Polyhydroxyalknoate synthesis in plants as a tool for biotechnology and basic studies of lipid metabolism.

Polyhydroxyalkanoates (PHAs) are polyesters of hydroxyacids naturally synthesized in bacteria as a carbon reserve. PHAs have properties of biodegradable thermoplastics and elastomers and their synthesis in crop plants is seen as an attractive system for the sustained production of large amounts of polymers at low cost. A variety of PHAs having different physical properties have now been synthesized in a number of transgenic plants, including Arabidopsis thaliana, rape and corn. This has been accomplished through the creation of novel metabolic pathways either in the cytoplasm, plastid or peroxisome of plant cells. Beyond its impact in biotechnology, PHA production in plants can also be used to study some fundamental aspects of plant metabolism. Synthesis of PHA can be used both as an indicator and a modulator of the carbon flux to pathways competing for common substrates, such as acetyl-coenzyme A in fatty acid biosynthesis or 3-hydroxyacyl-coenzyme A in fatty acid degradation. Synthesis of PHAs in plant peroxisome has been used to demonstrate changes in the flux of fatty acids to the beta-oxidation cycle in transgenic plants and mutants affected in lipid biosynthesis, as well as to study the pathway of degradation of unusual fatty acids.

Machine learning for geospatial data : algorithms, software tools and case studies

