Caractérisation de l’activité transcriptionnelle antivirale et immunorégulatrice dépendante de STAT2 et IRF9, mais indépendante de STAT1, induite par la costimulation par TNF

Les cellules épithéliales pulmonaires constituent la première ligne de défense face aux virus respiratoires via la sécrétion de mucus, de peptides, de cytokines et chimiokines qui déterminent l'élimination ou la progression de l’infection. Les principales cytokines antivirales produites par les cellules épithéliales alvéolaires (AEC) sont les interférons (IFN) type I (α/β) et III (λ). La liaison d’IFNβ à son récepteur induit une voie antivirale bien caractérisée qui aboutit à l’activation du complexe ISGF3 (STAT1, STAT2 et IRF9) qui permet la transcription de multiples gènes codant pour des protéines à activité antivirale et immunorégulatrice. Il a récemment été démontré que la costimulation des cellules épithéliales pulmonaires par l’IFNβ et le Tumor Necrosis Factor α (TNFα), également produit lors d’une infection, synergisent pour induire un état antiviral tardif distinct. D’autre part, il a été montré que la synergie entre le TNFα et l'IFNβ induit une voie de signalisation impliquant STAT2 et IRF9, mais indépendante de STAT1 permettant l’expression du gène DUOX2. Notre but est de déterminer l’importance de cette nouvelle voie de signalisation induite par la costimulation du TNFα+IFNβ, impliquant STAT2 et IRF9 indépendamment de STAT1 dans la régulation d’un programme transcriptionnel antiviral et immunorégulateur tardif. Notre premier objectif est de déterminer si des gènes antiviraux et immunorégulateurs qui sont induits par la costimulation par TNFα+IFNβ sont dépendants de la voie STAT2/IRF9, indépendamment de STAT1. En utilisant la technique de qRT-PCR, nous avons identifié 3 gènes immunorégulateurs, CXCL10, IDO et APOBEC3G, induits de manière synergique en réponse à TNFα+IFNβ dans les cellules A549, un modèle de cellules épithéliales pulmonaires. Afin de confirmer que ces gènes sont induits indépendamment de STAT1, nous avons validé leur expression dans la lignée cellulaire U3A déficiente en STAT1. Par l'utilisation d'ARN interférants (ARNi) dirigés contre STAT2 et IRF9, nous avons confirmé que l’induction de ces gènes est dépendante de STAT2 et IRF9. Finalement, l’analyse de l’activité du promoteur de CXCL10 en réponse à TNFα+IFNβ par des essais rapporteurs luciférases a permis de montrer que la régulation se fait au niveau transcriptionnel. Notre deuxième objectif, est de déterminer si STAT6 pourrait remplacer STAT1 dans la voie de signalisation induite par TNFα+IFNβ. En effet, STAT6 est un inducteur connu de l’expression de DUOX2 en réponse à IL4+IL13. Contrairement à notre hypothèse, l’inhibition de STAT6 par ARNi augmente l’expression de DUOX2 en réponse à TNFα+IFNβ suggérant que STAT6 est un régulateur négatif. Nos résultats ont permis de comprendre de manière plus détaillée les mécanismes mis en place dans le développement d’une réponse antivirale. D’autre part, l’étude de l’effet de l’IFNβ et du TNFα est également pertinente pour les maladies chroniques inflammatoires et autoimmunes. De plus, nos résultats illustrent un nouveau paradigme concernant les mécanismes de signalisation cellulaire impliqués dans la synergie entre deux cytokines qui pourrait être applicable à des combinaisons de cytokines autres que TNFα+IFNβ.

Designing Regularizers and Architectures for Recurrent Neural Networks

Cette thèse contribue a la recherche vers l'intelligence artificielle en utilisant des méthodes connexionnistes. Les réseaux de neurones récurrents sont un ensemble de modèles séquentiels de plus en plus populaires capable en principe d'apprendre des algorithmes arbitraires. Ces modèles effectuent un apprentissage en profondeur, un type d'apprentissage machine. Sa généralité et son succès empirique en font un sujet intéressant pour la recherche et un outil prometteur pour la création de l'intelligence artificielle plus générale. Le premier chapitre de cette thèse donne un bref aperçu des sujets de fonds: l'intelligence artificielle, l'apprentissage machine, l'apprentissage en profondeur et les réseaux de neurones récurrents. Les trois chapitres suivants couvrent ces sujets de manière de plus en plus spécifiques. Enfin, nous présentons quelques contributions apportées aux réseaux de neurones récurrents. Le chapitre \ref{arxiv1} présente nos travaux de régularisation des réseaux de neurones récurrents. La régularisation vise à améliorer la capacité de généralisation du modèle, et joue un role clé dans la performance de plusieurs applications des réseaux de neurones récurrents, en particulier en reconnaissance vocale. Notre approche donne l'état de l'art sur TIMIT, un benchmark standard pour cette tâche. Le chapitre \ref{cpgp} présente une seconde ligne de travail, toujours en cours, qui explore une nouvelle architecture pour les réseaux de neurones récurrents. Les réseaux de neurones récurrents maintiennent un état caché qui représente leurs observations antérieures. L'idée de ce travail est de coder certaines dynamiques abstraites dans l'état caché, donnant au réseau une manière naturelle d'encoder des tendances cohérentes de l'état de son environnement. Notre travail est fondé sur un modèle existant; nous décrivons ce travail et nos contributions avec notamment une expérience préliminaire.