupervised gene expression analysis over 6hrs after BCR cross-linking revealed a transcriptional program specific for the more aggressive CLL cells. In order to understand the concerted action of these thousand of genes over time, temporal gene interaction models were inferred. The scale free architecture of these models revealed transcriptional nodes, suggesting rational targets to perturb these pathways in the more aggressive cells

L'expression des gènes dans une cellule a longtemps été observable uniquement à travers des quantités moyennes mesurées sur des populations. L'arrivée des techniques «single-cell» permet aujourd'hui d'observer des niveaux d'ARN et de protéines dans des cellules individuelles : il s'avère que même dans une population de génome identique, la variabilité entre les cellules est parfois très forte. En particulier, une description moyenne est clairement insuffisante étudier la différenciation cellulaire, c'est-à-dire la façon dont les cellules souches effectuent des choix de spécialisation. Dans cette thèse, on s'intéresse à l'émergence de tels choix à partir de réseaux de régulation sous-jacents entre les gènes, que l'on souhaiterait pouvoir inférer à partir de données. Le point de départ est la construction d'un modèle stochastique de réseaux de gènes capable de reproduire les observations à partir d'arguments physiques. Les gènes sont alors décrits comme un système de particules en interaction qui se trouve être un processus de Markov déterministe par morceaux, et l'on cherche à obtenir un modèle statistique à partir de sa loi invariante. Nous présentons deux approches : la première correspond à une approximation de champ assez populaire en physique, pour laquelle nous obtenons un résultat de concentration, et la deuxième se base sur un cas particulier que l'on sait résoudre explicitement, ce qui aboutit à un champ de Markov caché aux propriétés intéressantes
Gene expression in a cell has long been only observable through averaged quantities over cell populations. The recent development of single-cell transcriptomics has enabled gene expression to be measured in individual cells: it turns out that even in an isogenic population, the molecular variability can be very important. In particular, an averaged description is not sufficient to account for cell differentiation. In this thesis, we are interested in the emergence of such cell decision-making from underlying gene regulatory networks, which we would like to infer from data. The starting point is the construction of a stochastic gene network model that is able to explain the data using physical arguments. Genes are then seen as an interacting particle system that happens to be a piecewise-deterministic Markov process, and our aim is to derive a tractable statistical model from its stationary distribution. We present two approaches: the first one is a popular field approximation, for which we obtain a concentration result, and the second one is based on an analytically tractable particular case, which provides a hidden Markov random field with interesting properties

