La bioinformatique

impression PDF

1. La bioinformatique : définition, description, démarche et principales étapes

2. Deux types de molécules support de la bioinformation : les acides nucléiques et les protéines

3. Deux types de bioinformation : la séquence des nucléotides et la séquence des acides aminés

4. L'obtention des séquences : méthodes de F. Sanger (acide nucléique) et P. Edman (protéine)

5. Le séquençage du génome humain

6. Le stockage de la bioinformation : les banques de données

7. La structuration de la bioinformation : fichiers et formats

8. Exemples d'algorithmes et de programmes en bioinformatique

9. Exemple d'analyse bioinformatique d'une enzyme : la glutamate déshydrogénase (GDH)

10. Les domaines d'étude en "ome" ou "omique"

11. Société : champs d'application de la bioinformatique

12. Liens Internet et références bibliographiques

Définition

La bioinformation est l'information liée aux molécules biologiques : leurs structures, leurs fonctions, leurs liens de "parenté", leurs interactions et leur intégration dans la cellule.

Divers domaines d'études permettent d'obtenir cette bioinformation : la génomique structurale, la génomique fonctionnelle, la protéomique, la détermination de la structure spatiale des molécules biologiques, la modélisation moléculaire ...

La bioinformatique est l'analyse de la bioinformation.

Description

C'est une discipline récente (quelques dizaines d'années).

C'est une discipline "hybride" (au même titre que la biochimie ou la biophysique) : elle est fondée sur des concepts et des formalismes issus de la biologie, de l'informatique, des mathématiques et de la physique.

C'est une discipline qui utilise toutes les potentialités de traitement de l'informatique : modèles théoriques, algorithmes et programmes, ordinateurs, réseau Internet, bases de données ...

Démarche

1. Compilation et organisation des données biologiques dans des banques de données : ces banques sont soit généralistes (elles contiennent le plus d'information possible sans expertise particulière de l'information déposée), soit spécialisées dans un domaine autour de thèmes précis.

2. Traitements systématiques des données : l'objectif principal est de repérer et de caractériser une fonction et/ou une structure biologique importante. Les résultats de ces traitements constituent de nouvelles données biologiques obtenues "in silico".

3. Elaboration de stratégies :

• le but est d'apporter des connaissances biologiques supplémentaires en combinant les données biologiques initiales et les données biologiques obtenues "in silico".
• ces connaissances permettent, à leur tour, de développer de nouveaux concepts en biologie.
• concepts qui nécessitent l'élaboration de nouvelles théories et outils en mathématiques et en informatique.

Principales étapes

2. Deux types de molécules support de la bioinformation : les acides nucléiques et les protéines

ADN : Acide DésoxyriboNucléique

• macromolécule : chaîne nucléotidique

• constituée par un enchaînement d'unités élémentaires : les désoxyribonucléotides

• forme de stockage de l'information génétique. Cette information est représentée par une suite linéaire de gènes

• formée de deux brins complémentaires enroulés en double hélice ce qui lui permet de se dupliquer en deux molécules identiques entre elles et identiques à la molécule mère

On distingue :

• l'ADN du génome du noyau
• l'ADN du génome mitochondrial
• l'ADN du génome chloroplastique

ARN : Acide RiboNucléique

• macromolécule : chaîne nucléotidique

• constitué par un enchaînement d'unités élémentaires : les ribonucléotides

• forme qui permet de transférer et de traiter l'information dans la cellule

• le plus souvent formé d'un simple brin

On distingue :

• les ARN messagers ou ARNm : ils sont transcrits à partir d'un gène (ADN). Ils sont ensuite traduits en protéines.
• les ARN de transfert
• les ARN ribosomaux
• les ARN nucléaires
• les ARN cytoplasmiques

Protéine

• macromolécule : chaîne polypeptidique

• constitué par un enchaînement d'unités élémentaires : les acides aminés

• l'ensemble des protéines assurent les principales fonctions cellulaires

• se replie sur elle-même et adopte une conformation ou structure particulière dans l'espace. Cette structure tridimensionnelle est à l'origine de la fonction de la protéine et de la spécificité de cette fonction.

