Travaux futurs 160

La   modélisation   des   boucles   de   régulation   entre   miARN   et   FT   a   permis   d'identifier  un  grand  nombre  de  boucles  potentielles.  Seules  deux  de  ces  boucles  ont   été   soumises   à   une   variété   de   tests   fonctionnels   afin   d'identifier   leur   rôle.   Plusieurs   des  autres  boucles  identifiées  impliquent  des  FT  dont  au  moins  une  partie  du  rôle  est   connu.  Il  serait  dont  possible  d'identifier  des  rôles  pour  plusieurs  des  miARN  présents  

dans   les   prédictions   de   boucles   de   régulation.   De   ceux-­‐ci,   nombreux   sont   ceux   pour   lesquels   il   n'existe   présentement   aucun   rôle   connu,   d'où   l'intérêt   d'utiliser   la   modélisation  comme  base  à  la  génération  d'hypothèse  sur  le  rôle  de  ces  miARN.    

Cette   première   modélisation   a   été   faite   en   utilisant   les   données   génomiques   d'Homo  sapiens  et  de  Mus  musculus  dû  à  un  intérêt  quant  aux  résultats  obtenus  pour   ces   deux   espèces.   Il   serait   intéressant   de   reproduire   la   modélisation   en   utilisant   les   données   génomiques   des   diverses   espèces   de   Caenorhabditis   pour   lesquels   des   données   génomiques,   en   particulier   de   miARN   sont   disponibles,   soit   C.   briggsae,   C.  

elegans  et  C.  remanei.  La  comparaison  entre  trois  espèces  très  proches  l'une  de  l'autre  

permettrait   d'étudier   la   relation   entre   des   changements   biologiques   (tel   que   la   reproduction  hermaphrodite  de  C.  briggsae  et  de  C.  elegans  et  sexuée  de  C.  remanei)  et   la  présence  ou  l'absence  de  boucles  de  régulation  entre  miARNs  et  FT.  De  plus  cette   comparaison   entre   trois   espèces   très   proches   l'une   de   l'autre   par   rapport   à   une   ou   deux  espèces  éloignées  (telles  que  M.  musculus  et  H.  sapiens)  permettrait  d'évaluer  la   rapidité  d'acquisition  et  de  perte  de  ces  boucles  de  régulations  par  rapport  à  la  vitesse   d'acquisition   et   de   perte   de   FT   et   de   miARN.   Similairement,   il   serait   possible   de   comparer   les   boucles   présentes   dans   les   génomes   de   divers   rongeurs   (souris,   rat,   hamster)   par   rapport   à   celles   présentes   dans   les   génomes   de   divers   hominidés   (humain,   gorille,   orang-­‐outan,   chimpanzé).   Ces   données   génomiques   et   l'annotation   des  miARN  dans  celles-­‐ci  ont  récemment  été  publiées  et  ces  analyses  sont  maintenant   possibles.    

La   modélisation   des   interactions   entre   miARN   et   ARNm   ne   permet   pas,   pour   l'instant,   de   prédire   exactement   l'effet   d'un   miARN   sur   un   ARNm.   Pour   ce   faire,   il   faudrait   un   modèle   basé   sur   des   résultats   expérimentaux   qui   puisse   prendre   en   considération   non   seulement   le   nombre   de   miARN   sur   un   ARNm   par   rapport   à   une   référence   mais   également   l'effet   de   la   variation   de   cet   ARNm   sur   tout   le   microtargetome.   On   peut   en   effet   penser   qu'une   augmentation   de   miARN   sur   un   ARNm   le   ferait   graduellement   diminuer   et   donc   augmenterait   le   nombre   de   miARN   disponibles   pour   cibler   d'autres   ARNm.   On   peut   émettre   l'hypothèse   que   dans   ce  

  162  

contexte,   un   ou   un   petit   ensemble   d'ARNm   diminuerait   grandement   et   qu'un   grand   nombre   d'ARNm   diminuerait   légèrement.   Un   modèle   pouvant   prédire   ce   genre   de   comportement  permettrait  de  meilleures  analyses  des  effets  des  miARN.    

