Secretory IgA and intestinal epithelial cells at the interface between homeostasis regulation and protection against infection

RESUME DESTINE A UN LARGE PUBLICL'intestin est le siège d'intenses agressions de la part de l'ensemble des aliments ingérés, de bactéries agressives dites pathogènes mais également de bactéries dites commensales peuplant naturellement les surfaces intestinales muqueuses. Pour faire face, notre organisme arbore de nombreux niveaux de protections tant physiques, chimiques, mécaniques mais aussi immunitaires. La présence d'un type particulier de cellules, les cellules épithéliales (IEC) assurant une protection physique, ainsi que la production d'anticorps spécialisés par le système immunitaire appelés immunoglobulines sécrétoires A (SlgA) servent conjointement de première ligne de défense contre ces agressions externes. Néanmoins, comment le dialogue s'articule entre ces deux partenaires reste incomplet.Nous avons donc décidé de mimer ces interactions en modélisant les surfaces muqueuses par une monocouche de cellules différenciées en laboratoire. Des souches bactériennes isolées de l'intestin humain seules ou associées à des SlgA non-spécifiques ont été mises au contact de ce modèle cellulaire nous permettant de conclure quant à la présence effective d'une modulation du dialogue bactérie/lEC impliquant une activation de la réponse cellulaire vers un état de tolérance mutuelle. De façon surprenante, nous avons par ailleurs mis en évidence un type d'interaction nouveau entre ces anticorps et ces bactéries. Une étude biochimique nous a permis de détailler un nouveau rôle des SlgA médié par les sucres présents à leur surface dans le maintien d'une relation pacifique avec les commensaux perpétuellement présents, relations qualifiées d'homésostase intestinale.Le rôle protecteur des SlgA a par ailleurs été abordé pour avoir une meilleure appréhension de leur impact au niveau cellulaire lors d'infection par Shigella flexneri, bactérie causant la Shigellose, diarrhée sanglante responsable de la mort de plus d'un million de personnes chaque année. Basée sur le même modèle cellulaire, cette étude nous a permis de démontrer une nouvelle entrée de ce pathogène directement via les IEC. La présence d'anticorps spécifiques à la surface des bactéries restreint leur champs d'action contre les cibles intracellulaires identifiées que sont les filaments soutenant le squelette de la cellule, les fibres d'actine ainsi que les jonctions serrées, réseaux de protéines clés des interactions entre cellules. Cette ouverture au niveau cellulaire apporte un nouvel élan quant à la compréhension du rôle protecteur des SlgA lors d'attaques de l'intestin, protection semblant dépendante d'une agrégation des bactéries.Pour finir, nous avons mis en évidence la détection directe par les cellules de la présence d'anticorps libres dans l'intestin ajoutant une nouvelle réplique dans le dialogue complexe entre ces deux piliers de l'équilibre intestinal que sont les SlgA et les cellules épithéliales.RESUMELa muqueuse intestinale est dotée d'un réseau complexe de protections physico-chimiques, mécaniques ou immunologiques. Associées à un système immunitaire omniprésent, les cellules épithéliales intestinales {IEC) bordant la lumière intestinale ont la double tâche de protéger l'intérieur de l'organisme stérile contre l'invasion et la dissémination d'agents pathogènes, et de maintenir une relation pacifique avec la flore intestinale, rôles également joués par les immunoglobulines sécrétoires A (SlgA), anticorps les plus abondamment présents à la surface des muqueuses. Tant les IEC que les SlgA sont ainsi décrites comme convergeant vers le même objectif ; néanmoins, les rouages de leurs interactions restent largement inconnus.Pour répondre à cette question, des monocouches épithéliales reconstituées in vitro ont été incubées avec des souches commensales telles que des Lactobacillus ou des Bifodobacteria, seules ou complexées avec des SlgA non-spécifiques, nous permettant de décrypter l'influence des SlgA sur la détection des bactéries par les IEC, favorisant l'adhésion bactérienne et la cohésion cellulaire, augmentant l'activation de la voie NF-κΒ ainsi que la sécrétion de la cytokine thymic stromal lymphopoietin contrairement à celle de médiateurs pro-inflammatoires qui reste inchangée. Par ailleurs, une interaction Fab-indépendante est suggérée dans l'interaction SlgA/bactéries. Comme une interaction de faible affinité a été décrite comme prenant naturellement place au niveau de l'intestin, nous avons donc disséqué les mécanismes sous- jacents en utilisant un large spectre de bactérie associés à des protéines soit recombinantes soit isolées à partir de colostrum, mettant en évidence un rôle crucial des N-glycanes présents sur la pièce sécrétoire et soulignant une nouvelle propriété des SlgA dans l'homéostase intestinale.Intrinsèquement liés aux caractéristiques des SlgA, nous nous sommes également focalisés sur leur rôle protecteur lors d'infection par l'enteropathogène Shigella flexneri reproduites in vitro sur des monocouches polarisées. Nous avons tout d'abord démontré une nouvelle porte d'entrée pour ce pathogène directement via les IEC. L'agrégation des bactéries par les SlgA confère aux cellules une meilleure résistance à l'infection, retardant croissance bactérienne et entrée cellulaire, affectant par ailleurs leur capacité à cibler le cytosquelette et les jonctions serrées. La formation de tels cargos détectés de façon biaisée par les IEC apparaît comme une explication plausible au maintien de la cohésion cellulaire médiée par les SlgA.Enfin, le retrotransport des SlgA à travers les IEC a été abordé soulignant une participation active de ces cellules dans la détection de l'environnement