New insights into small molecules inhibitors and protein-protein interactions of VirB8 : a critical conserved component of the type IV secretion system.

Les systèmes bactériens de sécrétion de type IV (T4SS) sont constitués d’un ensemble de 8 à 12 protéines conservées. Ces dernières sont utilisées lors de la translocation de protéines, la translocation de complexes ADN-protéines mais aussi pour le transport de ces derniers au travers de la membrane cellulaire. Les T4SS, en tant que facteurs de virulence pour beaucoup de pathogènes comme Brucella suis, sont donc d’excellents modèles cibles pour le développement de médicaments d’antivirulence. Ces médicaments, en privant le pathogène de son facteur essentiel de virulence : le T4SS, constituent une alternative ou encore une amélioration des traitements antibiotiques utilisés actuellement. VirB8, un facteur d’assemblage conservé dans le T4SS, forme des dimères qui sont importants pour la fonction des T4SS dans ces pathogènes. De par ses interactions multiples, VirB8 est un excellent modèle pour l’analyse des facteurs d’assemblage mais aussi en tant que cible de médicaments qui empêcheraient son interaction avec d’autres protéines et qui, in fine, désarmeraient les bactéries en les privant de leur fonctions essentielles de virulence. À ce jour, nous savons qu’il existe un équilibre monomère-dimère et un processus d’homodimerization de VirB8 dont l’importance est vitale pour la fonctionnement biologique des T4SSs. En se basant sur des essais quantitatifs d’interaction, nous avons identifié (i) des sites potentiels d’interaction avec d’autres protéines VirB du T4SS mais aussi (ii) isolé des petites molécules inhibitrices afin de tester la fonction protéique de VirB8. Afin de déterminer les acides aminés importants pour l’hétérodimérization de VirB8 avec VirB10, nous avons effectué des expériences de mutagenèse aléatoire, de phage display et d’arrimage moléculaire in silico. Ces expériences ont démontré l’importance de trois acides aminés localisés sur le feuillet β : R160, S162, T164 et I165. Ces derniers seraient importants pour l’association de VirB8 avec VirB10 étant donné que leur mutagenèse entraine une diminution de la formation du complexe VirB8-VirB10. L’objectif actuel de notre projet de recherche est de pouvoir mieux comprendre mais aussi d’évaluer le rôle de VirB8 dans l’assemblage du T4SS. Grace à un méthode de criblage adaptée à partir de la structure de VirB8, nous avons pu identifié une petite molécule inhibitrice BAR-068, qui aurait un rôle prometteur dans l’inhibition du T4SS. Nous avons utilisé la spectroscopie par fluorescence, l’essai à deux hybrides, le cross-linking et la cristallographie afin de déterminer le mécanisme d'interaction existant entre VirB8 et BAR-068. Ces travaux pourraient permettre de nombreuses avancées, notamment en termes de compréhension des mécanismes d’inhibition du T4SS. Notre objectif ultime est de pouvoir caractériser la séquence d’évènements essentiels à l’assemblage et au fonctionnement du T4SS. De manière globale, notre projet de recherche permettrait de révéler les grands principes d’assemblage des protéines membranaires, les processus de sécrétion de protéines chez les bactéries mais aussi de proposer une nouvelle stratégie lors du développement de drogues antimicrobiennes.

Dynamic Programming Approaches for Estimating and Applying Large-scale Discrete Choice Models

People go through their life making all kinds of decisions, and some of these decisions affect their demand for transportation, for example, their choices of where to live and where to work, how and when to travel and which route to take. Transport related choices are typically time dependent and characterized by large number of alternatives that can be spatially correlated. This thesis deals with models that can be used to analyze and predict discrete choices in large-scale networks. The proposed models and methods are highly relevant for, but not limited to, transport applications. We model decisions as sequences of choices within the dynamic discrete choice framework, also known as parametric Markov decision processes. Such models are known to be difficult to estimate and to apply to make predictions because dynamic programming problems need to be solved in order to compute choice probabilities. In this thesis we show that it is possible to explore the network structure and the flexibility of dynamic programming so that the dynamic discrete choice modeling approach is not only useful to model time dependent choices, but also makes it easier to model large-scale static choices. The thesis consists of seven articles containing a number of models and methods for estimating, applying and testing large-scale discrete choice models. In the following we group the contributions under three themes: route choice modeling, large-scale multivariate extreme value (MEV) model estimation and nonlinear optimization algorithms. Five articles are related to route choice modeling. We propose different dynamic discrete choice models that allow paths to be correlated based on the MEV and mixed logit models. The resulting route choice models become expensive to estimate and we deal with this challenge by proposing innovative methods that allow to reduce the estimation cost. For example, we propose a decomposition method that not only opens up for possibility of mixing, but also speeds up the estimation for simple logit models, which has implications also for traffic simulation. Moreover, we compare the utility maximization and regret minimization decision rules, and we propose a misspecification test for logit-based route choice models. The second theme is related to the estimation of static discrete choice models with large choice sets. We establish that a class of MEV models can be reformulated as dynamic discrete choice models on the networks of correlation structures. These dynamic models can then be estimated quickly using dynamic programming techniques and an efficient nonlinear optimization algorithm. Finally, the third theme focuses on structured quasi-Newton techniques for estimating discrete choice models by maximum likelihood. We examine and adapt switching methods that can be easily integrated into usual optimization algorithms (line search and trust region) to accelerate the estimation process. The proposed dynamic discrete choice models and estimation methods can be used in various discrete choice applications. In the area of big data analytics, models that can deal with large choice sets and sequential choices are important. Our research can therefore be of interest in various demand analysis applications (predictive analytics) or can be integrated with optimization models (prescriptive analytics). Furthermore, our studies indicate the potential of dynamic programming techniques in this context, even for static models, which opens up a variety of future research directions.