Développement de méthodes bioinformatiques pour l'analyse des régions protéiques non-globulaires et leur conservation au cours de l'évolution.

Bioinformatics methods development for analysis of non-globular regions in proteins and their conservation during evolution.

• Auteur / Autrice : Etienne Villain
• Direction : Andrey Kajava, Philippe Fort
• Type : Projet de thèse
• Discipline(s) : Biologie Santé
• Date : Inscription en doctorat le ; Soutenance le 03/12/2019
• Etablissement(s) : Montpellier
• Ecole(s) doctorale(s) : Sciences Chimiques et Biologiques pour la Santé
• Partenaire(s) de recherche : Laboratoire : CRBM - Centre de Recherche en Biologie cellulaire de Montpellier
• Jury : Président / Présidente : Pedro Maldonado coutinho
• Jury : Examinateurs / Examinatrices : Andrey Kajava, Damiano Piovesan, Philippe Fort, Sofia Kossida, Albert Guskov
• Jury : Rapporteur / Rapporteuse : Damiano Piovesan, Pedro Maldonado coutinho

Mots clés

Mots clés libres

Bioinformatique

Régions non-globulaire

Analyse à grande échelle

Régions intrinséquement déordonnées

Régions amyloïdogéniques

Bioinformatic

Large scale analysis

Non-globular region

Intrinsically disordered regions

Amyloidogenic regions

Résumé

Les protéines sont des composés majeurs de tous les systèmes vivants. Elles sont une classe de polymères composée de 20 résidus d’acides aminés différents. Selon la séquence de ces résidus, la protéine adopte un repliement spatial spécifique qui détermine ses propriétés fonctionnelles. Jusqu’à récemment, à cause de limitations techniques les études se sont principalement portées sur les régions globulaires des protéines. Cependant, d’autres régions telles que les régions transmembranaires, les régions amyloïdogéniques et les régions intrinsèquement désordonnées (communément nommées dans leur ensemble “région non globulaire” abrégée “RNG”) couvrent une large portion des protéines, sont impliquées dans une variété des fonctions cellulaires et sont associées à de nombreuses maladies. Ces régions sont supposées représenter une part importante de la “matière noire” de l’univers protéique (l’ensemble des protéines existantes) qui est supposée contenir des protéines de mécanismes cellulaires encore inconnus. Aujourd’hui les nouvelles méthodes bio-informatiques pour la prédiction des RNG au niveau de la séquence couplées aux larges bases de données de séquences protéiques sont une opportunité de complémenter les études expérimentales par des analyses bio-informatiques à large échelle. Notre but principal a été, en utilisant ces méthodes et bases de données, de produire une vue globale de la distribution des RNG à l’échelle de protéomes entiers, avec un intérêt particulier pour les régions amyloïdogéniques et d’étudier plus en détail les anomalies observables dans cette répartition. Nous avons sélectionné 94 protéomes pour couvrir autant que possible une proportion représentative de la diversité du vivant. Pour l’annotation de ces RNG sur ces protéines nous avons développé un pipeline logiciel basé sur l’état de l’art des prédicteurs de RNG disponibles. En conséquence, nous avons pu identifier un certain nombre d’anomalies dans la distribution de ces RNG à l’échelle d’espèce ou de famille de protéines. Parmi les anomalies observées, nous avons montré l’enrichissement en régions amyloïdes des porines et illustré la proximité entre les motifs protéiques des porines et les motifs amyloïdes. Ce résultat appuie l’hypothèse d’une cytotoxicité des amyloïdes induite par la capacité des oligomères à perméabiliser la membrane cellulaire en adoptant des structures similaires aux porines. Une autre anomalie observée a été l’enrichissement des protéines oncoprotectrices en régions amyloïdes. Dans le cadre d’une collaboration, nos travaux d’analyse bio-informatique ont été combinés avec des méthodes expérimentales pour l’étude d’une isoforme de p53. Nous avons montré que la principale différence structurelle entre l’isoforme et la protéine native était l’instabilité du domaine de liaison à l’ADN qui apparaît être déstructuré dans le cas de l’isoforme. Nous avons aussi montré en conséquence le risque d’exposer une région amyloïde normalement enfouie dans le cœur globulaire de p53. Finalement une des anomalies les plus fortes observées a été la faible fréquence des régions amyloïdes au sein des protéomes d’organismes thermophiles. Ceci nous a amené à étudier la composition des régions désordonnées en regard de la température optimale de croissance (abrégé “TOC”) des organismes procaryotes. Nous avons montré une forte corrélation notamment entre résidus chargés et apolaires au sein de ces régions et la TOC que nous avons pu lier aux propriétés particulières de ces résidus à haute température. Nous basant sur celle-ci, nous avons développé un logiciel, “Ogmios”, pour prédire la TOC d’organismes procaryotes selon la composition de leurs protéines. Ce logiciel peut notamment être utilisé pour prédire l’environnement de forme de vie ancestrale d’après la séquence inférée de leurs protéines.

Proteins are major compounds of all living systems. They are a class of polymers composed of 20 different amino acid residues chained together. Depending on its amino acid sequence the protein will adopt a specific three-dimensional structural state that determines its functional properties. Until recently, due to limitations of experimental methods, studies mainly focused on the globular part of the protein. Yet the other regions of proteins - such as trans-membrane regions, amyloidogenic regions, intrinsically disordered regions (together commonly referred as ''non-globular regions'', abbreviated ''NGRs'') represent a large portion of the proteins - perform a variety of functions in the cell and are associated to numerous diseases. These regions represent an important part of the “dark matter” of the protein universe and a better understanding of these regions is required for the understanding of still unknown cellular mechanisms. Today, the new bioinformatic methods for the prediction of NGRs at the sequence level and the large database of protein sequences open an opportunity to complement experimental studies by large scale bioinformatic analysis. Our main goal was to use these methods and datasets to obtain a global view on the distribution of NGRs in the proteomes with a particular focus on amyloidogenic regions, and to study more in detail the anomalies in this distribution. We selected a set of 94 proteomes to cover as far as possible a good portion of the diversity of life. To annotate the NGRs in these proteins we developed a software pipeline based on state of the art predictors. Subsequently, we identified and characterized anomalies in the distributions of these NGRs among the analysed species or within a specific family of proteins. Among the anomalies observed, we showed there was a strong tendency of porins to have amyloidogenic regions and illustrated the similarity between amyloidogenic and porin forming motifs. This result supports the hypothesis of amyloid toxicity induced by the ability of their oligomers to permeabilize the cell membrane through porin-like structures. Another anomaly observed was the predicted strong tendency to form amyloids among tumor suppressor proteins. In the frame of a collaboration, our bioinformatic analysis was combined with experimental tests of specific p53 isoforms. We showed that the main structural difference between the isoform and the native p53 is in the stability of the DNA binding domain which is unfolded in the isoform. We also highlight the risk to expose an amyloidogenic region usually buried in the globular core of p53. Finally, one of the strongest anomalies observed was the low amyloidogenicity of proteomes from thermophilic organisms. This led us to study amino acid composition of disordered regions with regard to the optimal growing temperature (abbreviated “OGT”) of prokaryote organisms. We show a strong correlation between the OGT and the charged and apolar residues that we linked to their particular properties at high temperature. Based on these correlations we developed a software, called “Ogmios”, to predict the OGT of an organism from the amino acid composition of the disordered regions of its proteins. This software can be used to predict the environment of ancestral lifeforms using their inferred protein sequences.