3. Deux types de bioinformation : la séquence des nucléotides et la séquence des acides aminés

Les chaînes nucléotidiques (ADN, ARN) et les chaînes polypeptidiques (protéines) sont des polymères d'unités élémentaires :

• ADN : 4 désoxyribonucléotides = dCMP, dGMP, dAMP, dTMP
• ARN : 4 ribonucléotides = CMP, GMP, AMP, UMP
• protéines : 20 acides aminés = Ala (A), Cys (C), Asp (D), Glu (E), Phe (F), Gly (G), His (H), Ile (I), Lys (K), Leu (L), Met (M), Asn (N), Pro (P), Gln (Q), Arg (R), Ser (S), Thr (T), Val (V), Trp (W), Tyr (Y)

Elles possèdent 2 extrémités distinctes et sont donc orientées :

• de l'extrémité dite 5' vers l'extrémité dite 3' pour les chaînes nucléotidiques
• de l'extrémité dite N-terminale vers l'extrémité dite C-terminale pour les chaînes polypeptidiques

En conséquence :

• les chaînes nucléotidiques et polypeptidiques sont une succession ordonnée et orientée d'unités élémentaires
• les séquences sont leur transcription sous forme d'une succession ordonnée et orientée de lettres qui correspondent à ces unités élémentaires

MADQLTDDQI SEFKEAFSLF DKDGDGCITT KELGTVMRSL GQNPTEAELQ DMINEVDADG NGTIDFPEFL NLMARKMKDT DSEEELKEAF RVFDKDQNGF ISAAELRHVM TNLGEKLTDE EVDEMIREAD VDGDGQINYE EFVKVMMAK

5. Le séquençage du génome humain

La molécule d'ADN est le support biologique de l'information héréditaire.

Cette information est transmise par la copie conforme de cette molécule.

C'est une macromolécule formée par l'enchaînement de milliers, de millions ou de milliards (dans le cas de l'homme) de nucléotides.

L'extension complète de l'ADN humain formerait un fil de plus d'1,2 m.

Ci-contre, schéma du super-enroulement de l'ADN dans les chromosomes qui explique son extrème compacité.

Source : Alberts et al. - "Access Excellence"

Ci-dessous, une seule molécule d'ADN (long brin jaune) d'une bactérie Escherichia coli éclatée par un choc osmotique.

Echelle : un fragment de la molécule d'ADN d'environ la moitié de la longueur de la bactérie correspond à environ 5000 paires de bases.

Source : "L'information biologique"

Source : Nature 409, 860 - 921

1984

à

1990

Les pré-projets.

• L'Initiative du Génome Humain est annoncée et quelques projets technologiques commencent.
• Création de la fondation HUGO ("Human Genome Organization") pour coordonner le séquençage au niveau mondial (éviter les doublons). Echec du projet (cožt trop élevé).

Les objectifs du HGP étaient de :

• séquencer les 3 milliards de paires de bases du génome humain avec un taux d'erreur minimal
• identifier tous les gènes.
• développer des méthodes plus rapides et efficaces pour le séquençage de l'ADN et l'analyse des séquences
• transférer ces technologies à l'industrie

Le Consortium public n'a pas accordé d'importance au choix des multiples donneurs d'ADN.

HGP annonce 90 % du séquençage du génome humain.

"Celera Genomics" propose les premiers résultats du séquençage total du génome d'une personne.

Publication du génome du chromosome 21.

Publication du génome complet de la mouche Drosophila melanogaster.

Communiqué commun de Tony Blair et Bill Clinton (14 mai 2000) qui annoncent leur souhait que les résultats du séquençage soient en accès libre et que les brevets soient limités à leur exploitation industrielle et commerciale.

L'entreprise "Celera Genomics" va donc devoir rendre ses résultats publics de manière trimestrielle.

Février

2001

La même semaine, publication du brouillon initial des travaux de séquençage du génome humain complet par :

• Le HGP dans la revue : Nature 409, 860 - 921
• "Celera Genomics"dans la revue : Science 291, 1304-1351

Le génome humain contient 3,2 milliards de nucléotides et il contiendrait environ 30.000 à 40.000 gènes (chiffre nettement inférieur à ce qui était prévu).

Cependant, la structure des gènes est trés complexe (introns, exons, épissage alternatif) : un même gène peut coder différentes protéines.

On ignore le nombre total de protéines différentes que peut fabriquer l'organisme humain. Pour le moment, on estime ce nombre entre 50 000 et 150 000.

1. L'ADN humain est extrêmement hétérogène.

Les gènes ne sont pas répartis uniformément sur le génome. Il existe des zones qui n'en contiennent aucun, mais possèdent des séquences répétitives. On ne connait pas encore les fonctions de ces parties de l'ADN.

2. Les résultats de la société "Celera Genomics" montrent qu'il y a plus de différences entre l'ADN des deux Caucasiens qu'entre celui d'un Africain et d'un Caucasien.

Tous les êtres humains sont différents et cette différence résulte des variations entre l'ADN des individus. Ces variations correspondent au changement d'un nucléotide dans un gène quelconque que l'on appelle un "Single Nucleotide Polymorphism" (SNP).