Résumé Cette thèse est consacrée à l'analyse, la modélisation et la visualisation de données environnementales à référence spatiale à l'aide d'algorithmes d'apprentissage automatique (Machine Learning). L'apprentissage automatique peut être considéré au sens large comme une sous-catégorie de l'intelligence artificielle qui concerne particulièrement le développement de techniques et d'algorithmes permettant à une machine d'apprendre à partir de données. Dans cette thèse, les algorithmes d'apprentissage automatique sont adaptés pour être appliqués à des données environnementales et à la prédiction spatiale. Pourquoi l'apprentissage automatique ? Parce que la majorité des algorithmes d'apprentissage automatiques sont universels, adaptatifs, non-linéaires, robustes et efficaces pour la modélisation. Ils peuvent résoudre des problèmes de classification, de régression et de modélisation de densité de probabilités dans des espaces à haute dimension, composés de variables informatives spatialisées (« géo-features ») en plus des coordonnées géographiques. De plus, ils sont idéaux pour être implémentés en tant qu'outils d'aide à la décision pour des questions environnementales allant de la reconnaissance de pattern à la modélisation et la prédiction en passant par la cartographie automatique. Leur efficacité est comparable au modèles géostatistiques dans l'espace des coordonnées géographiques, mais ils sont indispensables pour des données à hautes dimensions incluant des géo-features. Les algorithmes d'apprentissage automatique les plus importants et les plus populaires sont présentés théoriquement et implémentés sous forme de logiciels pour les sciences environnementales. Les principaux algorithmes décrits sont le Perceptron multicouches (MultiLayer Perceptron, MLP) - l'algorithme le plus connu dans l'intelligence artificielle, le réseau de neurones de régression généralisée (General Regression Neural Networks, GRNN), le réseau de neurones probabiliste (Probabilistic Neural Networks, PNN), les cartes auto-organisées (SelfOrganized Maps, SOM), les modèles à mixture Gaussiennes (Gaussian Mixture Models, GMM), les réseaux à fonctions de base radiales (Radial Basis Functions Networks, RBF) et les réseaux à mixture de densité (Mixture Density Networks, MDN). Cette gamme d'algorithmes permet de couvrir des tâches variées telle que la classification, la régression ou l'estimation de densité de probabilité. L'analyse exploratoire des données (Exploratory Data Analysis, EDA) est le premier pas de toute analyse de données. Dans cette thèse les concepts d'analyse exploratoire de données spatiales (Exploratory Spatial Data Analysis, ESDA) sont traités selon l'approche traditionnelle de la géostatistique avec la variographie expérimentale et selon les principes de l'apprentissage automatique. La variographie expérimentale, qui étudie les relations entre pairs de points, est un outil de base pour l'analyse géostatistique de corrélations spatiales anisotropiques qui permet de détecter la présence de patterns spatiaux descriptible par une statistique. L'approche de l'apprentissage automatique pour l'ESDA est présentée à travers l'application de la méthode des k plus proches voisins qui est très simple et possède d'excellentes qualités d'interprétation et de visualisation. Une part importante de la thèse traite de sujets d'actualité comme la cartographie automatique de données spatiales. Le réseau de neurones de régression généralisée est proposé pour résoudre cette tâche efficacement. Les performances du GRNN sont démontrées par des données de Comparaison d'Interpolation Spatiale (SIC) de 2004 pour lesquelles le GRNN bat significativement toutes les autres méthodes, particulièrement lors de situations d'urgence. La thèse est composée de quatre chapitres : théorie, applications, outils logiciels et des exemples guidés. Une partie importante du travail consiste en une collection de logiciels : Machine Learning Office. Cette collection de logiciels a été développée durant les 15 dernières années et a été utilisée pour l'enseignement de nombreux cours, dont des workshops internationaux en Chine, France, Italie, Irlande et Suisse ainsi que dans des projets de recherche fondamentaux et appliqués. Les cas d'études considérés couvrent un vaste spectre de problèmes géoenvironnementaux réels à basse et haute dimensionnalité, tels que la pollution de l'air, du sol et de l'eau par des produits radioactifs et des métaux lourds, la classification de types de sols et d'unités hydrogéologiques, la cartographie des incertitudes pour l'aide à la décision et l'estimation de risques naturels (glissements de terrain, avalanches). Des outils complémentaires pour l'analyse exploratoire des données et la visualisation ont également été développés en prenant soin de créer une interface conviviale et facile à l'utilisation. Machine Learning for geospatial data: algorithms, software tools and case studies Abstract The thesis is devoted to the analysis, modeling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense machine learning can be considered as a subfield of artificial intelligence. It mainly concerns with the development of techniques and algorithms that allow computers to learn from data. In this thesis machine learning algorithms are adapted to learn from spatial environmental data and to make spatial predictions. Why machine learning? In few words most of machine learning algorithms are universal, adaptive, nonlinear, robust and efficient modeling tools. They can find solutions for the classification, regression, and probability density modeling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well-suited to be implemented as predictive engines in decision support systems, for the purposes of environmental data mining including pattern recognition, modeling and predictions as well as automatic data mapping. They have competitive efficiency to the geostatistical models in low dimensional geographical spaces but are indispensable in high-dimensional geo-feature spaces. The most important and popular machine learning algorithms and models interesting for geo- and environmental sciences are presented in details: from theoretical description of the concepts to the software implementation. The main algorithms and models considered are the following: multi-layer perceptron (a workhorse of machine learning), general regression neural networks, probabilistic neural networks, self-organising (Kohonen) maps, Gaussian mixture models, radial basis functions networks, mixture density networks. This set of models covers machine learning tasks such as classification, regression, and density estimation. Exploratory data analysis (EDA) is initial and very important part of data analysis. In this thesis the concepts of exploratory spatial data analysis (ESDA) is considered using both traditional geostatistical approach such as_experimental variography and machine learning. Experimental variography is a basic tool for geostatistical analysis of anisotropic spatial correlations which helps to understand the presence of spatial patterns, at least described by two-point statistics. A machine learning approach for ESDA is presented by applying the k-nearest neighbors (k-NN) method which is simple and has very good interpretation and visualization properties. Important part of the thesis deals with a hot topic of nowadays, namely, an automatic mapping of geospatial data. General regression neural networks (GRNN) is proposed as efficient model to solve this task. Performance of the GRNN model is demonstrated on Spatial Interpolation Comparison (SIC) 2004 data where GRNN model significantly outperformed all other approaches, especially in case of emergency conditions. The thesis consists of four chapters and has the following structure: theory, applications, software tools, and how-to-do-it examples. An important part of the work is a collection of software tools - Machine Learning Office. Machine Learning Office tools were developed during last 15 years and was used both for many teaching courses, including international workshops in China, France, Italy, Ireland, Switzerland and for realizing fundamental and applied research projects. Case studies considered cover wide spectrum of the real-life low and high-dimensional geo- and environmental problems, such as air, soil and water pollution by radionuclides and heavy metals, soil types and hydro-geological units classification, decision-oriented mapping with uncertainties, natural hazards (landslides, avalanches) assessments and susceptibility mapping. Complementary tools useful for the exploratory data analysis and visualisation were developed as well. The software is user friendly and easy to use.

