New statistical methods to assess the effect of time-dependent exposures in case-control studies

Contexte. Les études cas-témoins sont très fréquemment utilisées par les épidémiologistes pour évaluer l’impact de certaines expositions sur une maladie particulière. Ces expositions peuvent être représentées par plusieurs variables dépendant du temps, et de nouvelles méthodes sont nécessaires pour estimer de manière précise leurs effets. En effet, la régression logistique qui est la méthode conventionnelle pour analyser les données cas-témoins ne tient pas directement compte des changements de valeurs des covariables au cours du temps. Par opposition, les méthodes d’analyse des données de survie telles que le modèle de Cox à risques instantanés proportionnels peuvent directement incorporer des covariables dépendant du temps représentant les histoires individuelles d’exposition. Cependant, cela nécessite de manipuler les ensembles de sujets à risque avec précaution à cause du sur-échantillonnage des cas, en comparaison avec les témoins, dans les études cas-témoins. Comme montré dans une étude de simulation précédente, la définition optimale des ensembles de sujets à risque pour l’analyse des données cas-témoins reste encore à être élucidée, et à être étudiée dans le cas des variables dépendant du temps. Objectif: L’objectif général est de proposer et d’étudier de nouvelles versions du modèle de Cox pour estimer l’impact d’expositions variant dans le temps dans les études cas-témoins, et de les appliquer à des données réelles cas-témoins sur le cancer du poumon et le tabac. Méthodes. J’ai identifié de nouvelles définitions d’ensemble de sujets à risque, potentiellement optimales (le Weighted Cox model and le Simple weighted Cox model), dans lesquelles différentes pondérations ont été affectées aux cas et aux témoins, afin de refléter les proportions de cas et de non cas dans la population source. Les propriétés des estimateurs des effets d’exposition ont été étudiées par simulation. Différents aspects d’exposition ont été générés (intensité, durée, valeur cumulée d’exposition). Les données cas-témoins générées ont été ensuite analysées avec différentes versions du modèle de Cox, incluant les définitions anciennes et nouvelles des ensembles de sujets à risque, ainsi qu’avec la régression logistique conventionnelle, à des fins de comparaison. Les différents modèles de régression ont ensuite été appliqués sur des données réelles cas-témoins sur le cancer du poumon. Les estimations des effets de différentes variables de tabac, obtenues avec les différentes méthodes, ont été comparées entre elles, et comparées aux résultats des simulations. Résultats. Les résultats des simulations montrent que les estimations des nouveaux modèles de Cox pondérés proposés, surtout celles du Weighted Cox model, sont bien moins biaisées que les estimations des modèles de Cox existants qui incluent ou excluent simplement les futurs cas de chaque ensemble de sujets à risque. De plus, les estimations du Weighted Cox model étaient légèrement, mais systématiquement, moins biaisées que celles de la régression logistique. L’application aux données réelles montre de plus grandes différences entre les estimations de la régression logistique et des modèles de Cox pondérés, pour quelques variables de tabac dépendant du temps. Conclusions. Les résultats suggèrent que le nouveau modèle de Cox pondéré propose pourrait être une alternative intéressante au modèle de régression logistique, pour estimer les effets d’expositions dépendant du temps dans les études cas-témoins

MARCH1 : new insights in the activation of B cells

L’implication des cellules B dans le développement de l’auto-immunité ne cesse d’être illustrée par de récentes publications. Les cellules présentent des peptides du soi aux cellules T auto-réactives ce qui mène à la production de cytokines pro-inflammatoires et d’anticorps auto-réactifs. Dans le présent document, nous explorons la présentation antigénique et la modification post-traductionnelle du complexe majeur d’histocompatibilité II (CMH-II). MARCH1 est une E3 ubiquitine ligase qui cible le CMH-II et le relocalise le complexe vers les endosomes de recyclage. Ainsi, MARCH1 est un inhibiteur de la présentation d’antigènes exogènes. Ici, nous démontrons que MARCH1 est exprimé seulement dans la sous-population des cellules B folliculaires et que cette expression est perdue lors de l’entrée dans les centres germinatifs. Nous proposons que MARCH1 établie une barrière de formation de centres germinatifs. Nous démontrons le lien entre MARCH1 et la hausse de CMH-II à la surface des cellules B à la suite d’un traitement à l’IL-10. De plus, nous avons testé plusieurs stimuli activateurs des cellules B et démontrons que MARCH1 est régulé à la baisse dans tous les cas. De plus, nous mettons en valeurs le rôle de la voie canonique d’activation de NF-κB dans cette régulation de MARCH1. Finalement, nous avons développé un système de lentivirus exprimant MARCH1 qui nous permet de forcer l’expression de MARCH1 dans des cellules réfractaires à la transfection. Nous discutons de l’implication de cette régulation du CMH-II par MARCH1 dans le développement de maladies auto-immunes.

Regulation of lipocalin prostaglandin-D synthase expression by interleukin-1β in human chondrocytes

L'arthrose est une maladie multifactorielle complexe. Parmi les facteurs impliqués dans sa pathogénie, les certains prostaglandines exercent un rôle inflammatoire et d’autres un rôle protecteur. La prostaglandine D2 (PGD2) est bien connue comme une PG anti-inflammatoire, qui est régulée par l’enzyme «Lipocalin prostaglandine D-synthase». Avec l’inflammation de l'arthrose, les chondrocytes essaient de protéger le cartilage en activant certaines voies de récupération dont l'induction du gène L-PGDS. Dans cette étude, nous étudions la voie de signalisation impliquée dans la régulation de l'expression du (L-PGDS) sur les chondrocytes traités avec différents médiateurs inflammatoires. Le but de projet: Nous souhaitons étudier la régulation de la L-PGDS dans le but de concevoir des approches thérapeutiques qui peuvent activer la voie intrinsèque anti-inflammatoire. Méthode et conclusions: In vivo, l'arthrose a été suivie en fonction de l’âge chez la souris ou chirurgicalement suivant une intervention au niveau des genoux de souris. Nous avons confirmé les niveaux d’expression de L-PGDS histologiquement et par immunohistochimie. In vitro, dans les chondrocytes humains qui ont été traités avec différents médiateurs de l'inflammation, nous avons observé une augmentation de l’expression de la L-PGDS dose et temps dépendante. Nous avons montré, in vivo et in vitro que l’inflammation induit une sécrétion chondrocytaire de la L-PGDS dans le milieu extracellulaire. Enfin, nous avons observé la production de différentes isoformes de la L-PGDS en réponse à l'inflammation.

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.