Nous avons introduit les fragments en contact comme des portions de structures qui concilient la localité spatiale avec le voisinage séquentiel. Nous avons montré sur un jeu de données représentatif des 4 principales classes SCOP que la prédictibilité des fragments en contact étaient plus élevée que celle des fragments simples ainsi que des paires de fragments qui ne seraient pas en contact en structure pour un modèle de séquence basé sur la similarité de séquence. On pourrait éventuellement a ner cette détection depuis la séquence en prenant en compte les éventuelles co-évolutions
d'acides-Conclusion 99
Fig. 6.16: Extrait de la représentation logique inférée à partir de l'alignement multiple (en gure 6.12) de séquences de CF de capsides de virus.
aminés en interaction dans la structure des CFs. Une possibilité d'investigation a été présentée en section 6.5, dont la di culté principale de mise en ÷uvre réside dans l'association d'un score au modèle logique de co-évolution proposé.
Dans le prochain chapitre nous présentons quelques applications de l'utilisation des CF sur des données réelles pour la caractérisation de protéines virales au niveau de la structure. Nous montrerons comment l'apprentissage automatique permet de tirer parti de la détection de CF pour l'identi cation en séquence de protéines structurales de virus.
Chapitre 7
Applications à la caractérisation de
protéines structurales de virus
Les virus sont des entités biologiques de plus en plus reconnues pour jouer un rôle majeur dans l'évolution. Ils semblent en eet avoir largement permis des transferts horizontaux de gènes pouvant conférer des avantages sélectifs à des espèces sans que celles-ci ne les aient hérités d'un ancêtre ni même réinventés par homoplasie [Hol11]. Par ailleurs, les virus sont impliqués dans des phénomènes physiques à très grande échelle. On estime par exemple que dans les océans, 20% de la biomasse est tuée quotidiennement par des virus. Les organismes morts à l'issue d'une infection virale tombent alors par gravité dans le fond des océans, emportant avec eux autant de carbone qu'ils avaient consommé de CO2 pour se constituer. Ce phénomène permet de décharger la surface des océans de son carbone et alimenter la pompe biologique à CO2. Ainsi les virus contribuent indirectement à l'absorption du CO2 atmosphérique [LKS+14].
La particule virale entière pouvant infecter un hôte est appelée le virion. La plu-part des virions (voire la totalité suivant la dé nition du mot virus) ont leur matériel génétique enveloppé par des protéines formant une capside. Ces enveloppes peuvent se présenter sous diverses formes géométriques, comme par exemple l'icosaèdre ou l'hé-lice. Les contraintes d'assemblage des protéines pour réaliser ces formes géométriques se traduisent en contraintes structurales au niveau de chaque protéine. Les protéines de capside sont donc supposées avoir une structure bien conservée. Ces structures peuvent néanmoins être bien diérentes d'un virus à l'autre, mais aussi au sein d'un même vi-rus : plusieurs types de protéines de structures peuvent être nécessaires pour former la capside du virus (comme par exemple des protéines de bre formant des "pics" sur la capside, ou encore les diérentes protéines VPx présentées en gure 7.1).
Fig. 7.1: Haut : capside icosaédrique d'enterovirus, les VPx sont les diérentes protéines composant la capside. Bas : capside hélicoïdale de tobamovirus composée de l'assemblage d'un seul type de protéine (CP pour capsid protein). Source : ViralZone viralzone. expasy.org.
Malgré l'importance des virus, il n'existe pas de caractérisation structurale des pro-téines de capsides ; seuls quelques repliements ont été identi és (comme le double jelly roll [KB11]), mais se retrouvent aussi bien chez d'autres protéines (comme par exemple chez les Glycosides Hydrolases). Nous présenterons dans la section 7.1 l'identi cation de CF spéci ques de structures de protéine de capsides. Ceux-ci peuvent alors constituer une base à la création de signatures structurales de capsides.