Mutation screening of the urocortin gene: identification of new single nucleotide polymorphisms and association studies with obesity in French Caucasians.

A linkage between obesity-related phenotypes and the 2p21-23 locus has been reported previously. The urocortin (UCN) gene resides at this interval, and its protein decreases appetite behavior, suggesting that UCN may be a candidate gene for susceptibility to obesity. We localized the UCN gene by radiation hybrid mapping, and the surrounding markers were genotyped in a collection of French families. Evidence for linkage was shown between the marker D2S165 and leptin levels (LOD score, 1.34; P = 0.006) and between D2S2247 and the z-score of body mass index (LOD score, 1.829; P = 0.0019). The gene was screened for SNPs in 96 obese patients. Four new variants were established. Two single nucleotide polymorphisms were located in the promoter (-535 A-->G, -286 G-->A), one in intron 1 (+31 C-->G), and one in the 3'-untranslated region (+34 C-->T). Association studies in cohorts of 722 unrelated obese and 381 control subjects and transmission disequilibrium tests, performed for the two frequent promoter polymorphisms, in 120 families (894 individuals) showed that no association was present between these variants and obesity, obesity-related phenotypes, and diabetes. Thus, our analyses of the genetic variations of the UCN gene suggest that, at least in French Caucasians, they do not represent a major cause of obesity.

Developmental critical period in genetic redox dysregulation: animal and human studies in schizophrenia

Converging evidence favors an abnormal susceptibility to oxidative stress in schizophrenia. Decreased levels of glutathione (GSH), the major cellular antioxidant and redox regulator, was observed in cerebrospinal-fluid and prefrontal cortex of patients. Importantly, abnormal GSH synthesis of genetic origin was observed: Two case-control studies showed an association with a GAG trinucleotide repeat (TNR) polymorphism in the GSH key synthesizing enzyme glutamate-cysteine-ligase (GCL) catalytic subunit (GCLC) gene. The most common TNR genotype 7/7 was more frequent in controls, whereas the rarest TNR genotype 8/8 was three times more frequent in patients. The disease associated genotypes (35% of patients) correlated with decreased GCLC protein, GCL activity and GSH content. Similar GSH system anomalies were observed in early psychosis patients. Such redox dysregulation combined with environmental stressors at specific developmental stages could underlie structural and functional connectivity anomalies. In pharmacological and knock-out (KO) models, GSH deficit induces anomalies analogous to those reported in patients. (a) morphology: spine density and GABA-parvalbumine immunoreactivity (PV-I) were decreased in anterior cingulate cortex. KO mice showed delayed cortical PV-I at PD10. This effect is exacerbated in mice with increased DA from PD5-10. KO mice exhibit cortical impairment in myelin and perineuronal net known to modulate PV connectivity. (b) physiology: In cultured neurons, NMDA response are depressed by D2 activation. In hippocampus, NMDA-dependent synaptic plasticity is impaired and kainate induced g-oscillations are reduced in parallel to PV-I. (c) cognition: low GSH models show increased sensitivity to stress, hyperactivity, abnormal object recognition, olfactory integration and social behavior. In a clinical study, GSH precursor N-acetyl cysteine (NAC) as add on therapy, improves the negative symptoms and decreases the side effects of antipsychotics. In an auditory oddball paradigm, NAC improves the mismatched negativity, an evoked potential related to pre-attention and to NMDA receptors function. In summary, clinical and experimental evidence converge to demonstrate that a genetically induced dysregulation of GSH synthesis combined with environmental insults in early development represent a major risk factor contributing to the development of schizophrenia

Combined transcriptomic and proteomic studies reveal non-canonical signaling functions in the jasmonate pathway

