Modélisation des boucles de régulation miARN 152

La   première   approche   de   modélisation   utilisée   se   rapporte   aux   boucles   de   régulation  entre  des  miARN  et  des  FT.  Cette  modélisation  a  permis  d'identifier  plus  de   700  de  ces  boucles  de  co-­‐régulation.  Celles-­‐ci  jettent  un  nouvel  éclairage  sur  l'étendue   de   la   régulation   par   les   miARN   pour   plusieurs   raisons.   Tout   d'abord,   le   nombre   de   boules  identifiées  représente  une  augmentation  significative  par  rapport  à  ce  qui  est   rapporté   dans   la   littérature.   De   plus,   on   observe   une   grande   variété   dans   les   FT   identifiés  formant  ces  boucles.  Une  partie  importante  de  ceux-­‐ci  ont  été  caractérisés   comme   des   FT   clés   dans   divers   systèmes.   C'est   le   cas,   notamment,   de   LMO2   qui   possède  un  rôle  important  dans  l'hématopoïèse.    

Les   résultats   de   la   validation   expérimentale   de   ces   boucles   ont   permis,   tout   d'abord  de  supporter  la  précision  de  la  méthode  informatique  utilisée.  Ces  résultats   ont  aussi  permis  d'assigner  un  rôle  dans  le  destin  cellulaire  hématopoïétique  à  deux  

de  celles-­‐ci  impliquant  le  FT  LMO2  et  les  miARN  miR-­‐223  et  miR-­‐363.  Ces  travaux  de   recherche   ont   également   permis   d'étendre   le   rôle   hématopoïétique   de   LMO2   au   maintient   des   cellules   souches   hématopoïétiques   et   à   la   détermination   du   destin   cellulaire   durant   les   premières   étapes   de   l'hématopoïèse.   Deux   aspects   du   rôle   de   LMO2  qui  étaient  jusqu'alors  inconnus.  

Cette  modélisation  et  la  validation  expérimentale  qui  l'a  suivie  constituent  donc  une   preuve  de  concept  de  la  possibilité  d'assigner  un  rôle  à  un  miARN  à  partir  du  rôle  du   FT  avec  lequel  il  forme  une  boucle  de  régulation.  Dans  le  cas  présent,  l'hypothèse  d'un   rôle   hématopoïétique   pour   miR-­‐223   et   miR-­‐363   corrobore   avec   des   évidences   expérimentales  obtenues  par  d’autres  équipes  de  recherche.  La  modélisation  apporte   donc   un   élément   additionnel   supportant   l'hypothèse   de   leur   fonction   hématopoïétique.  

Cette   modélisation   permet   donc   de   générer   des   hypothèses   raisonnables   sur   la   fonction   de   miARN,   similairement   à   ce   qu'un   criblage   des   miARN   exprimés   spécifiquement  dans  certains  tissus  permettrait  de  faire.  Cependant,  la  modélisation   présente   plusieurs   avantages   par   rapport   à   un   criblage.   Tout   d'abord,   elle   peut   être   faite  sur  tous  les  miARN  et  tous  les  FT  connus  à  la  fois.  Ceci  signifie  que  la  quantité   d'information   obtenue   est   largement   supérieure   à   ce   qu'un   criblage   des   miARN   spécifiquement   exprimés   permettrait   d'obtenir.   Un   autre   avantage   d'une   telle   modélisation   est   que   l'avancement   des   connaissances,   lorsqu'il   est   inclut   dans   la   modélisation,   permet   de   l'améliorer,   alors   qu'à   l'inverse,   un   criblage   devient   rapidement   désuet   dès   que   notre   compréhension   d'un   phénomène   biologique   est   modifiée  par  de  nouvelles  données  expérimentales.  Étant  donné  ces  caractéristiques,   la  modélisation  est  un  outil  de  choix  pour  mieux  comprendre  la  biologie  moléculaire.  