Les SNPs représentent 0,1% de différence entre deux génomes (plus de 1,4 millions de SNP ont été identifiés). Ils sont particulièrement intéressants pour la médecine et l'industrie pharmaceutique (détermination de l'origine de nombreuses maladies, développement de tests de prédisposition aux maladies, synthèse de médicaments en fonction de la sensibilité génétique). Voir "Société : champs d'application de la bioinformatique et des domaines affèrant".

3. Le gène ZNF217 est identifié dans le chromosome 20. Ce gène apparaît en nombre croissant de copies dans beaucoup de tumeurs. Il jouerait un rôle dans le cancer du sein.

6. Le stockage de la bioinformation : les banques de données

Les fichiers contenant l'information biologique sous la forme de séquences est l'élément central autour duquel les banques de données se sont constituées. Il existe un grand nombre de bases de données d'intérêt biologique. On peut distinguer :

• les banques de données ou bases de données généralistes : elles correspondent à une collecte des données la plus exhaustive possible et qui offrent un ensemble plutôt hétérogène d'informations
• les bases de données ou bases de données spécialisées : elles correspondent à des données plus homogènes établies autour d'une thématique et qui offrent une valeur ajoutée

Exemple de grandes banques généralistes :

• EMBL : Banque européenne créée en 1980 et financée par l'EMBO (European Moleculary Biology Organisation). Elle est aujourd'hui diffusée par l'EBI (European Bioinformatics Institute, Cambridge)

• Genbank : Créée en 1982 par la société IntelliGenetics et diffusée maintenant par le NCBI (National Center for Biotechnology Information, Los Alamos)

• DDBJ (DNA Data Bank of Japan) : Créée en 1986 et diffusée par le NIG (National Institute of Genetics, Japon).

Ces trois banques s'échangent systématiquement leur contenu depuis 1987 et adoptent un système de conventions communes (The DDBJ/EMBL/GenBank Feature Table Definition).

• PIR-NBRF (Protein Identification Ressource) : banque de protéines créée sous l'influence du NBRF (National Biomedical Research Foundation) à Washington. Elle diffuse maintenant des données issues du MIPS (Martinsried Institute for Protein Sequences), de la base Japonnaise JIPID (Japan International Protein Information Database) et des données propres de la NBRF.

• Swissprot : elle a été constituée à l'Université de Genève à partir de 1986 et regroupe entre autres des séquences annotées de la PIR-NBRF ainsi que des séquences codantes traduites de l'EMBL.

Les multiples liens entre les groupes de données dans les banques généralistes sont d'une complexité étonnante. Voir les exemples de Genbank ou ExPASy.

Exemple de banques spécialisées :

• Disulfide Bridge DataBase (J.-M. Richer, G. Hunault & E. Jaspard) : Cette base de données contient un grand nombre d'informations structurales sur les cystéines de plus de 400 protéines cristallisées. Elle a aussi pour but de servir à la mise au point d'un logicel de prédiction des cystéines impliquées dans la formation de pont disulfure.

• LEADB (G. Hunault, L. Châtelain & E. Jaspard) : Cette base de données contient un grand nombre d'informations sur les "Late Embryogenesis Abundant proteins". Elle a pour but d'étudier la relation structure - fonction de ces protéines impliquées entre autre dans la protection contre les stress biotiques et abiotiques.

7. La structuration de la bioinformation: fichiers et formats

Les séquences sont stockées en général sous forme de fichiers texte qui peuvent être soit des fichiers personnels (présents dans un espace personnel), soit des fichiers publics (séquences des banques) accessibles par des programmes interfaces (tels que SRS, GCG, Entrez).

Le format correspond à l'ensemble des règles (contraintes) de présentation auxquelles sont soumises la ou les séquences dans un fichier donné. Le format permet :

• une mise en forme automatisée
• le stockage homogène de l'information
• le traitement informatique ultérieur de l'information.

Pour lire et traiter les séquences, les logiciels d'analyse autorisent un ou plusieurs formats des données.

Voir des exemples de formats.

8. Exemples d'algorithmes et de programmes en bioinformatique

La bioinformatique utilise des programmes spécifiques écrits dans des langages qui peuvent lui être spécifiques. En effet, si la recherche de motifs dans les séquences est bien traitée par les algorithmes d'analyse de texte ("combinatorial pattern matching"), la séquence seule ne suffit pas pour déterminer la fonction de certaines macromolécules comme les ARN, car il faut tenir compte de leur structure tridimentionnelle. Dans ce cas, l'analyse bioinformatique nécessite de nouvelles méthodes :

• le développement de structures de données et d'algorithmes (arbres et tableaux de suffixes, automates...)
• la construction automatique (inférence) de structures d'ARN à partir d'alignements de séquences d'ARN ou d'un ensemble de séquences de même type et issues de différents organismes.