Abstract Lipid derived signals mediate many stress and defense responses in multicellular eukaryotes. Among these are the jasmonates, potently active signaling compounds in plants. Jasmonic acid (JA) and 12-oxo-phytodienoic acid (OPDA) are the two best known members of the large jasmonate family. This thesis further investigates their roles as signals using genomic and proteomic approaches. The study is based on a simple genetic model involving two key genes. The first is ALLENE OXIDE SYNTHASE (AOS), encoding the most important enzyme in generating jasmonates. The second is CORONATINE INSENSITIVE 1 (COI1), a gene involved in all currently documented canonical signaling responses. We asked the simple question: do null mutations in AOS and COI1 have analogous effects on the transcriptome ? We found that they do not. If most COI1-dependent genes were also AOS-dependent, the expression of a zinc-finger protein was AOS-dependent but was unaffected by the coi1-1 mutation. We thus supposed that a jasmonate member, most probably OPDA, can alter gene expression partially independently of COI1. Conversely, the expression of at least three genes, one of these is a protein kinase, was shown to be COI1-dependent but did not require a functional AOS protein. We conclude that a non-jasmonate signal might alter gene expression through COIL Proteomic comparison of coi1-1 and aos plants confirmed these observations and highlighted probable protein degradation processes controlled by jasmonates and COI1 in the wounded leaf. This thesis revealed new functions for COI1 and for AOS-generated oxylipins in the jasmonate signaling pathway. Résumé Les signaux dérivés d'acides gras sont des médiateurs de réponses aux stress et de la défense des eucaryotes multicellulaires. Parmi eux, les jasmonates sont de puissants composés de sig¬nalisation chez les plantes. L'acide jasmonique (JA) et l'acide 12-oxo-phytodienoïc (OPDA) sont les deux membres les mieux caractérisés de la grande famille des jasmonates. Cette thèse étudie plus profondément leurs rôles de signalisation en utilisant des approches génomique et protéomique. Cette étude est basée sur un modèle génétique simple n'impliquant que deux gènes. Le premier est PALLENE OXYDE SYNTHASE (AOS) qui encode l'enzyme la plus importante pour la fabrication des jasmonates. Le deuxième est CORONATINE INSENSITIVE 1 (COI1) qui est impliqué dans la totalité des réponses aux jasmonates connues à ce jour. Nous avons posé la question suivante : est-ce que les mutations nulles dans les gènes AOS et COI1 ont des effets analogues sur le transcriptome ? Nous avons trouvé que ce n'était pas le cas. Si la majorité des gènes dépendants de COI1 sont également dépendants d'AOS, l'expression d'un gène codant pour une protéine formée de doigts de zinc n'est pas affectée par la mutation de COI1 tout en étant dépendante d'AOS. Nous avons donc supposé qu'un membre de la famille des jasmonates, probablement OPDA, pouvait modifier l'expression de certains gènes indépendamment de COI1. Inversement, nous avons montré que, tout en étant dépendante de COI1, l'expression d'au moins trois gènes, dont un codant pour une protéine kinase, n'était pas affectée par l'absence d'une protéine AOS fonctionnelle. Nous en avons conclu qu'un signal autre qu'un jasmonate devait modifier l'expression de certains gènes à travers COI1. La comparaison par protéomique de plantes aos et coi1-1 a confirmé ces observations et a mis en évidence un probable processus de dégradation de protéines contrôlé par les jasmonates et COU_ Cette thèse a mis en avant de nouvelles fonctions pour COI1 et pour des oxylipines générées par AOS dans le cadre de la signalisation par les jasmonates.

Glutathione deficit in schizophrenia: strategies to increase glutathione levels in " in vitro " and clinical studies

