Brain tumor and brain endothelial cells' response to ionizing radiation and phytochemical treatments

Le glioblastome multiforme (GBM) représente la tumeur cérébrale primaire la plus agressive et la plus vascularisée chez l’adulte. La survie médiane après le diagnostic est de moins d’un an en l’absence de traitement. Malheureusement, 90% des patients traités avec de la radiothérapie après la résection chirurgicale d’un GBM développent une récidive tumorale. Récemment, le traitement des GBM avec radiothérapie et témozolomide, un agent reconnu pour ses propriétés antiangiogéniques, a permis de prolonger la survie médiane à 14,6 mois. Des efforts sont déployés pour identifier des substances naturelles capables d’inhiber, de retarder ou de renverser le processus de carcinogenèse. Epigallocatechin-3-gallate (EGCG), un polyphénol retrouvé dans le thé vert, est reconnu pour ses propriétés anticancéreuses et antiangiogéniques. L’EGCG pourrait sensibiliser les cellules tumorales cérébrales et les cellules endothéliales dérivées des tumeurs aux traitements conventionnels. Le chapitre II décrit la première partie de ce projet de doctorat. Nous avons tenté de déterminer si l’EGCG pourrait sensibiliser la réponse des GBM à l’irradiation (IR) et si des marqueurs moléculaires spécifiques sont impliqués. Nous avons documenté que les cellules U-87 étaient relativement radiorésistantes et que Survivin, une protéine inhibitrice de l’apoptose, pourrait être impliquée dans la radiorésistance des GBM. Aussi, nous avons démontré que le pré-traitement des cellules U-87 avec de l’EGCG pourrait annuler l’effet cytoprotecteur d’une surexpression de Survivin et potentialiser l’effet cytoréducteur de l’IR. Au chapitre III, nous avons caractérisé l’impact de l’IR sur la survie de cellules endothéliales microvasculaires cérébrales humaines (HBMEC) et nous avons déterminé si l’EGCG pouvait optimiser cet effet. Bien que les traitements individuels avec l’EGCG et l’IR diminuaient la survie des HBMEC, le traitement combiné diminuait de façon synergique la survie cellulaire. Nous avons documenté que le traitement combiné augmentait la mort cellulaire, plus spécifiquement la nécrose. Au chapitre IV, nous avons investigué l’impact de l’IR sur les fonctions angiogéniques des HBMEC résistantes à l’IR, notamment la prolifération cellulaire, la migration cellulaire en présence de facteurs de croissance dérivés des tumeurs cérébrales, et la capacité de tubulogenèse. La voie de signalisation des Rho a aussi été étudiée en relation avec les propriétés angiogéniques des HBMEC radiorésistantes. Nos données suggèrent que l’IR altère significativement les propriétés angiogéniques des HBMEC. La réponse aux facteurs importants pour la croissance tumorale et l’angiogenèse ainsi que la tubulogenèse sont atténuées dans ces cellules. En conclusion, ce projet de doctorat confirme les propriétés cytoréductrices de l’IR sur les gliomes malins et propose un nouveau mécanisme pour expliquer la radiorésistance des GBM. Ce projet documente pour la première fois l’effet cytotoxique de l’IR sur les HBMEC. Aussi, ce projet reconnaît l’existence de HBMEC radiorésistantes et caractérise leurs fonctions angiogéniques altérées. La combinaison de molécules naturelles anticancéreuses et antiangiogéniques telles que l’EGCG avec de la radiothérapie pourrait améliorer l’effet de l’IR sur les cellules tumorales et sur les cellules endothéliales associées, possiblement en augmentant la mort cellulaire. Cette thèse supporte l’intégration de nutriments avec propriétés anticancéreuses et antiangiogéniques dans le traitement des gliomes malins pour sensibiliser les cellules tumorales et endothéliales aux traitements conventionnels.