Dans   un   contexte   où   de   plus   en   plus   d'études   sont   faites   pour   utiliser   le   mécanisme  d'action  des  miARN  dans  un  but  thérapeutique,  il  est  primordial  de  bien  le   comprendre   et   de   cerner   son   étendue.   L'identification   de   boucles   de   régulations  

  154  

miARN/FT   est   un   pas   de   plus   dans   la   compréhension   de   ce   mécanisme.   Cette   compréhension  est  nécessaire  afin  d'utiliser  ce  mécanisme  à  son  plein  potentiel.    

L'élaboration  d'une  thérapie  qui  utiliserait,  par  exemple,  miR-­‐223  afin  de  cible   un   gène   X   pourrait   tirer   bénéfice   de   l'existence   de   la   boucle   double   négative   entre   miR-­‐223   et   LMO2.   Selon   cette   boucle,   l'augmentation   de   miR-­‐223   par   un   apport   extérieur   mène   entre   autres   à   la   diminution   de   LMO2,   un   régulateur   négatif   de   l'expression   de   miR-­‐223.   Ceci   mène   subséquemment   à   l'augmentation   des   niveaux   endogènes  de  miR-­‐223,  ce  qui  pourrait  contribuer  à  rendre  une  thérapie  utilisant  ce   miARN  plus  efficace.  Par  contre,  cette  même  boucle,  dans  un  contexte  où  l'expression   de  LMO2  est  fortement  positivement  régulée  pourrait  mener  à  la  diminution  de  miR-­‐ 223  et  annuler  son  effet  thérapeutique  potentiel.    

La   présence   de   boucles   de   régulation   entre   miARN   et   FT   nous   porte   à   croire   que   la   cellule   utilise   tout   ce   qui   est   à   sa   disposition   et   recycle   des   éléments   de   régulation   afin   de   produire   une   variété   de   comportements   dans   divers   système   en   n'utilisant   qu'un   nombre   limité   de   composantes.   Par   exemple,   une   boucle   de   régulation   double   négative,   telles   que   celles   identifiées   lors   de   la   première   modélisation,   permet   de   n'utiliser   qu'un   seul   signal   dans   la   gestion   de   l'expression   inverse  d'un  miARN  et  d'un  FT.  Sans  ce  type  de  boucle  de  régulation,  la  cellule  devrait   probablement  utiliser  un  régulateur  pour  le  miARN,  un  autre  pour  le  FT  et  un  senseur   pour   ajuster   les   niveaux   du   miARN   à   ceux   du   FT   (et   vice-­‐versa).   L'utilisation   d'une   boucle  de  régulation  semble  une  solution  beaucoup  plus  efficace.  De  plus,  ces  boucles   de   régulations   sont,   selon   toute   vraisemblance,   elle   même   dans   des   réseaux   de   régulation   plus   complexes.   Ces   réseaux   de   régulation   sont   hautement   connectés;   en   particulier  lorsque  l'on  considère  les  connections  indirectes  (par  exemple,  SCL  régule   LMO2  qui  régule  miR-­‐223  et  donc  SCL  régule  indirectement  miR-­‐223).  Le  réel  réseau   de  régulation  utilisé  par  la  cellule  est  donc  probablement  plus  près  d'une  clique  (au   sens  mathématique  du  terme)  que  d'un  arbre  de  régulation.  Hors,  beaucoup  de  travail   a   été   fait   dans   l'esprit   des   relations   un   à   un,   en   voyant   les   réseaux   d'interaction   comme  des  graphs  faiblement  connectés  et  dont  les  signaux  sont  directionnels  et  ne  

mènent  qu'à  peu  ou  pas  de  rétroaction  plutôt  que  comme  des  cliques.  Mes  travaux  de   recherche   m'amènent   à   croire   qu'il   faut   maintenant   penser   en   terme   de   relations   plusieurs   à   plusieurs.   Ceci   nous   mènera   à   revoir   beaucoup   de   méthodes   expérimentales  utilisées  et  à  remettre  en  question  plusieurs  des  conclusions  tirées.  Il   faut   garder   en   tête   que   lorsque   plusieurs   règles   sont   nécessaires   à   l'explication   de   divers   phénomènes   reliés,   il   est   possible   qu'une   règle   plus   complexe   existe   pour   expliquer  en  même  temps  tous  ces  phénomènes.  Cette  règle  est  probablement  celle  à   mettre  en  application.  Mes  travaux  de  recherche  m'amènent  à  croire  que  la  biologie  se   doit   d'aller   vers   des   hypothèses   englobantes   plutôt   que   de   fractionner   les   phénomènes   et   de   proposer   des   hypothèses   et   des   explications   différentes   pour   chaque  sous  phénomène.    

