Soutenance de Coline Gianfrotta

La soutenance aura lieu le lundi 10 octobre à 14h30, à l’UFR des Sciences de l’UVSQ (45, avenue des Etats-Unis, 78000, Versailles), au 3e étage du bâtiment Descartes (salle 301).

Jury

• Christine GASPIN, Directrice de recherche, INRAE-MIAT, Castanet-Tolosan – Rapportrice
• Guillaume FERTIN, Professeur, LS2N, Université de Nantes – Rapporteur
• Alessandra CARBONE, Professeure, LGQB, Sorbonne Université – Examinatrice
• Sarah COHEN-BOULAKIA, Professeure, LISN, Université Paris-Saclay – Examinatrice
• Dominique BARTH, Professeur, DAVID, UVSQ, Université Paris-Saclay – Directeur de thèse
• Alain DENISE, Professeur, LISN & I2BC, Université Paris-Saclay – Co-encadrant, membre invité
• Vladimir REINHARZ, Professeur, Department of Computer Science, Université du Québec à Montréal – Membre invité

Résumé

Les molécules d’ARN sont des molécules biologiques impliquées dans de nombreuses fonctions au sein de la cellule, allant de la régulation de l’expression génétique, à la protection de la cellule. La fonction qu’assure une molécule d’ARN est intrinsèquement liée à la structure tridimensionnelle qu’adopte cette molécule dans l’espace. Cependant, la structure tridimensionnelle d’une molécule d’ARN est difficile à obtenir. C’est pourquoi l’un des enjeux liés à l’étude de ces molécules est d’être capable de prédire la structure tridimensionnelle à partir d’informations telles que la séquence en nucléotides. Dans cette thèse, nous étudions le contexte structural de motifs structuraux d’ARN dans le but de progresser vers leur prédiction. Les motifs structuraux d’ARN sont des sous-structures apparaissant de manière récurrente dans les structures d’ARN, et certains d’entre eux sont impossibles à prédire actuellement. Nous modélisons par des graphes le contexte structural topologique de ces motifs, et comparons les contextes des différentes occurrences en utilisant plusieurs algorithmes de graphes. Nous classifions ensuite les occurrences de motif selon leurs similarités de contexte topologique et selon leurs similarités de contexte 3D, à l’aide d’un algorithme de clustering recouvrant. Dans un premier temps, nous montrons sur un jeu de données de trois motifs structuraux que les similarités observées entre les contextes topologiques sont cohérentes avec les similarités entre les contextes 3D. Cela indique que le contexte topologique peut être suffisant pour déterminer le contexte 3D pour ces trois motifs. Dans un deuxième temps, nous étudions plusieurs classifications d’occurrences du motif A-minor de type I/II, selon des similarités de contexte 3D. Nous y observons que des similarités de contexte 3D existent entre occurrences non homologues, ce qui pourrait être le signe d’un phénomène de convergence évolutive. De plus, nous observons que certaines parties du contexte 3D semblent mieux conservées que d’autres entre occurrences non homologues. Dans un troisième temps, nous étudions la capacité de prédiction du contexte topologique commun à des occurrences de motif A-minor, partageant des contextes 3D similaires, ainsi que la capacité de prédiction d’un signal de séquence sur ces mêmes occurrences. Pour cela, nous étudions la fréquence d’apparition de cette topologie et de ces séquences dans des structures d’ARN en l’absence de motifs A-minor. Nous en concluons que la topologie et la séquence associées représentent un bon signal pour la majorité des classes d’occurrences homologues étudiées.