Cette  modélisation  considère  présentement  tous  les  miARN  et  tous  les  ARNm   connus,  incluant  les  variantes  de  transcrits  de  ces  ARNm.  Par  contre,  il  existe  d'autres   ARNnc  répertoriés  qui  pourraient  influencer  la  modélisation  des  interactions.  L'ajout   de   ces   ARNnc   ajouterait   de   la   puissance   au   modèle.   Pour   ce   faire,   il   faudrait   notamment  quantifier  ces  divers  ARNnc  et  déterminer  lesquels  peuvent  se  lier  à  des   ARNm  et  empêcher  la  liaison  de  miARN,  lesquels  peuvent  avoir  un  effet  par  eux  même   sur   les   ARNm   et   lesquels   peuvent   directement   affecter   la   fonction   des   miARN.   De   façon   similaire,   plusieurs   protéines   peuvent   également   être   liées   aux   ARNm   et   empêcher  les  miARN  de  se  lier.  Certaines  sont  connues  et  pourraient  être  ajoutées  au   modèle  pour  améliorer  la  précision  des  prédictions.    

La  suite  logique  des  deux  modélisations  présentées  dans  cette  thèse  est  de  les   combiner   dans   un   modèle   dynamique.   Brièvement,   dans   un   premier   temps,   l'assignation   des   interactions   entre   miARN   et   ARNm   serait   faite   tel   que   dans   la   deuxième   modélisation   de   cette   thèse.   Ensuite,   la   connaissance   des   boucles   de   régulation   entre   miARN   et   FT   serait   utilisée   en   combinaison   avec   l'assignation   miARN/ARNm  pour  modifier  les  quantités  des  diverses  espèces  d'ARN.  Une  nouvelle   assignation  miARN/ARNm  pourrait  alors  être  faite  basée  sur  les  nouvelles  quantités,   et   ainsi   de   suite.   Il   serait   intéressant   de   voir   si   ce   système   dynamique   convergerait   vers   une   suite   stable   d'états   ou   pas.   Il   pourrait   aussi   être   possible   d'évaluer   la   similarité  des  divers  états  en  évaluant  l'effet  des  diverses  modifications  d'interactions   de  miARN  sur  les  divers  ARNm.  Il  est  possible  qu'il  existe  une  suite  stable  d'états  du   système  qui  soit  tous  équivalents  dans  le  sens  ou  l'effet  net  sur  chaque  ARNm  est  nul.  

L'effet   des   miARN   sur   une   cible   donnée   est   souvent   subtil,   de   l'ordre   d'une   réduction  de  50%  des  niveaux  d'expression.  Cet  effet  relativement  modeste  complique   l'identification   de   cibles   de   miARN.   Nous   avons   montré   que   de   petits   changements  

dans   les   niveaux   d'expression   des   miARN   ou   des   ARNm   peuvent   mener   à   des   changements   importants   du   microtargetome.   Dans   ce   contexte,   il   ne   semble   pas   raisonnable  de  tenter  d'identifier  des  cibles  de  miARN  en  utilisant  des  populations  de   cellules  qui  ne  soient  pas  parfaitement  homogène.  C'est  le  cas  notamment  lorsque  des   cellules   sont   transfectées   pour   exprimer   un   ARNm   rapporteur.   Mes   travaux   de   recherche  m'amènent  à  croire  que  pour  mieux  comprendre  le  rôle  des  miARN,  nous   devrons  analyser  leurs  effets  dans  des  conditions  qui  soient  le  plus  proche  possible  du   contexte  biologique  et  que  les  expériences  devront  se  faire  une  cellule  à  la  fois  afin  de   mesurer  chaque  effet  indépendamment  et  non  pas  de  mesurer  un  effet  moyenné  sur   toute  une  population.  

En  vingt  ans,  les  miARN  sont  passés  d'une  curiosité  observée  chez  C.  elegans  et   étudiée  par  quelques  laboratoires  à  une  classe  d'ARNnc  étudiés  dans  des  centaines  de   laboratoires  pour  leur  rôle  dans  toutes  les  fonctions  biologiques  et  les  dérèglement  de   celles-­‐ci,  de  C.  elegans  à  l'humain  en  passant  par  la  drosophile  et  la  souris.  Ceci  reflète,   selon  moi,  le  rôle  central  qu'occupent  les  miARN  dans  les  processus  biologiques.  Il  ne   viendrait   jamais   à   l'esprit   de   quiconque   de   ne   pas   considérer   le   rôle   potentiel   des   protéines   impliquées   dans   un   système   biologique   à   l'étude.   De   la   même   manière,   je   crois  qu'il  est  maintenant  impossible  de  bien  comprendre  un  système  biologique  en   ne  considérant  que  le  rôle  des  protéines  et  pas  celui  des  divers  ARN,  codants  et  non   codants,  possiblement  impliqués.  

  164