Récemment,  diverses  études  ont  montrées  qu'il  est  possible  de  reprogrammer   des  cellules  différenciées  en  cellules  pluripotentes  en  utilisant  divers  FT  ou  miARN.  La   connaissance   de   l'existence   de   boucles   de   régulation   entres   des   FT   et   des   miARN   jouant  un  rôle  dans  cette  reprogrammation  pourrait  être  utilisée  pour  la  faciliter.  La   connaissance  et  l'utilisation  de  ces  boucles  pourraient  permettre  l'utilisation  de  moins   de  facteurs  (miARN  ou  FT)  que  ce  qui  a  été  utilisé.  Ultimement,  il  serait  possible  de   n'utiliser   qu'un   seul   facteur   clé   qui,   par   l'entremise   de   ses   boucles   de   régulation,   permettrait   d'augmenter   ou   de   diminuer   un   ensemble   d'autres   facteurs.   Ceux-­‐ci,   à   leur  tour,  modifieraient  un  autre  ensemble  de  facteurs.  Ultimement,  la  toute  première   modification   mènerait   à   une   cascade   dirigée   d'autres   modifications   qui   utiliseraient   les  systèmes  de  régulation  de  la  cellule  pour  mener  à  la  reprogrammation  souhaitée.   Ce  genre  de  manipulation  de  la  cellule  n'est  possible  que  si  l'on  connaît  finement  les   divers   réseaux   de   régulation   dont   la   cellule   disposent   et   utilisés   pour   la   reprogrammation.  

Dans  le  cadre  de  cette  première  modélisation,  nous  n'avons  considéré  que  les   boucles  de  régulations  prédites  en  utilisant  les  données  génomiques  de  deux  espèces:  

Homo   sapiens   et   Mus   musculus.   Ce   choix   a   été   fait   afin   de   limiter   le   nombre   de   faux  

  156  

de  haut  taux  de  faux  positifs.  Il  en  va  de  même  de  la  prédiction  de  cibles  de  miARN.  En   ne   conservant   que   les   boucles   de   régulation   présentes   dans   les   deux   espèces,   les   prédictions  sont  enrichies  en  vrais  positifs  par  rapport  aux  faux  positifs.  Par  contre,   cette  approche  ne  permet  pas  d'identifier  des  boucles  qui  seraient  spécifiques  à  une   ou  à  l'autre  des  espèces,  en  particulier  celles  utilisant  des  miARN  propres  à  l'espèce.    

Cette  première  modélisation  a  été  faite  en  utilisant  les  meilleures  prédictions   de  cibles  de  miARN  disponibles  au  moment  d'effectuer  les  travaux,  soit  les  prédictions   de   TargetScan.   Depuis,   la   modélisation   des   interactions   miARN/ARNm   menant   à   la   prédiction   de   cibles   de   miARN   a   été   faite   et   a   mis   en   évidence   les   limitations   des   méthodes  précédentes.  On  pourrait  croire  que  cette  deuxième  modélisation  invalide   les  travaux  qui  ont  été  faits  dans  la  première  modélisation  mais  ce  n'est  pas  le  cas.  Au   contraire,   les   résultats   de   la   deuxième   modélisation   peuvent   être   utilisés   afin   d'améliorer   la   première.   Les   prédictions   obtenues   alors   ne   seront   que   meilleures   puisqu'utilisant   des   bases   plus   solides.   Il   en   est   de   même   pour   l'identification   des   cibles  des  FT.  De  meilleures  données  telles  que  celles  tout  récemment  obtenues  par  le   projet   ENCODE   amélioreront   nécessairement   les   résultats   de   la   modélisation   de   boucles  de  régulation  miARN/FT.