Role of beta-1 integrin in tumor growth and dissemination

SUMMARY Cancer is one of the leading causes of disease-related mortality. In most cases, death is due to the spread of cells from the primary tumor to distant sites causing formation of metastases. To become tumorigenic, cells should acquire ability, including self-sufficiency in growth signals, insensitivity to anti-growth signals, resistance to apoptosis, sustained angiogenesis, limitless replicative potential and tissue invasion and metastasis. Tumor progression depends, in part on the relationship between tumor cells and host tissue stroma, characterized by changes of tumor cell adhesion to their microenvironment and activation of a variety of extracellular proteases that play a role in ECM degradation. integrins are adhesion proteins implicated in tumorigenesis. Their main function is to mediate cell adhesion to the ECM or to other cells and to create a link between the ECM and the cytoskeleton. Tumor cells like normal cells use integrins to attach to ECM, migrate into surrounding tissues and derive survival and growth signals. Integrin-dependent adhesion and migration are thought to play an important role in tumor dissemination. A strategy was designed to address the role of β1 integrin tumor growth and dissemination. Murine mammary carcinoma (TA3) cells were stably transfected with a soluble β1 integrin construct, which is anticipated to play a dominant negative role, being able to associate with different α-subunits expressed on the cell surface but unable to transduce signals to the nucleus. Results from studies based on soluble β1 integrin TA3 transfectants showed that 1) the integrin expression pattern at the cell surface changed with an induction of α2β1 and α5β1 heterodimers; 2) adhesion to collagens, especially collagen I was increased; 3) tumor dissemination after intrape-ritoneal injection in syngeneic mice was abolished and 4) local growth after orthotopic injection was maintained but delayed. Taken together, the data presented here suggest that β1 integrin plays a potentially important role in the regulation of tumor behavior. RESUME Le cancer est une des principales causes de mortalité suite à une maladie. Dans la plupart des cas, la mort est la conséquence de la dissémination de cellules, provenant de la tumeur primaire, dans des endroits distants et causant la formation de métastases. Afin de devenir cancéreuse, une cellule doit acquérir certaines capacités, telles qu'une auto-suffisance en facteurs de croissance, une insensibilité aux facteurs empêchant la croissance cellulaire, une résistance à l'apoptose, une angiogénèse soutenue, un potentiel de réplication illimité et une capacité à pénétrer dans les tissus et à former des colonies métastatiques. La progression d'une tumeur dépend, en partie, de la relation entre les cellules tumorales et les cellules tissulaires de l'hôte. Cette relation est caractérisée par des modifications des cellules tumorales quant à leur adhésion au microenvironnement et à l'activation de protéases qui permettent de dégrader la matrice extracellulaire. Les intégrines sont des protéines impliquées dans le développement tumoral. Leur fonction principale est de réguler l'adhésion des cellules à la matrice extracellulaire, ou à d'autres cellules, et de créer un lien entre cette matrice extracellulaire et le cytosquelette. Les cellules tumorales utilisent également les intégrines pour se lier à la matrice extracellulaire, pour migrer dans les tissus adjacents et pour induire des signaux de croissance et de survie. Ces événements d'adhésion et de migration, qui dépendent des intégrines, jouent un rôle primordial dans la dissémination des cellules cancéreuses. Une stratégie a été élaborée afin de définir le rôle de l'intégrine β1 durant la croissance et la dissémination des cellules tumorales. Des cellules provenant d'un carcinome de la glande mammaire (TA3) ont été transfectées de manière stable avec un vecteur contenant la séquence codante de la partie extracellulaire de l'intégrine β1. L'intégrine tronquée doit être capable de se lier aux sous-unités α exprimées à la surface de la cellule, mais doit être incapable de transmettre un signal à l'intérieur de la cellule. Les résultats obtenus avec les cellules TA3 transfectées contenant l'intégrine β1 soluble montrent que I) le répertoire d'expression des intégrines à la surface de la cellule a changé en faveur des hétérodimères α2β1 et α5β1; 2) l'adhésion aux collagènes, particulièrement au collagène de type I a augmenté; 3) la dissémination des cellules tumorales après une injection intrapéritonéale est empêchée; 4) la croissance tumorale après une injection orthotopique est conservée mais retardée. Ces résultats montrent que l'intégrine β1 joue un rôle primordial dans la régulation du comportement tumoral.