Haplotype analysis suggest common founders in carriers of the recurrent BRCA2 mutation, 3398delAAAAG, in French Canadian hereditary breast and/ovarian cancer families

Affiliation: Faculté de médicine, Université de Montréal

RNA recurrent motifs : identification and characterization

La détermination de la structure tertiaire du ribosome fut une étape importante dans la compréhension du mécanisme de la synthèse des protéines. Par contre, l’élucidation de la structure du ribosome comme tel ne permet pas une compréhension de sa fonction. Pour mieux comprendre la nature des relations entre la structure et la fonction du ribosome, sa structure doit être étudiée de manière systématique. Au cours des dernières années, nous avons entrepris une démarche systématique afin d’identifier et de caractériser de nouveaux motifs structuraux qui existent dans la structure du ribosome et d’autres molécules contenant de l’ARN. L’analyse de plusieurs exemples d’empaquetage de deux hélices d’ARN dans la structure du ribosome nous a permis d’identifier un nouveau motif structural, nommé « G-ribo ». Dans ce motif, l’interaction d’une guanosine dans une hélice avec le ribose d’un nucléotide d’une autre hélice donne naissance à un réseau d’interactions complexes entre les nucléotides voisins. Le motif G-ribo est retrouvé à 8 endroits dans la structure du ribosome. La structure du G-ribo possède certaines particularités qui lui permettent de favoriser la formation d’un certain type de pseudo-nœuds dans le ribosome. L’analyse systématique de la structure du ribosome et de la ARNase P a permis d’identifier un autre motif structural, nommé « DTJ » ou « Double-Twist Joint motif ». Ce motif est formé de trois courtes hélices qui s’empilent l’une sur l’autre. Dans la zone de contact entre chaque paire d’hélices, deux paires de bases consécutives sont surenroulées par rapport à deux paires de bases consécutives retrouvées dans l’ARN de forme A. Un nucléotide d’une paire de bases est toujours connecté directement à un nucléotide de la paire de bases surenroulée, tandis que les nucléotides opposés sont connectés par un ou plusieurs nucléotides non appariés. L’introduction d’un surenroulement entre deux paires de bases consécutives brise l’empilement entre les nucléotides et déstabilise l’hélice d’ARN. Dans le motif DTJ, les nucléotides non appariés qui lient les deux paires de bases surenroulées interagissent avec une des trois hélices qui forment le motif, offrant ainsi une stratégie élégante de stabilisation de l’arrangement. Pour déterminer les contraintes de séquences imposées sur la structure tertiaire d’un motif récurrent dans le ribosome, nous avons développé une nouvelle approche expérimentale. Nous avons introduit des librairies combinatoires de certains nucléotides retrouvés dans des motifs particuliers du ribosome. Suite à l’analyse des séquences alternatives sélectionnées in vivo pour différents représentants d’un motif, nous avons été en mesure d’identifier les contraintes responsables de l’intégrité d’un motif et celles responsables d’interactions avec les éléments qui forment le contexte structural du motif. Les résultats présentés dans cette thèse élargissent considérablement notre compréhension des principes de formation de la structure d’ARN et apportent une nouvelle façon d’identifier et de caractériser de nouveaux motifs structuraux d’ARN.

Anti-VEGFA therapy reduces tumor growth and extends survival in a murine model of ovarian granulosa cell tumor

Les tumeurs des cellules de la granulosa (GCTs) sont des tumeurs avec un potentiel malin ayant tendance à récidiver, provoquant ainsi la mort dans 80% des cas de stade avancé consécutif à une rechute. Bien que les GCTs représentent 5% des tumeurs ovariennes, peu d’études ont évalué les protocoles de traitement adjuvant pour la maladie avancée ou récurrente. Notre but était d’évaluer l’efficacité de la voie de signalisation du facteur de croissance de l’endothélium vasculaire A (VEGFA) comme cible pour le traitement de la GCT utilisant le modèle murin transgénique Ptentm1Hwu/tm1Hwu; Ctnnb1tm1Mmt/+; Amhr2tm3(cre)Bhr/+ (PCA) qui reproduit le stade avancé de la maladie humaine. Un anticorps anti-VEGFA a été administré une fois par semaine par voie intrapéritonéale (IP) à partir de 3 semaines d’âge. La thérapie anti-VEGFA a permis une réduction de la taille des tumeurs à 6 semaines d’âge (p<0.05) et une prolongation de la survie des animaux traités, lorsque comparé aux animaux contrôles. L’analyse des GCTs a montré une réduction significative de la prolifération cellulaire (p<0.05) et de la densité microvasculaire (p<0.01) mais aucune différence significative n’a été détectée dans l’apoptose cellulaire. p44/p42 MAPK, un effecteur de la signalisation pour le récepteur 2 de VEGFA (VEGFR2) associé à la prolifération cellulaire, était moins activé dans les tumeurs traitées (p<0.05). Par contre, l’activation d’AKT, un effecteur impliqué dans la survie cellulaire, était similaire d’un groupe à l’autre. Ces résultats suggèrent que l’anticorps anti-VEGFA réduit la prolifération cellulaire et la densité microvasculaire chez les souris PCA par inhibition de la voie de signalisation VEGFR2-MAPK, inhibant ainsi la croissance tumorale. En conclusion, l’efficacité de la thérapie anti- VEGFA mérite d’être évaluée en essais contrôlés randomisés pour le traitement des GCTs chez l’homme.

