Modélisation de réseaux biochimiques bactériens – Un aller-retour entre données et modèles

With the advent of new technologies, experimental data in biology has exploded in size and complexity. It is now possible to simultaneously quantify different components of the cell at metabolic, transcriptomic, proteomic, and phenotypic levels. Connecting these different multi-scale and dynamic datasets provides an integrated view of cellular growth and informs us about the underlying molecular networks of genes, RNAs, proteins and metabolites that control the adaptation of the cell to the environment. This is the perspective offered by math-ematical modelling and computer simulation, allowing the association of different microscopic and macroscopic scales. This is a difficult problem however, because of the noise and the heterogeneity of the data, and of the size and the nonlinearity of the models. As a consequence, a large number of datasets are only partially analysed and underexploited. This manuscript describes the work I have carried out to improve the utilization of experimental data to gain a better understanding of the adaptation of bacterial growth to a changing environment. This work has been carried out within the Ibis project-team (Inria, Université Grenoble Alpes) with my colleagues, especially the students that I have had the chance to supervise. After the introductory Chapter 1, I describe in Chapter 2 the modelling of cellular networks using ordinary differential equations as well as simplification and approximation of the models depending on the nature of the available data and the questions addressed. These principles are applied in Chapter 3 to the qualitative analysis of the dynamics of gene networks in the context of the carbon starvation response in Escherichia colibacteria. With the general trend of biology becoming increasingly quantitative, modelling studies require obtaining reliable gene expression and metabolomic data, the analysis of which requires the development of suitable methods described in Chapter 4. Chapter 5 examines the strong link between the activity of the cellular gene expression machinery and bacterial growth rate. This understanding is used to develop a synthetic strain of E. coliwhose growth control makes it possible to divert the flow of precursors for growth towards the bioproduction of molecules of biotechnological interest. In Chapter 6, large-scale reconstructions of central carbon metabolism are used as platforms to interpret datasets regarding the post-transcriptional regulation of central carbon metabolisminE. coli. Chapter 7 is dedicated to the genome-scale analysis of mRNA decay by means of dynamic transcriptomics data. I describe in Chapter 8 ongoing and future projects towards the integrative analysis of microbial growth and resource allocation strategies. The scientific developments of these projects are expected to shape my own research activity in the coming years and that of the future project-team, under creation, that I will lead.Avec l’arrivée des nouvelles technologies, les données expérimentales en biologie ont explosé en taille et complexité. Il est désormais possible de quantifier en même temps différents composants de la cellule au niveau métabolique, transcriptomique, protéomique et de caractéristiques phénotypiques comme le taux de croissance. Relier ces différents jeux de donnée smulti-échelles et dynamiques permet d’obtenir une vision intégrée de la croissance cellulaire,en nous renseignant sur la façon dont les réseaux moléculaires sous-jacents de gènes, ARN,protéines et métabolites contrôlent l’adaptation des cellules à leur environnement. C’est le cadre qu’offrent la modélisation mathématique et la simulation informatique, en permettant d’associer les différentes échelles microscopiques et macroscopiques. C’est cependant un problème difficile, du fait du bruit et de l’hétérogénéité des données d’une part, et de la taille et la forme non-linéaire des modèles d’autre part. La conséquence est qu’un grand nombre de jeux de données ne sont que partiellement analysés et sous-exploités.Ce manuscrit décrit les travaux que j’ai menés pour améliorer l’utilisation de données expérimentales afin d’obtenir une meilleure compréhension de l’adaptation de la croissance bactérienne à un environnement changeant. Ces travaux ont été menés au sein de l’équipe-projet Ibis (Inria, Université Grenoble Alpes) avec mes collègues, en particulier les étudiants que j’ai eu la chance d’encadrer. Après un premier chapitre d’introduction, je décris en chapitre 2 les concepts de base de la modélisation des réseaux biochimiques. Je détaillerai en particulier les reconstructions du métabolisme cellulaire à l’échelle du génome et la modélisation cinétique des réactions enzymatiques, dont les concepts sont utilisés dans plusieurs travaux présentés dans ce manuscrit. La grande