KCM, a general framework for codon-based model of evolution

With the advancement of high-throughput sequencing and dramatic increase of available genetic data, statistical modeling has become an essential part in the field of molecular evolution. Statistical modeling results in many interesting discoveries in the field, from detection of highly conserved or diverse regions in a genome to phylogenetic inference of species evolutionary history Among different types of genome sequences, protein coding regions are particularly interesting due to their impact on proteins. The building blocks of proteins, i.e. amino acids, are coded by triples of nucleotides, known as codons. Accordingly, studying the evolution of codons leads to fundamental understanding of how proteins function and evolve. The current codon models can be classified into three principal groups: mechanistic codon models, empirical codon models and hybrid ones. The mechanistic models grasp particular attention due to clarity of their underlying biological assumptions and parameters. However, they suffer from simplified assumptions that are required to overcome the burden of computational complexity. The main assumptions applied to the current mechanistic codon models are (a) double and triple substitutions of nucleotides within codons are negligible, (b) there is no mutation variation among nucleotides of a single codon and (c) assuming HKY nucleotide model is sufficient to capture essence of transition- transversion rates at nucleotide level. In this thesis, I develop a framework of mechanistic codon models, named KCM-based model family framework, based on holding or relaxing the mentioned assumptions. Accordingly, eight different models are proposed from eight combinations of holding or relaxing the assumptions from the simplest one that holds all the assumptions to the most general one that relaxes all of them. The models derived from the proposed framework allow me to investigate the biological plausibility of the three simplified assumptions on real data sets as well as finding the best model that is aligned with the underlying characteristics of the data sets. -- Avec l'avancement de séquençage à haut débit et l'augmentation dramatique des données géné¬tiques disponibles, la modélisation statistique est devenue un élément essentiel dans le domaine dé l'évolution moléculaire. Les résultats de la modélisation statistique dans de nombreuses découvertes intéressantes dans le domaine de la détection, de régions hautement conservées ou diverses dans un génome de l'inférence phylogénétique des espèces histoire évolutive. Parmi les différents types de séquences du génome, les régions codantes de protéines sont particulièrement intéressants en raison de leur impact sur les protéines. Les blocs de construction des protéines, à savoir les acides aminés, sont codés par des triplets de nucléotides, appelés codons. Par conséquent, l'étude de l'évolution des codons mène à la compréhension fondamentale de la façon dont les protéines fonctionnent et évoluent. Les modèles de codons actuels peuvent être classés en trois groupes principaux : les modèles de codons mécanistes, les modèles de codons empiriques et les hybrides. Les modèles mécanistes saisir une attention particulière en raison de la clarté de leurs hypothèses et les paramètres biologiques sous-jacents. Cependant, ils souffrent d'hypothèses simplificatrices qui permettent de surmonter le fardeau de la complexité des calculs. Les principales hypothèses retenues pour les modèles actuels de codons mécanistes sont : a) substitutions doubles et triples de nucleotides dans les codons sont négligeables, b) il n'y a pas de variation de la mutation chez les nucléotides d'un codon unique, et c) en supposant modèle nucléotidique HKY est suffisant pour capturer l'essence de taux de transition transversion au niveau nucléotidique. Dans cette thèse, je poursuis deux objectifs principaux. Le premier objectif est de développer un cadre de modèles de codons mécanistes, nommé cadre KCM-based model family, sur la base de la détention ou de l'assouplissement des hypothèses mentionnées. En conséquence, huit modèles différents sont proposés à partir de huit combinaisons de la détention ou l'assouplissement des hypothèses de la plus simple qui détient toutes les hypothèses à la plus générale qui détend tous. Les modèles dérivés du cadre proposé nous permettent d'enquêter sur la plausibilité biologique des trois hypothèses simplificatrices sur des données réelles ainsi que de trouver le meilleur modèle qui est aligné avec les caractéristiques sous-jacentes des jeux de données. Nos expériences montrent que, dans aucun des jeux de données réelles, tenant les trois hypothèses mentionnées est réaliste. Cela signifie en utilisant des modèles simples qui détiennent ces hypothèses peuvent être trompeuses et les résultats de l'estimation inexacte des paramètres. Le deuxième objectif est de développer un modèle mécaniste de codon généralisée qui détend les trois hypothèses simplificatrices, tandis que d'informatique efficace, en utilisant une opération de matrice appelée produit de Kronecker. Nos expériences montrent que sur un jeux de données choisis au hasard, le modèle proposé de codon mécaniste généralisée surpasse autre modèle de codon par rapport à AICc métrique dans environ la moitié des ensembles de données. En outre, je montre à travers plusieurs expériences que le modèle général proposé est biologiquement plausible.

Data-driven clustering : new methods and applications

Abstract : This work is concerned with the development and application of novel unsupervised learning methods, having in mind two target applications: the analysis of forensic case data and the classification of remote sensing images. First, a method based on a symbolic optimization of the inter-sample distance measure is proposed to improve the flexibility of spectral clustering algorithms, and applied to the problem of forensic case data. This distance is optimized using a loss function related to the preservation of neighborhood structure between the input space and the space of principal components, and solutions are found using genetic programming. Results are compared to a variety of state-of--the-art clustering algorithms. Subsequently, a new large-scale clustering method based on a joint optimization of feature extraction and classification is proposed and applied to various databases, including two hyperspectral remote sensing images. The algorithm makes uses of a functional model (e.g., a neural network) for clustering which is trained by stochastic gradient descent. Results indicate that such a technique can easily scale to huge databases, can avoid the so-called out-of-sample problem, and can compete with or even outperform existing clustering algorithms on both artificial data and real remote sensing images. This is verified on small databases as well as very large problems. Résumé : Ce travail de recherche porte sur le développement et l'application de méthodes d'apprentissage dites non supervisées. Les applications visées par ces méthodes sont l'analyse de données forensiques et la classification d'images hyperspectrales en télédétection. Dans un premier temps, une méthodologie de classification non supervisée fondée sur l'optimisation symbolique d'une mesure de distance inter-échantillons est proposée. Cette mesure est obtenue en optimisant une fonction de coût reliée à la préservation de la structure de voisinage d'un point entre l'espace des variables initiales et l'espace des composantes principales. Cette méthode est appliquée à l'analyse de données forensiques et comparée à un éventail de méthodes déjà existantes. En second lieu, une méthode fondée sur une optimisation conjointe des tâches de sélection de variables et de classification est implémentée dans un réseau de neurones et appliquée à diverses bases de données, dont deux images hyperspectrales. Le réseau de neurones est entraîné à l'aide d'un algorithme de gradient stochastique, ce qui rend cette technique applicable à des images de très haute résolution. Les résultats de l'application de cette dernière montrent que l'utilisation d'une telle technique permet de classifier de très grandes bases de données sans difficulté et donne des résultats avantageusement comparables aux méthodes existantes.