extérieur, les impliquant possiblement dans l'activation d'un état muqueux stable.Conjointement, ces résultats indiquent que les SlgA représentent l'un des éléments-clés à la surface de la muqueuse et soulignent la complexité du dialogue établi avec l'épithélium en vue du maintien d'un fragile équilibre intestinal.ABSTRACTThe intestinal mucosa is endowed with a complex protective network melting physiochemical, mechanical and immunological features. Beyond the ubiquitous intestinal immune system, intestinal epithelial cells (IEC) lying the mucosal surfaces have also the dual task to protect the sterile core against invasion and dissemination of pathogens, and maintain a peaceful relationship with commensal microorganisms, aims also achieved by the presence of high amounts of secretory immunoglobulins A (SlgA), the most abundant immunoglobulin present at mucosal surfaces. Both IEC and SlgA are thus described to converge toward the same goal but how their interplay is orchestrated is largely unknown.To address this question, in vitro reconstituted IEC monolayers were first apically incubated with commensal bacteria such as Lactobacillus or Bifodobacteria strains either alone or in complexes with non-specific SlgA. Favoring the bacterial adhesion and cellular cohesion, SlgA impacts on the cellular sensing of bacteria, increasing NF-κΒ activation, and leading to cytokine releases restricted to the thymic stromal lymphopoietin and unaffected expression of pro-inflammatory mediators. Of main interest, bacterial recognition by SlgA suggested a Fab-independent interaction. As this low affinity, called natural coating occurs in the intestine, we further dissected the underlying mechanisms using a larger spectrum of commensal strains associated with recombinant as well as colostrum-derived proteins and pinpointed a crucial role of N-glycans of the secretory component, emphasizing an underestimated role of carbohydrates and another properties of SlgA in mediating intestinal homeostasis.As mucosal protection is also anchored in SlgA and IEC features, we focused on the cellular role of SlgA. Using IEC apical infection by the enteropathogen Shigella flexneri, we have first demonstrated a new gate of entry for this pathogen directly via IEC. Specific SlgA bacterial aggregation conferred to the cells a better resistance to infection, delaying bacterial growth and cellular entry, affecting their ability to damage both the cytoskeleton and the tight junctions. Formation of such big cargos differentially detected by IEC appears as a plausible explanation sustaining at the cellular level the antibody-mediated mucosal protection.Finally, SlgA retrotransport across IEC has been tackled stressing an active IEC sensing of the external environment possibly involved in the steady-state mucosal activation.All together, these results indicate that SlgA represents one of the pivotal elements at mucosal surfaces highlighting the complexity of the dialogue established with the epithelium sustaining the fragile intestinal balance.The Intestinal mucosa is endowed with a complex protective network melting physiochemical, mechanical and immunological features. Beyond the ubiquitous intestinal immune system, intestinal epithelial cells (IEC) lying the mucosal surfaces have also the dual task to protect the sterile core against invasion and dissemination of pathogens, and maintain a peaceful relationship with commensal microorganisms, aims also achieved by the presence of high amounts of secretory immunoglobulins A (SlgA), the most abundant immunoglobulin present at mucosal surfaces. Both IEC and SlgA are thus described to converge toward the same goal but how their interplay is orchestrated is largely unknown.To address this question, in vitro reconstituted IEC monolayers were first apically incubated with commensal bacteria such as Lactobacillus or Bifodobacteria strains either alone or in complexes with non-specific SlgA. Favoring the bacterial adhesion and cellular cohesion, SlgA impacts on the cellular sensing of bacteria, increasing NF-κΒ activation, and leading to cytokine releases restricted to the thymic stromal lymphopoietin and unaffected expression of pro-inflammatory mediators. Of main interest, bacterial recognition by SlgA suggested a Fab-independent interaction. As this low affinity, called natural coating occurs in the intestine, we further dissected the underlying mechanisms using a larger spectrum of commensal strains associated with recombinant as well as colostrum-derived proteins and pinpointed a crucial role of N-glycans of the secretory component, emphasizing an underestimated role of carbohydrates and another properties of SlgA in mediating intestinal homeostasis.As mucosal protection is also anchored in SlgA and IEC features, we focused on the cellular role of SlgA. Using IEC apical infection by the enteropathogen Shigella flexneri, we have first demonstrated a new gate of entry for this pathogen directly via IEC. Specific SlgA bacterial aggregation conferred to the cells a better resistance to infection, delaying bacterial growth and cellular entry, affecting their ability to damage both the cytoskeleton and the tight junctions. Formation of such big cargos differentially detected by IEC appears as a plausible explanation sustaining at the cellular level the antibody-mediated mucosal protection.Finally, SlgA retrotransport across IEC has been tackled stressing an active IEC sensing of the external environment possibly involved in the steady-state mucosal activation.All together, these results indicate that SlgA represents one of the pivotal elements at mucosal surfaces highlighting the complexity of the dialogue established with the epithelium sustaining the fragile intestinal balance.