dimension et non linéarité des modèles cinétiques complique l’estimation de leurs paramètres et l’analyse de leur dynamique. Je présenterai des travaux sur des simplifications appropriées pour ces modèles selon la nature des données à disposition et les questions abordées, comme la réduction de modèles d’équations différentielles ordinaires (ODE) par séparation des échelles de temps ou l’approximation des modèles ODE par des modèles linéaires par morceaux. Du fait de leur dérivation rigoureuse, les modèles simplifiés retiennent les principales caractéristiques des modèles ODE. Ces approches seront utilisées pour les différents modèles dynamiques présentés dans ce manuscrit. Dans le chapitre 3, je présente des travaux d’analyse de la dynamique d’un réseau de régulation génique contrôlant la réponse à la privation en carbon de la bactérie Escherichiacoli. Lors de ces travaux, l’absence de données quantitatives dans la littérature ne permettait pas d’utiliser un modèle ODE pour décrire la dynamique du système. J’ai plutôt analysé la dynamique d’une version linéaire par morceaux de ce modèle par une approche de modélisation et simulation qualitative. Je décrirai le principe de cette approche avec un exemple simple et son application à l’étude du réseau de la réponse au manque de source de carbone. Cette approche a permis pour la première fois de relier la croissance d’E. coliavec les principaux régulateurs transcriptionnels de la bactérie, et de comprendre les cascades de régulations mises en place lors de la réponse à une privation en glucose ou du rédémarrage de croissance sur ce sucre.L’évolution de la biologie en une science quantitative permet d’obtenir de nombreusesviidonnées d’expression génique et du métabolisme cellulaire. La fiabilité de ces données nécessite le développement de méthodes d’analyse adaptées décrites dans le chapitre 4. Je décrirai des travaux sur l’analyse de données de gènes rapporteurs et l’analyse de données de métabolomique afin de pouvoir reconstruire des profils d’activités de promoteurs et de concentrations de protéines dans le premier cas, et des vitesses d’import et secrétion de métabolites extracellulaires,ainsi que des taux de croissance dans le second cas. Les données quantitatives utilisées dans le reste du manuscrit ont été analysées grâce à ces approches. Le chapitre 5 s’intéresse au lien étroit entre activité de la machinerie cellulaire d’expression génique et taux de croissance bactérien. A l’aide de modèles simples intégrant des données expérimentales de gènes rapporteurs, nous montrons le rôle clé joué par la machinerie d’expression génique dans l’adaptation globale de l’expression des gènes au cours de la croissance. Ces travaux montrent que le fonctionnement des réseaux biochimiques ne peut être déconnecté de l’état physiologique de la cellule. Cette compréhension est utilisée pour l’ingénierie d’une souched’E. colisynthétique dont le contrôle de la croissance permet de divertir les flux de précurseurs pour la croissance vers la bioproduction de molécules d’intérêt biotechnologique. Dans le chapitre 6, de grandes reconstructions du métabolisme et différents jeux de données (métabolomique, activités spécifiques) sont utilisées pour étudier la régulation post-transcriptionnelle du métabolisme central carboné chezE. coli. Ces travaux ont permis d’expliquer les conséquences physiologiques de l’atténuation du gène de la protéine CsrA et d’identifier des ARNm cibles de cette protéine. Nous avons en outre pu montrer que chezE. coliégalement, le glycogène joue un rôle de stockage de sucre qui sert de source d’énergie pour faciliter la transition de la croissance bactérienne d’une source de carbone à une autre.Le chapitre 7 s’intéresse à la dégradation de l’ensemble des ARNm d’E. coli. Je décrirai le développement d’un modèle simple reposant sur des approches de quasi-équilibre et permettant de prédire la cinétique de dégradation de chacun des ARNm cellulaires de la bactérieE. coli. Nous avons pu formuler de nouvelles hypothèses sur le rôle possible de la compétition entre ARNm pour leur fixation au dégradosome lors de l’adaptation de la croissance bactérienne à des changements environnementaux. Nous montrons également que ce mécanisme de compétition joue un rôle physiologique grâce à une approche de modélisation non linéaire à effets mixtes utilisant le modèle mécanistique de la dégradation des ARNm et des jeux de données de transcriptomique dynamique mesurant la cinétique de disparition des ARNm cellulaires.Le chapitre 8 est dédié à des projets en cours et futurs sur l’analyse intégrative de la croissance microbienne et les stratégies d’allocation de ressources des bactéries. Les travaux menés dans le cadre de ces projets vont définir mon activité scientifique dans les années à venir et celle de la future équipe-projet, en cours de création, dont je prendrai la direction