Search

The human ADAMTS-TSL multidomain proteins are involved in numerous pathologies. Encoded by 26 paralogous genes, their domain combination is not sufficient to characterize their functional differences. We propose in this thesis a new approach to identify functional regions of the sequences. For this purpose, we use sequences from 9 eukaryotic species to identify conserved sequence modules specific to certain subgroups of homologous sequences. The evolutionary analysis of the identified modules is obtained by performing a joint phylogenetic reconstruction of genes, species and modules. Furthermore, to validate the functional interest of the identified modules, we associate phenotypes (PPI) to this evolutionary history. This has led to the identification of concomitant acquisitions of "modules/phenotypes", predicting the functionality of these modules. Applying this approach to human ADAMTS-TSL proteins has allowed us to identify new, finer, non-contiguous functional regions that can describe their specificities.; Les protéines multidomaines ADAMTS-TSL humaines sont impliquées dans de nombreuses pathologies. Codées par 26 gènes paralogues, leur combinatoire en domaines ne suffit pas à caractériser leurs différences fonctionnelles. Nous proposons dans cette thèse une nouvelle approche d'identification des régions fonctionnelles des séquences. Pour cela nous utilisons des séquences de 9 espèces eucaryotes afin d'identifier des modules de séquences conservées propres à certains sous-groupes de séquences homologues. L'analyse évolutive des modules identifiés est obtenue en effectuant une reconstruction phylogénétique conjointe des gènes, des espèces et des modules. Par ailleurs, pour valider l'intérêt fonctionnel des modules identifiés, nous associons des phénotypes (PPI) à cette histoire évolutive. Ce qui a abouti à identifier des acquisitions concomitantes de « modules/phénotypes », prédisant la fonctionnalité de ces modules. Appliquer cette approche aux protéines ADAMTS-TSL humaines nous a permis d'identifier de nouvelles régions fonctionnelles, plus fines, non contiguës et à même d'en décrire les spécificités.

The revolution in new sequencing technologies, by strongly improving the production of omics data, is greatly leading to new understandings of the relations between genotype and phenotype. To interpret and analyze data grouped according to a phenotype of interest, methods based on statistical enrichment became a standard in biology. However, these methods synthesize the biological information by a priori selecting the over-represented terms and focus on the most studied genes that may represent a limited coverage of annotated genes within a gene set. During this thesis, we explored different methods for annotating gene sets. In this frame, we developed three studies allowing the annotation of gene sets and thus improving the understanding of their biological context.First, visualization approaches were applied to represent annotation results provided by enrichment analysis for a gene set or a repertoire of gene sets. In this work, a visualization prototype called MOTVIS (MOdular Term VISualization) has been developed to provide an interactive representation of a repertoire of gene sets combining two visual metaphors: a treemap view that provides an overview and also displays detailed information about gene sets, and an indented tree view that can be used to focus on the annotation terms of interest. MOTVIS has the advantage to solve the limitations of each visual metaphor when used individually. This illustrates the interest of using different visual metaphors to facilitate the comprehension of biological results by representing complex data.Secondly, to address the issues of enrichment analysis, a new method for analyzing the impact of using different semantic similarity measures on gene set annotation was proposed. To evaluate the impact of each measure, two relevant criteria were considered for characterizing a “good” synthetic gene set annotation: (i) the number of annotation terms has to be drastically reduced while maintaining a sufficient level of details, and (ii) the number of genes described by the selected terms should be as large as possible. Thus, nine semantic similarity measures were analyzed to identify the best possible compromise between both criteria while maintaining a sufficient level of details. Using Gene Ontology (GO) to annotate the gene sets, we observed better results with node-based measures that use the terms’ characteristics than with edge-based measures that use the relations terms. The annotation of the gene sets achieved with the node-based measures did not exhibit major differences regardlessof the characteristics of the terms used. Then, we developed GSAn (Gene Set Annotation), a novel gene set annotation web server that uses semantic similarity measures to synthesize a priori GO annotation terms. GSAn contains the interactive visualization MOTVIS, dedicated to visualize the representative terms of gene set annotations. Compared to enrichment analysis tools, GSAn has shown excellent results in terms of maximizing the gene coverage while minimizing the number of terms.At last, the third work consisted in enriching the annotation results provided by GSAn. Since the knowledge described in GO may not be sufficient for interpreting gene sets, other biological information, such as pathways and diseases, may be useful to provide a wider biological context. Thus, two additional knowledge resources, being Reactome and Disease Ontology (DO), were integrated within GSAn. In practice, GO terms were mapped to terms of Reactome and DO, before and after applying the GSAn method. The integration of these resources improved the results in terms of gene coverage without affecting significantly the number of involved terms. Two strategies were applied to find mappings (generated or extracted from the web) between each new resource and GO. We have shown that a mapping process before computing the GSAn method allowed to obtain a larger number of inter-relations between the two knowledge resources.; Les avancées dans l’analyse de l’expression différentielle de gènes ont suscité un vif intérêt pour l’étude d’ensembles de gènes présentant