Approche intégrative du développement musculaire afin de décrire le processus de maturation en lien avec la survie néonatale

French. Depuis plusieurs années, des projets d’intégration de données omiques se sont développés, notamment avec objectif de participer `a la description fine de caractères complexes d’intérêt socio-économique. Dans ce contexte, l’objectif de cette thèse est de combiner différentes données omiques hétérogènes afin de mieux d´écrire et comprendre le dernier tiers de gestation chez le porc, période influençant la mortinatalité porcine. Durant cette thèse, nous avons identifié les bases moléculaires et cellulaires sous-jacentes de la fin de gestation, en particulier au niveau du muscle squelettique. Ce tissu est en effet déterminant à la naissance car impliqué dans l’efficacité de plusieurs fonctions physiologiques comme la thermorégulation et la capacité à se déplacer. Au niveau du plan expérimental, les tissus analysés proviennent de fœtus prélevés à 90 et 110 jours de gestation (naissance à114 jours), issus de deux lignées extrêmes pour la mortalité à la naissance, Large White et Meishan, et des deux croisements réciproques. Au travers l’application de plusieurs études statistiques et computationnelles (analyses multidimensionnelles, inférence de réseaux, clustering et intégration de données), nous avons montré l’existence de mécanismes biologique régulant la maturité musculaire chez les porcelets, mais également chez d’autres espèces d’intérêt agronomique (bovin et mouton). Quelques gènes et protéines ont été identifiées comme étant fortement liées à la mise en place du métabolisme énergétique musculaire durant le dernier tiers de gestation. Les porcelets ayant une immaturité du métabolisme musculaire seraient sujets `a un plus fort risque de mortalité à la naissance. Un second volet de cette thèse concerne l’imputation de données manquantes (tout un groupe de variables pour un individu) dans les méthodes d’analyses multidimensionnelles, comme l’analyse factorielle multiple (AFM) (ou multiple factor analysis (MFA)). Dans notre contexte, l’AFM fut particulièrement intéressante pour l’intégration de données d’un ensemble d’individus sur différents tissus (deux ou plus). Afin de conserver ces individus manquants pour tout un groupe de variables, nous avons développé une méthode, appelée MI-MFA (multiple imputation -MFA), permettant l’estimation des composantes de l’AFM pour ces individus manquants.