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.

Geospatial approach for defining the Wildland-Urban Interface in the Alpine environment

Problems related to fire hazard and fire management have become in recent decades one of the most relevant issues in the Wildland-Urban Interface (WUI), that is the area where human infrastructures meet or intermingle with natural vegetation. In this paper we develop a robust geospatial method for defining and mapping the WUI in the Alpine environment, where most interactions between infrastructures and wildland vegetation concern the fire ignition through human activities, whereas no significant threats exist for infrastructures due to contact with burning vegetation. We used the three Alpine Swiss cantons of Ticino, Valais and Grisons as the study area. The features representing anthropogenic infrastructures (urban or infrastructural components of the WUI) as well as forest cover related features (wildland component of the WUI) were selected from the Swiss Topographic Landscape Model (TLM3D). Georeferenced forest fire occurrences derived from the WSL Swissfire database were used to define suitable WUI interface distances. The Random Forest algorithm was applied to estimate the importance of predictor variables to fire ignition occurrence. This revealed that buildings and drivable roads are the most relevant anthropogenic components with respect to fire ignition. We consequently defined the combination of drivable roads and easily accessible (i.e. 100 m from the next drivable road) buildings as the WUI-relevant infrastructural component. For the definition of the interface (buffer) distance between WUI infrastructural and wildland components, we computed the empirical cumulative distribution functions (ECDF) of the percentage of ignition points (observed and simulated) arising at increasing distances from the selected infrastructures. The ECDF facilitates the calculation of both the distance at which a given percentage of ignition points occurred and, in turn, the amount of forest area covered at a given distance. Finally, we developed a GIS ModelBuilder routine to map the WUI for the selected buffer distance. The approach was found to be reproducible, robust (based on statistical analyses for evaluating parameters) and flexible (buffer distances depending on the targeted final area covered) so that fire managers may use it to detect WUI according to their specific priorities.

Prototype of a web-based participative decision support platform in natural hazards and risk management

This paper presents the current state and development of a prototype web-GIS (Geographic Information System) decision support platform intended for application in natural hazards and risk management, mainly for floods and landslides. This web platform uses open-source geospatial software and technologies, particularly the Boundless (formerly OpenGeo) framework and its client side software development kit (SDK). The main purpose of the platform is to assist the experts and stakeholders in the decision-making process for evaluation and selection of different risk management strategies through an interactive participation approach, integrating web-GIS interface with decision support tool based on a compromise programming approach. The access rights and functionality of the platform are varied depending on the roles and responsibilities of stakeholders in managing the risk. The application of the prototype platform is demonstrated based on an example case study site: Malborghetto Valbruna municipality of North-Eastern Italy where flash floods and landslides are frequent with major events having occurred in 2003. The preliminary feedback collected from the stakeholders in the region is discussed to understand the perspectives of stakeholders on the proposed prototype platform.