Le développement de techniques à haut débit fournit de nombreuses données sur le fonctionnement de réseaux de régulation. Il devient donc de plus en plus important de développer des techniques qui permettent de déduire la topologie et le fonctionnement des réseaux de régulation à partir des données expérimentales. La plupart des études dans ce domaine se focalisent sur la reconstruction de l'architecture locale du réseau de régulation et la détermination des paramètres qui relient les composants du réseau. Cependant, les réseaux biologiques ne sont jamais entièrement connus. L'absence d'un noeud important dans le réseau de régulation peut facilement conduire à de mauvaises prédictions de la structure du réseau ou des paramètres d'interactions. Dans cette thèse, nous proposons une méthode qui permet d'inférer l'existence, le profile d'expression et la connexion au reste du réseau d'un gène (ou de gènes) manquant. Pour résoudre ce problème difficile, nous devons simplifier la description du réseau de régulation. Nous faisons l'hypothèse communément acceptée que les interactions dans le réseau sont décrites par des fonctions de Hill. Nous approximons ces fonctions trop compliquées par des fonctions de puissance et nous montrons que cette simplification préserve la dynamique du réseau. En prenant le logarithme du système d'équations nous convertissons le système non-linéaire en un système linéaire. De nombreux outils sont disponibles pour analyser des systèmes linéaires. Nous utilisons l'analyse factorielle (FA) et l'analyse de composants indépendants (ICA) pour extraire le profil d'expression du gène inconnu à partir des profils d'expression des parties connues du réseau de régulation. Après avoir estimé le pattern d'expression du gène inconnu, nous explorons les différentes possibilités de connecter ce gène au reste du réseau. Une recherche exhaustive est trop coûteuse pour des grands réseaux de régulation. Nos proposons donc un algorithme de réduction de l'espace de recherche pour diminuer le nombre de calculs nécessaires. L'algorithme proposé est robuste au bruit expérimental et le profil d'expression du gène inconnu est retrouvé avec une probabilité de 80% dans des réseaux de petite taille et avec une probabilité de 60% pour des grands réseaux. FA est plus efficace que ICA pour extraire le profile du gène inconnu. L'algorithme est finalement appliqué à un réseau biologique réel: le réseau de régulation de la transcription du gène acs d'Escherichia coli. Nous prédisons qu'il y a un gène manquant dans ce réseau et les deux méthodes d'extraction du signal trouvent un profil d'expression très similaire pour le gène inconnu. De plus, ce profil d'expression est identique dans trois contextes expérimentaux différents : la souche sauvage, la souche dont l'adénylate cyclase a été délété et cette même souche complémentée par des l'AMPc ajouté au milieu de croissance. Puisque le profil d'expression du gène inconnu reste le mŘme dans les trois souches nous pouvons conclure que ce gène est indépendant de l'AMPc. Les deux méthodes d'extraction du profil d'expression prédisent deux structures différentes du réseau complet. FA prédit que le gène manquant contrôle l'expression de fis, tandis que ICA prédit que le gène inconnu contrôle d'expression de crp
With the development of hight-throughput technologies, the investigation of the topologies and the functioning of genetic regulatory networks have become an important research topic in recent years. Most of the studies concentrate on reconstructing the local architecture of genetic regulatory networks and the determination of the corresponding interaction parameters. The preferred data sources are time series expression data. However, inevitably one or more important members of the regulatory network will remain unknown. The absence of important members of the genetic circuit leads to incorrectly inferred network topologies and control mechanisms. In this thesis we propose a method to infer the connection and expression pattern of these “missing genes”. In order to make the problem tractable, we have to make further simplifying assumptions. We assume that the interactions within the network are described by Hill-functions. We then approximate these functions by power-law functions. We show that this simplification still captures the dynamic regulatory behaviors of the network. The genetic control system can now be converted to linear model by using a logarithm transformation. In another word, we can analyze the genetic regulatory networks by linear approaches. In the logarithmic space, we propose a procedure for extracting the expression profile of a missing gene within the otherwise defined genetic regulatory network. The algorithm also determines the regulatory connections of this missing gene to the rest of the regulation network. The inference algorithm is based on Factor Analysis, a well-developed multivariate statistical analysis approach that is used to investigate unknown, underlying features of an ensemble of data, in our case the promoter activities and intracellular concentrations of the known genes. We also explore a second blind sources separation method, “Independent Component Analysis”, which is also commonly used to estimate hidden signals. Once the expression profile of the missing gene has been derived, we investigate possible connections of this gene to the remaining network by methods of search space reduction. The proposed method of inferring the expression profile of a missing gene and connecting it to a known network structure is applied to artificial genetic regulatory networks, as well as a real biologicial network studied in the laboratory: the acs regulatory network of Escherichia coli. In these applications we confirm that power-law functions are a good approximation of Hill-functions. Factor Analysis predicts the expression profiles of missing genes with a high accuracy of 80% in small artificial genetic regulatory networks. The accuracy of Factor Analysis of predicting the expression profiles of missing genes of large artificial genetic regulatory networks is 60%. In contrast, Independent Component Analysis is less powerful than Factor Analysis in extracting the expression profiles of missing components in small, as well as large, artificial genetic regulatory networks. Both Factor Analysis and Independent Component suggest that only one missing gene is sufficient to explain the observed expression profiles of Acs, Fis and Crp. The expression profiles of the missing genes in the △cya strain and in the △cya strain supplemented with cAMP estimated by Factor Analysis and Independent Component Analysis are very similar. Factor Analysis suggests that fis is regulated by the missing genes, while Independent Component Analysis suggests that crp is controlled by the missing gene