Summary: Decrease in glutathione (GSH) levels was observed in cerebrospinal fluid, prefrontal cortex and post-mortem striatum of schizophrenia patients. Evidences suggest a defect in GSH synthesis at the levels of the rate-limiting synthesizing enzyme, glutamate cysteine ligase (GCL). Indeed, polymorphisms in the gene of the modifier subunit of GCL (GCLM) was shown to be associated with the disease in three different populations, GCLM gene expression is decreaséd in fibroblasts from patients and the increase in GCL activity induced by an oxidative stress is lower in patients' fibroblasts compared to controls. GSH being a major antioxydant and redox regulator, its presence is of high importance for protecting cells against oxidative stress. The aim of the present work was to use various substances to increase GSH levels by diverse strategies. Since the synthesizing enzyme GCL is defective, bypassing this enzyme was the first strategy we used. GSH ethyl ester (GSHEE), a membrane permeable analog of GSH, succeeded in replenishing GSH levels in cultured neurons and astrocytes previously depleted in GSH by L-buthionine-(S,R)-sulfoximine (BSO), an inhibitor of GCL. GSHEE also abolished dopamine-induced decrease of NMDA-mediated calcium response observed in BSO-treated neurons. y-Glutamylcysteine ethyl ester (GCSE), a membrane permeable analog of the product of GCL, increased GSH levels only in astrocytes. The second strategy was to boost the defective enzyme GCL. While quercetin (flavonoid) could increase GSH levels only in astrocytes, curcumin (polyphenol) and tertbutylhydroquinone (quinone) were successful in both neurons and astrocytes, via an increase in the gene expression of the two subunits of GCL and, consequently, an increase in the activity of the enzyme. However, FK506, an immunosupressant, was unefficient. Treating astrocytes from GCLM KO mice showed that the modulatory subunit is necessary for the action of the substances. Finally, since cysteine is the limiting precursor in the synthesis of GSH, we hypothesized that we could increase GSH levels by providing more of this precursor. N-acetyl-cysteine (NAC), a cysteine donor, was administered to schizophrenia patients, using adouble-blind and cross-over protocol. NAC significantly improved the mismatch negativity (MMN), a component of the auditory evoked potentials, thought to reflect selective current flowing through open, unblocked NMDA channels. Considering that NMDA function is reduced when GSH levels are low, increasing these levels with NAC could improve NMDA function as reflected by the improvement in the generation of the MMN. Résumé: Les taux de glutathion (GSH) dans le liquide céphalo-rachidien, le cortex préfrontal ainsi que le striatum post-mortem de patients schizophrènes, sont diminués. L'enzyme limitante dans la synthèse du GSH, la glutamyl-cysteine ligase (GCL), est défectueuse. En effet, des polymorphismes dans le gène de la sous-unité modulatrice de GCL (GCLM) sont associés à la maladie, l'expression du gène GCLM est diminuée dans les fibroblastes de patients et, lors d'un stress oxidative, l'augmentation de l'activité de GCL est plus faible chez les patients que chez les contrôles. Le GSH étant un important antioxydant et régulateur du status redox, sa présence est primordiale afin de protéger les cellules contre les stress oxydatifs. Au cours du présent travail, une variété de substances ont été utilisées dans le but d'augmenter les taux de GSH. Passer outre l'enzyme de synthèse GCL qui est défectueuse fut la première stratégie utilisée. L'éthylester de GSH (GSHEE), un analogue du GSH qui pénètre la membrane cellulaire, a augmenté les taux de GSH dans des neurones et des astrocytes déficitaires en GSH dû au L-buthionine-(S,R)-sulfoximine (BSO), un inhibiteur du GCL. Dans ces neurones, le GSHEE a aussi aboli la diminution de la réponse NMDA, induite parla dopamine. L'éthyl-ester de y-glutamylcysteine (GCEE), un analogue du produit de la GCL qui pénètre la membrane cellulaire, a augmenté les taux de GSH seulement dans les astrocytes. La seconde stratégie était d'augmenter l'activité de l'enzyme GCL. Tandis que la quercétine (flavonoïde) n'a pu augmenter les taux de GSH que dans les astrocytes, la curcumin (polyphénol) et le tert-butylhydroquinone (quinone) furent efficaces dans les deux types de cellules, via une augmentation de l'expression des gènes des deux sous-unités de GCL et de l'activité de l'enzyme. Le FK506 (immunosupresseur) n' a démontré aucune efficacité. Traiter des astrocytes provenant de souris GCLM KO a permis d'observer que la sous-unité modulatoire est nécessaire à l'action des substances. Enfin, puisque la cysteine est le substrat limitant dans la synthèse du GSH, fournir plus de ce présurseur pourrait augmenter les taux de GSH. Nacétyl-cystéine (NAC), un donneur de cystéine, a été administrée à des schizophrènes, lors d'une étude en double-aveugle et cross-over. NAC a amélioré le mismatch negativity (MMN), un composant des potentials évoqués auditifs, qui reflète le courant circulant via les canaux NMDA. Puisque la fonctionnalité des R-NMDA est diminuée lorsque les taux de GSH sont bas, augmenter ces taux avec NAC pourrait améliorer la fonction des R-NMDA, réflété par une augmentation de l'amplitude du MMN.