Étude d'un réseau de régulation génétique stochastique déterminant la différenciation des lymphocytes B dans un centre germinatif

Studying a stochastic gene regulatory network driving the germinal center B cell differentiation

• Auteur / Autrice : Alexey Koshkin
• Direction : Olivier Gandrillon, Fabien Crauste
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la vie et de la santé
• Date : Soutenance le 16/12/2021
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale de Biologie Moléculaire Intégrative et Cellulaire (Lyon)
• Partenaire(s) de recherche : établissement opérateur d'inscription : École normale supérieure de Lyon (2010-...)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de biologie et modélisation de la cellule. Lyon (1987-….)
• Partenaire(s) de recherche : établissement de codirection : Université Paris Cité (2019-....)
• Jury : Président / Présidente : Pascale Crépieux
• Jury : Examinateurs / Examinatrices : Olivier Gandrillon, Fabien Crauste, Pascale Crépieux, Delphine Ropers, María Rodríguez Martínez
• Jury : Rapporteurs / Rapporteuses : Pascale Crépieux, Delphine Ropers

Mots clés

Mots clés contrôlés

Centre germinatif

Biologie systémique

Mots clés libres

Réseaux de régulation génétique

Transcriptome de cellules uniques

Biologie des systèmes

Gene regulatory networks

Single-cell transcriptomics

Systems biology

Résumé

Les centres germinatifs (CG) sont les structures histologiques dédiées à la génération et à la sélection des cellules B qui produisent des anticorps de haute affinité. Cependant, des dysfonctionnements inattendus dans les CGs peuvent provoquer l'apparition de différentes pathologies, y compris la transformation maligne de ces cellules. Comprendre les réseaux de régulation de gènes (RRG) qui orchestrent cette réponse est donc une tâche critique. Les RRG décrivent comment la séquence génomique code la régulation de l’expression des gènes qui sont responsables de la génération des multiples états de différenciation. L'inférence de ces RRG à partir des données d'expression des gènes est une tâche ancienne et difficile en biologie des systèmes. Les nouvelles technologies permettent de mesurer les niveaux d'ARNm dans des cellules individuelles, ce qui promet une augmentation significative de la précision des RRG, mais nécessite des modèles pertinents. L’objectif de la thèse consistait à évaluer l'utilisation d'un nouveau modèle stochastique de RRG construit à partir d'un couplage de processus de Markov déterministes par morceaux (PDMP) pour ajuster les données transcriptomiques de cellules individuelles provenant de la séquence de différenciation des cellules B de CGs chez l’homme. Nous avons montré que ce modèle PDMP, qui a été construit à partir du couplage de trois facteurs de transcription et de deux récepteurs de surface cellulaire, peut estimer qualitativement les distributions de l'ARNm à différents stades de la différenciation des cellules B de CGs. Un accord quantitatif partiel a été obtenu par le réglage systématique des paramètres, mais un accord quantitatif complet s'est avéré particulièrement difficile. Notre modèle PDMP permet d'évaluer la structure du RRG et, à l'avenir, pourrait permettre de mieux comprendre les différents types de dysfonctionnements des mécanismes de régulation, responsables de l’apparition de pathologies.

GCs are the histological structures dedicated to generation and selection of B cells that produce high-affinity antibodies. However, unexpected malfunctioning in the GCs can cause the appearance of different pathologies, including the malignant transformation of B cell.Understanding the GRNs which orchestrate that response is therefore a critical task. GRNs describe how the genomic sequence encodes the regulation of expression sets of genes that are responsible for generation of developmental patterns and execution of the multiple states of differentiation. Inferring and evaluating GRNs from gene expression data is a long-standing andchallenging task in systems biology. Novel technology allows us to measure mRNA levels in individual cells, which promise significant increase of GRNs precision, but will require relevantmodels. Our aim was to assess the use of a new stochastic executable model for GRNs made from coupled PDMP to fit single cell transcriptomic data from the GCs B cells differentiation sequence.We showed that our PDMP model, which was built from the coupling of three transcription factorsand two cell surface receptors, can qualitatively estimate the distributions of the mRNA at differentstages of GC B cell differentiation. A partial quantitative agreement was obtained through systematic parameter tuning but a full quantitative agreement proved to be highly challenging. PDMP allows to evaluate the structure of the GRN, and in the future may lead to further understanding of the different types of dysfunctions of the regulatory mechanisms.