Le développement de techniques à haut débit fournit de nombreuses données sur le fonctionnement de réseaux de régulation. Il devient donc de plus en plus important de développer des techniques qui permettent de déduire la topologie et le fonctionnement des réseaux de régulation à partir des données expérimentales. La plupart des études dans ce domaine se focalisent sur la reconstruction de l'architecture locale du réseau de régulation et la détermination des paramètres qui relient les composants du réseau. Cependant, les réseaux biologiques ne sont jamais entièrement connus. L'absence d'un noeud important dans le réseau de régulation peut facilement conduire à de mauvaises prédictions de la structure du réseau ou des paramètres d'interactions. Dans cette thèse, nous proposons une méthode qui permet d'inférer l'existence, le profile d'expression et la connexion au reste du réseau d'un gène (ou de gènes) manquant. Pour résoudre ce problème difficile, nous devons simplifier la description du réseau de régulation. Nous faisons l'hypothèse communément acceptée que les interactions dans le réseau sont décrites par des fonctions de Hill. Nous approximons ces fonctions trop compliquées par des fonctions de puissance et nous montrons que cette simplification préserve la dynamique du réseau. En prenant le logarithme du système d'équations nous convertissons le système non-linéaire en un système linéaire. De nombreux outils sont disponibles pour analyser des systèmes linéaires. Nous utilisons l'analyse factorielle (FA) et l'analyse de composants indépendants (ICA) pour extraire le profil d'expression du gène inconnu à partir des profils d'expression des parties connues du réseau de régulation. Après avoir estimé le pattern d'expression du gène inconnu, nous explorons les différentes possibilités de connecter ce gène au reste du réseau. Une recherche exhaustive est trop coûteuse pour des grands réseaux de régulation. Nos proposons donc un algorithme de réduction de l'espace de recherche pour diminuer le nombre de calculs nécessaires. L'algorithme proposé est robuste au bruit expérimental et le profil d'expression du gène inconnu est retrouvé avec une probabilité de 80% dans des réseaux de petite taille et avec une probabilité de 60% pour des grands réseaux. FA est plus efficace que ICA pour extraire le profile du gène inconnu. L'algorithme est finalement appliqué à un réseau biologique réel: le réseau de régulation de la transcription du gène acs d'Escherichia coli. Nous prédisons qu'il y a un gène manquant dans ce réseau et les deux méthodes d'extraction du signal trouvent un profil d'expression très similaire pour le gène inconnu. De plus, ce profil d'expression est identique dans trois contextes expérimentaux différents : la souche sauvage, la souche dont l'adénylate cyclase a été délété et cette même souche complémentée par des l'AMPc ajouté au milieu de croissance. Puisque le profil d'expression du gène inconnu reste le mŘme dans les trois souches nous pouvons conclure que ce gène est indépendant de l'AMPc. Les deux méthodes d'extraction du profil d'expression prédisent deux structures différentes du réseau complet. FA prédit que le gène manquant contrôle l'expression de fis, tandis que ICA prédit que le gène inconnu contrôle d'expression de crp.