Modeling High-Dimensional Audio Sequences with Recurrent Neural Networks

Cette thèse étudie des modèles de séquences de haute dimension basés sur des réseaux de neurones récurrents (RNN) et leur application à la musique et à la parole. Bien qu'en principe les RNN puissent représenter les dépendances à long terme et la dynamique temporelle complexe propres aux séquences d'intérêt comme la vidéo, l'audio et la langue naturelle, ceux-ci n'ont pas été utilisés à leur plein potentiel depuis leur introduction par Rumelhart et al. (1986a) en raison de la difficulté de les entraîner efficacement par descente de gradient. Récemment, l'application fructueuse de l'optimisation Hessian-free et d'autres techniques d'entraînement avancées ont entraîné la recrudescence de leur utilisation dans plusieurs systèmes de l'état de l'art. Le travail de cette thèse prend part à ce développement. L'idée centrale consiste à exploiter la flexibilité des RNN pour apprendre une description probabiliste de séquences de symboles, c'est-à-dire une information de haut niveau associée aux signaux observés, qui en retour pourra servir d'à priori pour améliorer la précision de la recherche d'information. Par exemple, en modélisant l'évolution de groupes de notes dans la musique polyphonique, d'accords dans une progression harmonique, de phonèmes dans un énoncé oral ou encore de sources individuelles dans un mélange audio, nous pouvons améliorer significativement les méthodes de transcription polyphonique, de reconnaissance d'accords, de reconnaissance de la parole et de séparation de sources audio respectivement. L'application pratique de nos modèles à ces tâches est détaillée dans les quatre derniers articles présentés dans cette thèse. Dans le premier article, nous remplaçons la couche de sortie d'un RNN par des machines de Boltzmann restreintes conditionnelles pour décrire des distributions de sortie multimodales beaucoup plus riches. Dans le deuxième article, nous évaluons et proposons des méthodes avancées pour entraîner les RNN. Dans les quatre derniers articles, nous examinons différentes façons de combiner nos modèles symboliques à des réseaux profonds et à la factorisation matricielle non-négative, notamment par des produits d'experts, des architectures entrée/sortie et des cadres génératifs généralisant les modèles de Markov cachés. Nous proposons et analysons également des méthodes d'inférence efficaces pour ces modèles, telles la recherche vorace chronologique, la recherche en faisceau à haute dimension, la recherche en faisceau élagué et la descente de gradient. Finalement, nous abordons les questions de l'étiquette biaisée, du maître imposant, du lissage temporel, de la régularisation et du pré-entraînement.