Au niveau de la séquence, les virus évoluent très rapidement [Dra99] et il n'est pas su sant de se baser sur l'homologie pour détecter les séquences virales dans un génome ou métagénome [ER05]. Il est par exemple courant que des études métagénomiques sur les virus rapportent des taux d'annotation de seulement 10% [HS13, Sut07, HSS+13].
Cette problématique a été introduite dans cette thèse par la participation au projet PEPS VAG (en collaboration avec l'Atelier de Bioinformatique à l'Univeristé Pierre et Marie Curie et l'Insitut de Biologie de l'Ecole Normale Supérieure) dont l'objectif était l'annotation des séquences virales issues de l'expédition TaraOceans [PNP+15]. Une étude préliminaire a donné lieu à une présentation au Workshop on Recent Computa-tional Advances in Metagenomics ECCB'14 [BCC+14].
L'organisation génomique et la séquence des gènes codant pour les protéines structu-rales (i.e. les protéines qui composent le virion, en particulier la capside et chez certains la queue) sont des critères pour la classi cation des virus. Nous présenterons en sec-tion 7.2 une méthode pour la détecsec-tion de séquences de CF extraits de protéines de capsides. Ensuite, nous montrerons en section 7.3 l'utilisation faite de ces détecteurs dans l'outil VIRALpro [GMCB15] développé au cours de cette thèse permettant l'identi cation de séquences de protéines virales de capside et de queue.
Identi cation structurale de capsides à l'aide des CF 103
7.1 Identi cation structurale de capsides à l'aide des CF
Nous nous intéressons ici à identi er des CF qui pourraient être spéci ques des struc-tures de capsides. Lorsqu'une structure de CF est partagée par diérentes strucstruc-tures de capsides et n'est retrouvé seulement dans des structures de capside, on dit que celui-ci constitue est un motif structural caractéristique. De tels motifs peuvent alors permettre l'annotation automatique de structures voire de séquences s'ils sont prédictibles.
A n d'identi er les CF spéci ques des capsides, nous avons d'abord extrait l'en-semble des CF d'un enl'en-semble de structures de capsides (jeu de données détaillé en annexe 9). Puis nous avons fouillé la PDB non redondante grâce à l'outil Yakusa (voir section 6.3.2) a n d'identi er les CF qui étaient seulement retrouvés chez les virus. Ce travail a été eectué en collaboration avec Maud Jusot [Jus15] dans le cadre du projet PEPS VAG.
Pour chaque CF, un ensemble de structures similaires est trouvé dans la PDB. La gure 7.2 montre deux composantes connexes du PowerGraph [RRAS08] de ces relations de similarité : une arrête connecte un CF ou un groupe de CF à un ou plusieurs iden-ti ants PDB si ceux-ci possèdent une sous-structure similaire au CF. Dans un souci de visibilité, nous avons exposé uniquement les CF les plus caractéristiques, ou plus préci-sément tels que Cap
Cap + N onCap > 90%où Cap est le nombre de structures de capsides ayant une sous structure similaire au CF, et NonCap le nombre de non-capsides ayant une sous-structure similaire au CF. Sur la gure 7.2, les sommets verts correspondent à des structures de capsides, les sommets rouges aux structures n'étant pas des protéines de capside et les sommets gris sont des CF issus de structures de capsides.
Les sommets gris qui ne sont liés qu'à des sommets verts sont des CF spéci ques de capsides de virus. Ceux qui sont liés à des sommets rouges peuvent donc détecter d'autres types de protéines, mais pourraient éventuellement être spéci ques en combi-naison avec d'autres CF (eux aussi éventuellement non-spéci ques).
Cette étude est restée à un stade préliminaire, néanmoins il est intéressant de re-marquer que le graph présenté précédemment se décompose en composantes connexes spéci ques d'un type de virus voire d'un type de protéine de capside. Nous n'avons ce-pendant pas identi é de CF spéci que à l'ensemble de toutes les protéines de capside : les structures peuvent être très diérentes d'un type de virus à l'autre et d'un type de protéine à l'autre.