L'inférence des réseaux de régulation de gènes (RRG) à partir de données d'expression est un défi majeur en biologie. L’arrivée des technologies de mesure de transcriptomique à l’échelle de la cellule a suscité de nombreux espoirs, mais paradoxalement elles montrent une nouvelle complexité du problème d’inférence des RRG qui limite encore les approches existantes. Nous avons commencé par montrer, à partir de données d'expression en cellules uniques acquises sur un modèle aviaire de différenciation érythrocytaire, que les RRG sont des systèmes stochastiques à l'échelle de la cellule et qu'il y a une évolution dynamique de cette stochasticité au cours du processus de différenciation (Richard et al, PLOS Comp.Biol., 2016). C'est pourquoi nous avons développé par la suite un modèle de RRG mécaniste qui inclus cette stochasticité afin d'exploiter au maximum l'information des données expérimentales à l'échelle de la cellule (Herbach et al, BMC Sys.Biol., 2017). Ce modèle décrit les interactions entre gènes comme un couplage de processus de Markov déterministes par morceaux. En régime stationnaire une formule explicite de la distribution jointe est dérivée du modèle et peut servir à inférer des réseaux simples. Afin d'exploiter l'information dynamique et d'intégrer d'autres données expérimentales (protéomique, demi-vie des ARN), j’ai développé à partir du modèle précédent une approche itérative, intégrative et parallèle, baptisée WASABI qui est basé sur le concept de vague d'expression (Bonnaffoux et al, en révision, 2018). Cette approche originale a été validée sur des modèles in-silico de RRG, puis sur nos données in-vitro. Les RRG inférés affichent une structure de réseau originale au regard de la littérature, avec un rôle central du stimulus et une topologie très distribuée et limitée. Les résultats montrent que WASABI surmonte certaines limitations des approches existantes et sera certainement utile pour aider les biologistes dans l’analyse et l’intégration de leurs données
Inference of gene regulatory networks from gene expression data has been a long-standing and notoriously difficult task in systems biology. Recently, single-cell transcriptomic data have been massively used for gene regulatory network inference, with both successes and limitations.In the present work we propose an iterative algorithm called WASABI, dedicated to inferring a causal dynamical network from timestamped single-cell data, which tackles some of the limitations associated with current approaches. We first introduce the concept of waves, which posits that the information provided by an external stimulus will affect genes one-byone through a cascade, like waves spreading through a network. This concept allows us to infer the network one gene at a time, after genes have been ordered regarding their time of regulation. We then demonstrate the ability of WASABI to correctly infer small networks, which have been simulated in-silico using a mechanistic model consisting of coupled piecewise-deterministic Markov processes for the proper description of gene expression at the single-cell level. We finally apply WASABI on in-vitro generated data on an avian model of erythroid differentiation. The structure of the resulting gene regulatory network sheds a fascinating new light on the molecular mechanisms controlling this process. In particular, we find no evidence for hub genes and a much more distributed network structure than expected. Interestingly, we find that a majority of genes are under the direct control of the differentiation-inducing stimulus. Together, these results demonstrate WASABI versatility and ability to tackle some general gene regulatory networks inference issues. It is our hope that WASABI will prove useful in helping biologists to fully exploit the power of time-stamped single-cell data

Les réseaux de régulation de gènes (RRG) sont des graphes dans lesquels les nœuds sont des gènes et les arcs représentent les relations de régulation entre gènes régulateurs et gènes cibles. La topologie d’un RRG est caractérisée par un petit nombre de gènes qui ont un grand nombre de connexions alors que la majorité des autres gènes a peu de connexions. Les nœuds hautement connectés s’appellent des hubs ; ils permettent à deux nœuds quelconques d’être connectés par des chemins relativement courts dans les réseaux peu denses que sont les RRGs. HubNeD (Hub-centered network deconvolution) est une nouvelle méthode qui exploite les propriétés topologiques des RRGs pour les reconstruire à partir des profils d’expression des gènes à l’état d’équilibre. La méthode HubNeD se compose de trois étapes : premièrement, une étape de regroupement des gènes considérés comme uniquement régulés en les regroupant dans des communautés de co-régulation hautement homogènes. Deuxièmement, les hubs du RRG sont sélectionnés à partir des gènes restants en analysant les similitudes de leurs profils de corrélation avec les gènes des communautés de co-régulation. Troisièmement, une matrice d’adjacence est calculée par une déconvolution centrée sur les hubs des scores de corrélation de Pearson. Cette dernière étape pénalise les connexions directes entre deux gènes qui n’ont pas été choisis comme hubs, réduisant ainsi le taux de faux positifs. La stratégie originale consistant à reconstituer le RRG après une étape de sélection des hubs permet à HubNeD d’obtenir les meilleures performances sur les jeux de données d’expression associés aux deux RRGs bien établis de E. Coli et Saccharomyces cerevisiae
Gene regulatory networks (GRNs) are graphs in which nodes are genes and edges represent causal relationships from regulator genes, towards their downstream targets. One important topological property of GRNs is that a small number of their nodes have a large number of connections whereas the majority of the genes have few connections. The highly connected nodes are called hubs ; they allow any two nodes to be connected by relatively short paths in sparse networks. HubNeD (Hub-centered network deconvolution) is a novel method that exploits topological properties of GRNs to reconstruct them from steady state expression profiles. It works in three steps : firstly, a clustering step extracts genes that are considered solely regulated by grouping them in highly homogeneous co-regulation communities. Secondly, hub are inferred from the remaining genes, by analyzing the similarities of their correlation profiles to the genes in the co-regulations communities. Thirdly, an adjacency matrix is computed by a hub-centered deconvolution of the Pearson correlation scores. This last step penalizes direct connections between non-hubs, thus reducing the rate of false positives. The original strategy of preceding GRN reconstruction by a hub selection step, allows HubNeD to habe the highest performances on expression datasets associated with the two well established experimentally curated GRNs of E. Coli and Saccharomyces cerevisiae

