Méthodes pour l’identification des modèles de réseaux biochimiques

Bacteria manage to constantly adapt their molecular composition to respond to environmentalchanges. We focus on systems of both metabolic and gene regulation that enablesuch type of adaptation, notably in the context of diauxic growth of Escherichia coli, when itshifts from glucose to acetate as a carbon source. To model a metabolic network, we use anapproximate kinetic formalism called linlog and address methodological issues encounteredwhen performing parameter estimation. We propose a maximum-likelihood method basedon Expectation Maximization for parameter estimation from incomplete datasets. We then apply it to the linlog model of central carbon metabolism. We also propose a method foridentifiability analysis and reduction of nonidentifiable models that we then apply to bothsimulated and experimental datasets. Moreover, we monitored gene expression patterns for agene network involved in the control of diauxie and highlight, by means of kinetic models developedin this study, the role of the global physiological state of the cell in regulation of geneexpression. By addressing methodological challenges encountered with models of metabolicand gene networks, this thesis contributes to future efforts integrating both types of networksinto quantitative modelsLes bactéries ajustent constamment leur composition moléculaire pour répondre à deschangements environnementaux. Nous nous intéressons aux systèmes de régulation métabolique et génique permettant une telle adaptation, notamment dans le contexte de la diauxie chez Escherichia coli lors de la transition de croissance sur une source de carbone riche, le glucose, à une source plus pauvre, l’acétate. Afin de modéliser de tels réseaux métaboliques, nous utilisons un formalisme cinétique approché appelé linlog et abordons les problèmes ren- contrés lors de l’estimation de paramètres. Ainsi, nous proposons une méthode d’estimationde paramètres à partir de jeux de données incomplets basée sur l’algorithme EM (“Expec- tation Maximization”) et l’appliquons au modèle linlog du métabolisme central du carbone. Nous proposons également une méthode d’analyse d’identifiabilité et de réduction de modèles non identifiables que nous appliquons ensuite sur des jeux de données simulés ou obtenus expérimentalement. Par ailleurs, nous mesurons des profils temporels d’expression de gènes impliqués dans le contrôle de la diauxie et mettons en évidence, à l’aide de modèles cinétiques développés dans ces travaux, l’importance de la contribution de l’état physiologique de la cellule dans la régulation génique. En se confrontant aux défis méthodologiques rencontrés lors du développement de modèles de réseaux métabolique et génique, cette thèse contribue aux efforts futurs portant sur l’intégration de ces deux types de réseaux dans des modèles quantitatifs