Avancées recentes dans le traitement des carcinomes corticosurrénaliens [Recent advances in the treatment of adrenocortical carcinomas].

Adrenocortical carcinomas are rare and aggressive malignant tumors, with an incidence of 1 to 2 cases per million inhabitants. Their diagnosis is made in three clinical situations: during the work up of a syndrome of hormonal hypersecretion, during the work up of locoregional symptoms, or incidentally during an unrelated radiological procedure. Surgery is usually indicated except in situations of advanced metastatic disease. Adjuvant chemotherapy with mitotane is associated with a significant increase in disease-free survival when the drug is administered at adequate therapeutic dosage. Novel anti-mitotic therapies have recently been described for treating recurrent adrenocortical carcinoma under mitotane treatment, but their overall efficacy remains unsatisfactory.

Genetic variability in Arbuscular Mycorrhizal Fungi : effect on gene transcription of "Oryza Sativa"

AbstractArbuscular Mycorrhizal Fungi (AMF) form obligate symbioses with the majority of land plants. These fungi influence the diversity and productivity of plants. AMF are unusual organisms, harbouring genetically different nuclei in a common cytoplasm (known as heterokaryosis). Genetic variability has been shown between AMF individuals coming from the same population. Recent findings showed that genetic exchange between genetically different AMF individuals was possible. Additionnaly, segregation was shown to occur at spore formation in AMF. These two processes were shown to increase genetic variability between AMF individuals.Because of the difficulty to study these organisms, almost nothing is known about the effect of intra-specific genetic variability in AMF on the plant transcriptome. The aim of this thesis was to bring insights into the effect of intra-specific genetic variability in AMF on plant gene transcription. We demonstrated that genetic exchange could influence expression of some symbiosis specific plant genes and the timing of the colonization of the fungi in plant roots. We also showed that segregation could have a large impact on plant gene transcription. Taken together, these results demonstrated that AMF intra-specific variability could profoundly affect the life of plants by altering various molecular pathways. Moreover, results obtained on rice open a field of research on AMF genetics in impromvment of growth in agricultural plants and should be taken into account for future experiments.RésuméLes champignons endomycorhiziens arbusculaires (CEA) forment une symbiose obligatoire avec la majorité des plantes sur terre. Ces champignons peuvent influencer la diversité et la productivité des plantes avec lesquelles ils forment la symbiose. Les CEA sont des organismes particuliers de part le fait qu'ils possèdent des noyaux génétiquement différents (appelés hétérocaryosis) dans un cytoplasme commun. Il a été montré qu'il existait de la variabilité génétique intra-specific chez les CEA. De plus, des études recentes ont montré que l'échange génétique chez les CEA était possible entre des individus génétiquement différents tout comme la ségrégation qui a aussi été démontrée au moment de la formation des nouvelles spores chez les CEA. Ces deux processus ont été montrés comme pouvant créer aussi de la variabilité génétique intra-specific.Du fait de la difficulté de travailler avec les CEA et à cause de la nouveauté de ces recherches, très peu de choses sont connues sur l'effet de l'échange génétique et de la ségrégation chez les CEA sur les plantes, et particulièrement au niveau moléculaire. Le but de cette thèse a été d'apporter la lumière sur les effets de la viariabilité génétique intra-specific chez les CEA, sur la transcription des gènes chez la plante. Nous avons pu montrer que l'échange génétique pouvait avoir des effets sur l'expression de gènes spécifiques à cette symbiose mais aussi pouvait influencer le timing de colonisation des racines de plantes par les CEA. Nous avons aussi montré que la ségrégation pouvait grandement influencer le transcriptome complet de la plante, et pas seulement les voies métaboliques spécifiques à la symbiose comme cela avait été montré auparavant.L'ensemble de ces résultats démontre l'importance de la variation intra-specific chez les CEA sur les plantes et leur implication sur leur cycle de vie en changeant l'expression de voies métaboliques. De plus, ces résultats obtenus sur le riz ouvrent un champ de recherches sur les plantes destinées à l'agriculture et devraient être pris en compte pour des expériences futures.