La pomme est un des fruits les plus consommés au monde.Le développement d’une texture farineuse est un caractère rédhibitoire pour les consommateurs et pour la profession.La farinosité renvoie à une texture sèche et granuleuse en bouche qui se développe en cours de conservation. Malgré son importance, les connaissances sur les processusmoléculaires mis en jeu restent très parcellaires et son évaluation ne repose jusqu’à ce jour que sur des analyses sensorielles. Or, comprendre les mécanismes moléculairessous-jacents à la farinosité est nécessaire à l’amélioration de la qualité du fruit. Cette étude constitue la première étude transcriptomique globale de la farinosité. Une première étude multi-échelle,intégrant des données transcriptomiques, biochimiques et phénotypiques a été réalisée sur six hybrides issus d’un même croisement et présentant des textures contrastées pour lafarinosité.Cette étude a permis d’identifi er un gène marqueur précoce de la farinosité, MdPME2, codant pour une pectine méthylestérase. Par la suite, une analyse transcriptomiqueélargie à 34 variétés a permis de mettre en évidence un rôle clé de la voie du jasmonate dans la régulation de la maturation. Les jasmonates semblent orchestrer la voie de biosynthèse de l’éthylène et le stress oxydatif, contribuant ainsi à retarder la mise en place de la farinosité. Par ailleurs, afin de quantifier la farinosité autrement que via des analyses sensorielles, un nouveau test a été développé et permettra la validation fonctionnelle de ces résultats. Finalement, ce travail de thèse permet de proposer un
Apple fruit is one of the most consumed fruits in the world. Apple mealiness is an important textural deterioration which occurs during storage. This phenotype refers to a dry andgrainy sensory perception during mastication. Despite its significance, this phenotype is still rather poorly characterized, the few available results mostly depending on sensory analyses. Understanding the molecular mechanisms involved in the development of this unwanted character is essential for the improvement of fruit quality and fruit production.The work presented here is focused on the identification of key genes associated with apple mealiness through global transcriptome analyses. A first multiscale analysis combining transcriptomic, biochemical and phenotypic analyses was performed on pairs of individuals displayingcontrasted phenotypes for mealiness.This analysis led us to the identifi cation of one pectin methylesterase gene, MdPME2, which appears as an early molecular marker of mealiness in this genetic background. Next, a transcriptome analysis enlarged to 34 cultivars allowed the identification of the jasmonate hormonal pathway as a key driver of apple fruits ripening. By regulating ethylene and oxidative stress pathways, jasmonates appear as a fi ne-tuning regulator onthe postponement of apple mealiness. In addition, a new quantitative test of mealiness has also been developed to allow the validation of this model by means of pharmacological approaches. The main outcome of this work is to propose a new molecular model to explain apple mealiness development. This work shed