On Recurrent and Deep Neural Networks

L'apprentissage profond est un domaine de recherche en forte croissance en apprentissage automatique qui est parvenu à des résultats impressionnants dans différentes tâches allant de la classification d'images à la parole, en passant par la modélisation du langage. Les réseaux de neurones récurrents, une sous-classe d'architecture profonde, s'avèrent particulièrement prometteurs. Les réseaux récurrents peuvent capter la structure temporelle dans les données. Ils ont potentiellement la capacité d'apprendre des corrélations entre des événements éloignés dans le temps et d'emmagasiner indéfiniment des informations dans leur mémoire interne. Dans ce travail, nous tentons d'abord de comprendre pourquoi la profondeur est utile. Similairement à d'autres travaux de la littérature, nos résultats démontrent que les modèles profonds peuvent être plus efficaces pour représenter certaines familles de fonctions comparativement aux modèles peu profonds. Contrairement à ces travaux, nous effectuons notre analyse théorique sur des réseaux profonds acycliques munis de fonctions d'activation linéaires par parties, puisque ce type de modèle est actuellement l'état de l'art dans différentes tâches de classification. La deuxième partie de cette thèse porte sur le processus d'apprentissage. Nous analysons quelques techniques d'optimisation proposées récemment, telles l'optimisation Hessian free, la descente de gradient naturel et la descente des sous-espaces de Krylov. Nous proposons le cadre théorique des méthodes à région de confiance généralisées et nous montrons que plusieurs de ces algorithmes développés récemment peuvent être vus dans cette perspective. Nous argumentons que certains membres de cette famille d'approches peuvent être mieux adaptés que d'autres à l'optimisation non convexe. La dernière partie de ce document se concentre sur les réseaux de neurones récurrents. Nous étudions d'abord le concept de mémoire et tentons de répondre aux questions suivantes: Les réseaux récurrents peuvent-ils démontrer une mémoire sans limite? Ce comportement peut-il être appris? Nous montrons que cela est possible si des indices sont fournis durant l'apprentissage. Ensuite, nous explorons deux problèmes spécifiques à l'entraînement des réseaux récurrents, à savoir la dissipation et l'explosion du gradient. Notre analyse se termine par une solution au problème d'explosion du gradient qui implique de borner la norme du gradient. Nous proposons également un terme de régularisation conçu spécifiquement pour réduire le problème de dissipation du gradient. Sur un ensemble de données synthétique, nous montrons empiriquement que ces mécanismes peuvent permettre aux réseaux récurrents d'apprendre de façon autonome à mémoriser des informations pour une période de temps indéfinie. Finalement, nous explorons la notion de profondeur dans les réseaux de neurones récurrents. Comparativement aux réseaux acycliques, la définition de profondeur dans les réseaux récurrents est souvent ambiguë. Nous proposons différentes façons d'ajouter de la profondeur dans les réseaux récurrents et nous évaluons empiriquement ces propositions.

Designing Regularizers and Architectures for Recurrent Neural Networks

Cette thèse contribue a la recherche vers l'intelligence artificielle en utilisant des méthodes connexionnistes. Les réseaux de neurones récurrents sont un ensemble de modèles séquentiels de plus en plus populaires capable en principe d'apprendre des algorithmes arbitraires. Ces modèles effectuent un apprentissage en profondeur, un type d'apprentissage machine. Sa généralité et son succès empirique en font un sujet intéressant pour la recherche et un outil prometteur pour la création de l'intelligence artificielle plus générale. Le premier chapitre de cette thèse donne un bref aperçu des sujets de fonds: l'intelligence artificielle, l'apprentissage machine, l'apprentissage en profondeur et les réseaux de neurones récurrents. Les trois chapitres suivants couvrent ces sujets de manière de plus en plus spécifiques. Enfin, nous présentons quelques contributions apportées aux réseaux de neurones récurrents. Le chapitre \ref{arxiv1} présente nos travaux de régularisation des réseaux de neurones récurrents. La régularisation vise à améliorer la capacité de généralisation du modèle, et joue un role clé dans la performance de plusieurs applications des réseaux de neurones récurrents, en particulier en reconnaissance vocale. Notre approche donne l'état de l'art sur TIMIT, un benchmark standard pour cette tâche. Le chapitre \ref{cpgp} présente une seconde ligne de travail, toujours en cours, qui explore une nouvelle architecture pour les réseaux de neurones récurrents. Les réseaux de neurones récurrents maintiennent un état caché qui représente leurs observations antérieures. L'idée de ce travail est de coder certaines dynamiques abstraites dans l'état caché, donnant au réseau une manière naturelle d'encoder des tendances cohérentes de l'état de son environnement. Notre travail est fondé sur un modèle existant; nous décrivons ce travail et nos contributions avec notamment une expérience préliminaire.