Advanced Kernel Methods For Remote Sensing Image Classification

Résumé Suite aux recentes avancées technologiques, les archives d'images digitales ont connu une croissance qualitative et quantitative sans précédent. Malgré les énormes possibilités qu'elles offrent, ces avancées posent de nouvelles questions quant au traitement des masses de données saisies. Cette question est à la base de cette Thèse: les problèmes de traitement d'information digitale à très haute résolution spatiale et/ou spectrale y sont considérés en recourant à des approches d'apprentissage statistique, les méthodes à noyau. Cette Thèse étudie des problèmes de classification d'images, c'est à dire de catégorisation de pixels en un nombre réduit de classes refletant les propriétés spectrales et contextuelles des objets qu'elles représentent. L'accent est mis sur l'efficience des algorithmes, ainsi que sur leur simplicité, de manière à augmenter leur potentiel d'implementation pour les utilisateurs. De plus, le défi de cette Thèse est de rester proche des problèmes concrets des utilisateurs d'images satellite sans pour autant perdre de vue l'intéret des méthodes proposées pour le milieu du machine learning dont elles sont issues. En ce sens, ce travail joue la carte de la transdisciplinarité en maintenant un lien fort entre les deux sciences dans tous les développements proposés. Quatre modèles sont proposés: le premier répond au problème de la haute dimensionalité et de la redondance des données par un modèle optimisant les performances en classification en s'adaptant aux particularités de l'image. Ceci est rendu possible par un système de ranking des variables (les bandes) qui est optimisé en même temps que le modèle de base: ce faisant, seules les variables importantes pour résoudre le problème sont utilisées par le classifieur. Le manque d'information étiquétée et l'incertitude quant à sa pertinence pour le problème sont à la source des deux modèles suivants, basés respectivement sur l'apprentissage actif et les méthodes semi-supervisées: le premier permet d'améliorer la qualité d'un ensemble d'entraînement par interaction directe entre l'utilisateur et la machine, alors que le deuxième utilise les pixels non étiquetés pour améliorer la description des données disponibles et la robustesse du modèle. Enfin, le dernier modèle proposé considère la question plus théorique de la structure entre les outputs: l'intègration de cette source d'information, jusqu'à présent jamais considérée en télédétection, ouvre des nouveaux défis de recherche. Advanced kernel methods for remote sensing image classification Devis Tuia Institut de Géomatique et d'Analyse du Risque September 2009 Abstract The technical developments in recent years have brought the quantity and quality of digital information to an unprecedented level, as enormous archives of satellite images are available to the users. However, even if these advances open more and more possibilities in the use of digital imagery, they also rise several problems of storage and treatment. The latter is considered in this Thesis: the processing of very high spatial and spectral resolution images is treated with approaches based on data-driven algorithms relying on kernel methods. In particular, the problem of image classification, i.e. the categorization of the image's pixels into a reduced number of classes reflecting spectral and contextual properties, is studied through the different models presented. The accent is put on algorithmic efficiency and the simplicity of the approaches proposed, to avoid too complex models that would not be used by users. The major challenge of the Thesis is to remain close to concrete remote sensing problems, without losing the methodological interest from the machine learning viewpoint: in this sense, this work aims at building a bridge between the machine learning and remote sensing communities and all the models proposed have been developed keeping in mind the need for such a synergy. Four models are proposed: first, an adaptive model learning the relevant image features has been proposed to solve the problem of high dimensionality and collinearity of the image features. This model provides automatically an accurate classifier and a ranking of the relevance of the single features. The scarcity and unreliability of labeled. information were the common root of the second and third models proposed: when confronted to such problems, the user can either construct the labeled set iteratively by direct interaction with the machine or use the unlabeled data to increase robustness and quality of the description of data. Both solutions have been explored resulting into two methodological contributions, based respectively on active learning and semisupervised learning. Finally, the more theoretical issue of structured outputs has been considered in the last model, which, by integrating outputs similarity into a model, opens new challenges and opportunities for remote sensing image processing.