une similarité d’expression au cours d’une même condition expérimentale. Les approches classiques pour interpréter l’information biologique reposent sur l’utilisation de méthodes statistiques. Cependant, ces méthodes se focalisent sur les gènes les plus connus tout en générant des informations redondantes qui peuvent être éliminées en prenant en compte la structure des ressources de connaissances qui fournissent l’annotation. Au cours de cette thèse, nous avons exploré différentes méthodes permettant l’annotation d’ensembles de gènes. Dans ce cadre, nous avons élaboré trois travaux permettant l’annotation d’ensembles de gènes pour améliorer la compréhension de leur contexte biologique. Premièrement, nous présentons les solutions visuelles développées pour faciliter l’interprétation des résultats d’annota-tion d’un ou plusieurs ensembles de gènes. Dans ce travail, nous avons développé un prototype de visualisation, appelé MOTVIS, qui explore l’annotation d’une collection d’ensembles des gènes. MOTVIS utilise ainsi une combinaison de deux vues inter-connectées : une arborescence qui fournit un aperçu global des données mais aussi des informations détaillées sur les ensembles de gènes, et une visualisation qui permet de se concentrer sur les termes d’annotation d’intérêt. La combinaison de ces deux visualisations a l’avantage de faciliter la compréhension des résultats biologiques lorsque des données complexes sont représentées.Deuxièmement, nous abordons les limitations des approches d’enrichissement statistique en proposant une méthode originale qui analyse l’impact d’utiliser différentes mesures de similarité sémantique pour annoter les ensembles de gènes. Pour évaluer l’impact de chaque mesure, nous avons considéré deux critères comme étant pertinents pour évaluer une annotation synthétique de qualité d’un ensemble de gènes : (i) le nombre de termes d’annotation doit être réduit considérablement tout en gardant un niveau suffisant de détail, et (ii) le nombre de gènes décrits par les termes sélectionnés doit être maximisé. Ainsi, neuf mesures de similarité sémantique ont été analysées pour trouver le meilleur ompromis possible entre réduire le nombre de termes et maintenir un niveau suffisant de détails fournis par les termes choisis. Tout en utilisant la Gene Ontology (GO) pour annoter les ensembles de gènes, nous avons obtenu de meilleurs résultats pour les mesures de similarité sémantique basées sur les nœuds qui utilisent les attributs des termes, par rapport aux mesures basées sur les arêtes qui utilisent les relations qui connectent les termes. Enfin, nous avons développé GSAn, un serveur web basé sur les développements précédents et dédié à l’annotation d’un ensemble de gènes a priori. GSAn intègre MOTVIS comme outil de visualisation pour présenter conjointement les termes représentatifs et les gènes de l’ensemble étudié. Nous avons comparé GSAn avec des outils d’enrichissement et avons montré que les résultats de GSAn constituent un bon compromis pour maximiser la couverture de gènes tout en minimisant le nombre de termes.Le dernier point exploré est une étape visant à étudier la faisabilité d’intégrer d’autres ressources dans GSAn pour améliorer les résultats. Nous avons ainsi intégré deux ressources, l’une décrivant les maladies humaines avec Disease Ontology (DO) et l’autre les voies métaboliques avec Reactome. Le but était de fournir de l’information supplémentaire aux utilisateurs finaux de GSAn. Nous avons évalué l’impact de l’ajout de ces ressources de connaissances dans GSAn lors de l’analyse d’ensembles de gènes. L’intégration de ces ressources a amélioré les résultats en couvrant d’avantage de gènes sans pour autant affecter de manière significative le nombre de termes impliqués. Ensuite, les termes GO ont étémis en correspondance avec les termes DO et Reactome, a priori et a posteriori des calculs effectués par GSAn. Nous avons montré qu’un processus de mise en correspondance appliqué a priori permettait d’obtenir un plus grand nombre d’inter-relations entre les deux ressources.

La membrane vitelline (MV) de l’œuf de poule est une membrane protéique acellulaire située à l’interface du blanc et du jaune. En reproduction aviaire, elle est impliquée dans l’interaction entre l’ovocyte et les spermatozoïdes au moment de la fécondation, dans le développement embryonnaire précoce ainsi que dans la protection physique et antimicrobienne de l’embryon. Elle contribue de ce fait à la qualité des œufs à couver et au bon développement des embryons ainsi qu’à la qualité des œufs de consommation (non fécondés). La MV est constituée d’une couche interne (MVI) en contact avec le jaune et d’une couche externe (MVE) en contact avec le blanc. À ce jour, environ 140 protéines différentes ont été identifiées dans la MV ; cependant, la distribution de ces protéines entre la MVI et la MVE reste à élucider. La présente étude vise à enrichir le répertoire des protéines connues dans la MV et à comparer la composition en protéines de la MVI et de la MVE afin de préciser leurs fonctions respectives.La MVI et la MVE ont été séparées manuellement à partir de MV d'œufs fraîchement pondus et les protéines de ces deux couches ont été solubilisées indépendamment et analysées par SDS-PAGE et GeLC-MS / MS. Plus de 550 protéines ont été identifiées dans l'ensemble de la MV. Environ 410 et 340 protéines ont été identifiées dans la MVI et la MVE, respectivement, dont certaines sont retrouvées dans les deux couches tandis que d’autre sont spécifiques de l’une ou l’autre des deux couches. Les données préliminaires résultant de l'annotation fonctionnelle des protéines (ontologie des gènes / bibliographie) révèlent la présence de nombreuses protéines associées non seulement à la fécondation et à la défense antimicrobienne, mais aussi à de nombreuses autres fonctions biologiques telles que l’adhérence et la migration cellulaires, le métabolisme et la morphogenèse, etc. Les résultats de cette étude témoignent de la complexité des rôles joués par la MV dans l’œuf et le développement embryonnaire précoce de l’oiseau. Ces résultats sont actuellement complétés par une analyse expressionnelle des protéines de la MV afin de préciser leur lieu et leur spécificité tissulaire de synthèse.