Il est difficile de définir en informatique les objets que manipulent les biologistes. Depuis des années, les bioinformaticiens utilisent des concepts aussi divers que :

• le recuit simulé
• les chaînes de Markov
• les statistiques bayésiennes
• les réseaux de neurones
• approche par modélisation ("model-driven approach") : les objets (par exemple, les séquences, les structures, les motifs, ...) ne sont plus étudiés (alignés, classés, …) par comparaison directe (deux à deux ou multiple) mais à travers la construction d'un modèle qui tente d'en capturer les propriétés communes

9. Exemple d'analyse bioinformatique d'une enzyme : la glutamate déshydrogénase (GDH)

On peut considérer la première réaction d'assimilation de l'azote (sous forme d'ammoniac) par la glutamate déshydrogénase (GDH) comme un point d'entrée dans le métabolisme azoté. L'atome d'azote est à l'origine de la fonction a-aminée des acides aminés selon la réaction :

NH₃⁺ + a-cétoglutarate + NAD(P)H + H⁺ <======> glutamate + NAD(P)⁺

Il existe trois isoformes de GDH :

• la GDH EC 1.4.1.2 qui catalyse la réaction dans le sens de la désamination essentiellement
• la GDH EC 1.4.1.3 qui catalyse la réaction dans les deux sens
• la GDH EC 1.4.1.4 (GDH4) qui catalyse la réaction dans le sens de formation du glutamate

La GDH4 joue peut-être un rôle clé dans l'assimilation de l'azote. Or ce rôle n'a pas encore été démontré, notamment chez les plantes. Par ailleurs, on ne dispose d'aucune information concernant la structure de la GDH4.

La bioinformatique permet l'étude prospective de la relation structure - fonction de la GDH.

10. Les domaines d'étude en "ome" ou "omique"

Le plein essor de la bioinformatique (telle qu'on la conçoit maintenant) a commencé avec la génomique (début des années 80) marquée par des évènements phares comme le séquençage du génome humain.

Puis la quantité et la multiplicité d'informations biologiques obtenues de même que les avancées technologiques ont fait apparaître au fur et à mesure d'autres domaines d'étude en "ome" ou "omique".

Leur définition évolue ce qui explique qu'elle puisse différer selon les sources.

11. Société : champs d'application de la bioinformatique et des domaines affèrant

La Bioinformatique (Infobiogen - Génopole d'Evry - France)

Cours : "Analyse bioinformatique des séquences"

Site : "L'information génétique" - Simple et didactique

Séquençage du génome humain : "The Human Genome Project"

Actualités concernant la génomique et les biotechnologies

Revue scientifique : "Bioinformatics"

Revue scientifique : "Nucleic Acids Research"

Revue scientifique : "OMICS: A Journal of Integrative Biology"

Fields & Johnston (2002) "Genomics : A Crisis in Postgenomic Nomenclature" Science 296, 671 - 672

Kanehisa & Bork (2003) "Bioinformatics in the post-sequence era" Nature Genetics 33, 305 - 310

Needleman, S.B. & Wunsch, C.D. (1970) "A general method applicable to the search for similarities in the amino acid sequence of two proteins" J. Mol. Biol. 48, 443 - 453

Smith, T. & Waterman M. (1981) "Identification of common molecular subsequences" J. Mol. Biol. 147, 195 - 197

Clustal W : Thompson, J. D., Higgins, D. G. & Gibson , T. J. (1994) "CLUSTAL W: improving the sensitivity of progressive multiple sequence alignment through sequence weighting, position-specific gap penalties and weight matrix choice" Nuc. Acids Res. 22, 4673 - 4680

FASTA : Pearson, W. R. & Lipman, D. J. (1988) "Improved tools for biological sequence comparison" Proc. Natl. Acad. Sci. USA 85, 2444 - 244

BLAST : Altschul, S. F., Gish, W., Miller, W., Myers, E. W. & Lipman, D. J. (1990) "Basic local alignment search tool" J Mol Biol 215, 403 - 410

BLAST

Article

Multalin : Corpet, F. (1988) "Multiple sequence alignment with hierarchical clustering" Nuc. Acids Res. 16, 10881 Ð 10890

ESpript : Gouet, P., Courcelle, E., Stuart, D. I. & Metoz, F. (1999) "ESPript : analysis of multiple sequence alignments in PostScript" Bioinformatics 15, 305 - 308

ESyPred3D : Lambert, C., Leonard, N., De Bolle, X. & Depiereux, E. (2002) "ESyPred3D : Prediction of proteins 3D structures" Bioinformatics 18, 1250 - 1256

Swiss-PdbViewer : Guex, N. & Peitsch M. C. (1997) "SWISS-MODEL and the Swiss-PdbViewer: an environment for comparative protein modeling" Electrophoresis 18, 2714 - 2723