Rôle du récepteur aux cannabinoïdes CB2 sur la synaptogenèse

Lors de cette étude, nous avons d’abord localisé les récepteurs CB1 et CB2 sur les structures neuronales. Nous avons montré que les récepteurs CB1 et CB2 sont présents sur les dendrites et les axones et les filopodes. Dans le même ordre d’idée, nous avons localisé le récepteur DCC sur les structures neuronales. Celui-ci est aussi présent sur les dendrites, les axones et les filopodes. Ces résultats suggèrent que le récepteur DCC serait impliqué non seulement dans le processus de synaptogenèse médié par le récepteur CB1, comme cela a été montré dans le laboratoire du professeur Bouchard, mais aussi dans celui, éventuellement, médié par le récepteur CB2. Nous avons ensuite évalué l’effet des ligands du récepteur CB2. Nous n’avons détecté aucun effet clair des agonistes inverses (AM630 et JTE907) et des agonistes (JWH015 et JWH133) quant à la médiation du processus de synaptogenèse en terme de variation de la densité des filopodes et des points de contacts synaptiques. Nous avons obtenu des résultats variables. Ceux-ci furent non reproductibles. Nous avons obtenu des résultats différents des résultats originaux lorsque nous avons requantifié visuellement les mêmes photos à deux reprises Nous avons développé une méthode informatisée de quantification qui nous a permis d’obtenir des résultats reproductibles. Cependant, nous n’avons toujours pas détecté d’effets sur la synaptogenèse médiés par le récepteur CB2. Ces résultats préliminaires ne nous permettent ni d’infirmer, ni de confirmer d’éventuels effets sur la synaptogenèse médiés par le récepteur CB2. Une étude exhaustive serait nécessaire pour le déterminer.

A layered JavaScript virtual machine supporting dynamic instrumentation

L’observation de l’exécution d’applications JavaScript est habituellement réalisée en instrumentant une machine virtuelle (MV) industrielle ou en effectuant une traduction source-à-source ad hoc et complexe. Ce mémoire présente une alternative basée sur la superposition de machines virtuelles. Notre approche consiste à faire une traduction source-à-source d’un programme pendant son exécution pour exposer ses opérations de bas niveau au travers d’un modèle objet flexible. Ces opérations de bas niveau peuvent ensuite être redéfinies pendant l’exécution pour pouvoir en faire l’observation. Pour limiter la pénalité en performance introduite, notre approche exploite les opérations rapides originales de la MV sous-jacente, lorsque cela est possible, et applique les techniques de compilation à-la-volée dans la MV superposée. Notre implémentation, Photon, est en moyenne 19% plus rapide qu’un interprète moderne, et entre 19× et 56× plus lente en moyenne que les compilateurs à-la-volée utilisés dans les navigateurs web populaires. Ce mémoire montre donc que la superposition de machines virtuelles est une technique alternative compétitive à la modification d’un interprète moderne pour JavaScript lorsqu’appliqué à l’observation à l’exécution des opérations sur les objets et des appels de fonction.