Apprendre la structure d'un réseau de régulation de gènes est une tâche complexe due à la fois au nombre élevé de variables le composant (plusieurs milliers) et à la faible quantité d'échantillons disponibles (quelques centaines). Parmi les approches proposées, nous utilisons le formalisme des réseaux bayésiens, ainsi apprendre la structure d'un réseau de régulation consiste à apprendre la structure d'un réseau bayésien où chaque variable représente un gène et chaque arc un phénomène de régulation. Dans la première partie de ce manuscrit nous nous intéressons à l'apprentissage de la structure de réseaux bayésiens génériques au travers de recherches locales. Nous explorons plus efficacement l'espace des réseaux possibles grâce à un nouvel algorithme de recherche stochastique (SGS), un nouvel opérateur local (SWAP), ainsi qu'une extension des opérateurs classiques qui permet d'assouplir temporairement la contrainte d'acyclicité des réseaux bayésiens. La deuxième partie se focalise sur l'apprentissage de réseaux de régulation de gènes. Nous proposons une modélisation du problème dans le cadre des réseaux bayésiens prenant en compte deux types d'information. Le premier, classiquement utilisé, est le niveau d'expression des gènes. Le second, plus original, est la présence de mutations sur la séquence d'ADN pouvant expliquer des variations d'expression. L'utilisation de ces données combinées dites de génétique-génomique, vise à améliorer la reconstruction. Nos différentes propositions se sont montrées performantes sur des données de génétique-génomique simulées et ont permis de reconstruire un réseau de régulation pour des données observées sur le plante Arabidopsis thaliana
Structure learning of gene regulatory networks is a complex process, due to the high number of variables (several thousands) and the small number of available samples (few hundred). Among the proposed approaches to learn these networks, we use the Bayesian network framework. In this way to learn a regulatory network corresponds to learn the structure of a Bayesian network where each variable is a gene and each edge represents a regulation between genes. In the first part of this thesis, we are interested in learning the structure of generic Bayesian networks using local search. We explore more efficiently the search space thanks to a new stochastic search algorithm (SGS), a new local operator (SWAP) and an extension for classical operators to briefly overcome the acyclic constraint imposed by Bayesian networks. The second part focuses on learning gene regulatory networks. We proposed a model in the Bayesian networks framework taking into account two kinds of information. The first one, commonly used, is gene expression levels. The second one, more original, is the mutations on the DNA sequence which can explain gene expression variations. The use of these combined data, called genetical genomics, aims to improve the structural learning quality. Our different proposals appeared to be efficient on simulated genetical genomics data and allowed to learn a regulatory network for observed data from Arabidopsis thaliana

L’inférence des réseaux de régulation de gènes reste un challenge majeur en biologie des systèmes malgré de nombreux efforts. Aujourd’hui, grâce aux données multi-omiques en cellules uniques, aux modèles dynamiques et stochastiques de la régulation génétique, et à la puissance de calcul disponible, de nouvelles approches telles que WASABI permettront de surmonter toutes les difficultés de ce défi.

Ce chapitre dresse un panorama des approches portant sur l’élaboration de modèles qualitatifs de réseaux de régulation, via des démarches s’apparentant au model-checking (pour l’analyse) et à la programmation logique (pour l’inférence). Nous nous attachons à étudier ce problème dans un contexte large-échelle, autrement dit avec potentiellement plusieurs centaines de composants interagissant.

Ce chapitre démontre que la modélisation des réseaux de régulation biologiques est grandement facilitée par des méthodes symboliques de vérification formelle comme le model-checking et les preuves en logique de Hoare. Il présente une méthodologie complète de modélisation formelle où les approches logiques classiques du génie logiciel s'adaptent remarquablement efficacement au problème majeur de la modélisation des systèmes complexes: l'identification des paramètres.

Propagande terroriste, ingérences étrangères, désinformation : la régulation des publications sur les réseaux sociaux est devenue un enjeu de politique internationale. Dans ce contexte, les relations entre États et plateformes numériques évoluent rapidement : d’un côté, les acteurs de la Silicon Valley se voient déléguer des fonctions régaliennes, notamment en termes de sécurité nationale ; de l’autre, les États, notamment en Europe, entendent contrôler davantage les dispositifs de modération des plateformes afin de s’assurer de leur diligence à retirer des contenus illégaux, mais aussi de leur respect des droits fondamentaux des citoyennes et citoyens européens. Cet article entend dresser un panorama des principaux enjeux des relations entre États et plateformes dans le domaine de la régulation des contenus en ligne, en se concentrant sur deux types de contenu, la propagande terroriste d’un côté, les fausses informations et les discours de haine de l’autre.

L’écologie microbienne des sols a longtemps souffert d’un certain manque de généricité car les études ont souvent été menées à l’échelle infra-parcellaire ou parcellaire, voire de petits territoires et avec peu de sites étudiés. Cela entraîne un manque de connaissances sur les processus de distribution des populations et de la régulation de la diversité microbienne à grande échelle face aux changements globaux. Pour pallier à ceci, une étude de biogéographie microbienne a été menée l’échelle de la France sur les 2 200 sols du Réseau de Mesures de Qualité des Sols (RMQS). Ce chapitre présente les résultats de cette étude acquis sur l’abondance et la diversité des communautés bactériennes, les réseaux d’interactions bactériens ainsi que les habitats microbiens à l’échelle de la France. Ces travaux ont également permis des avancées finalisées par le développement et la validation de nouveaux indicateurs microbiens de la qualité des sols.