The revolution in new sequencing technologies, by strongly improving the production of omics data, is greatly leading to new understandings of the relations between genotype and phenotype. To interpret and analyze data grouped according to a phenotype of interest, methods based on statistical enrichment became a standard in biology. However, these methods synthesize the biological information by a priori selecting the over-represented terms and focus on the most studied genes that may represent a limited coverage of annotated genes within a gene set. During this thesis, we explored different methods for annotating gene sets. In this frame, we developed three studies allowing the annotation of gene sets and thus improving the understanding of their biological context.First, visualization approaches were applied to represent annotation results provided by enrichment analysis for a gene set or a repertoire of gene sets. In this work, a visualization prototype called MOTVIS (MOdular Term VISualization) has been developed to provide an interactive representation of a repertoire of gene sets combining two visual metaphors: a treemap view that provides an overview and also displays detailed information about gene sets, and an indented tree view that can be used to focus on the annotation terms of interest. MOTVIS has the advantage to solve the limitations of each visual metaphor when used individually. This illustrates the interest of using different visual metaphors to facilitate the comprehension of biological results by representing complex data.Secondly, to address the issues of enrichment analysis, a new method for analyzing the impact of using different semantic similarity measures on gene set annotation was proposed. To evaluate the impact of each measure, two relevant criteria were considered for characterizing a "good" synthetic gene set annotation: (i) the number of annotation terms has to be drastically reduced while maintaining a sufficient level of details, and (ii) the number of genes described by the selected terms should be as large as possible. Thus, nine semantic similarity measures were analyzed to identify the best possible compromise between both criteria while maintaining a sufficient level of details. Using GO to annotate the gene sets, we observed better results with node-based measures that use the terms’ characteristics than with edge-based measures that use the relations terms. The annotation of the gene sets achieved with the node-based measures did not exhibit major differences regardless of the characteristics of the terms used. Then, we developed GSAn (Gene Set Annotation), a novel gene set annotation web server that uses semantic similarity measures to synthesize a priori GO annotation terms. GSAn contains the interactive visualization MOTVIS, dedicated to visualize the representative terms of gene set annotations. Compared to enrichment analysis tools, GSAn has shown excellent results in terms of maximizing the gene coverage while minimizing the number of terms.At last, the third work consisted in enriching the annotation results provided by GSAn. Since the knowledge described in GO may not be sufficient for interpreting gene sets, other biological information, such as pathways and diseases, may be useful to provide a wider biological context. Thus, two additional knowledge resources, being Reactome and Disease Ontology (DO), were integrated within GSAn. In practice, GO terms were mapped to terms of Reactome and DO, before and after applying the GSAn method. The integration of these resources improved the results in terms of gene coverage without affecting significantly the number of involved terms. Two strategies were applied to find mappings (generated or extracted from the web) between each new resource and GO. We have shown that a mapping process before computing the GSAn method allowed to obtain a larger number of inter-relations between the two knowledge resources., Les avancées dans l'analyse de l'expression différentielle de gènes ont suscité un vif intérêt pour l'étude d'ensembles de gènes présentant une similarité d'expression au cours d'une même condition expérimentale. Les approches classiques pour interpréter l'information biologique reposent sur l'utilisation de méthodes statistiques. Cependant, ces méthodes se focalisent sur les gènes les plus connus tout en générant des informations redondantes qui peuvent être éliminées en prenant en compte la structure des ressources de connaissances qui fournissent l'annotation. Au cours de cette thèse, nous avons exploré différentes méthodes permettant l'annotation d'ensembles de gènes.Premièrement, nous présentons les solutions visuelles développées pour faciliter l'interprétation des résultats d'annota-tion d'un ou plusieurs ensembles de gènes. Dans ce travail, nous avons développé un prototype de visualisation, appelé MOTVIS, qui explore l'annotation d'une collection d'ensembles des gènes. MOTVIS utilise ainsi une combinaison de deux vues inter-connectées : une arborescence qui fournit un aperçu global des données mais aussi des informations détaillées sur les ensembles de gènes, et une visualisation qui permet de se concentrer sur les termes d'annotation d'intérêt. La combinaison de ces deux visualisations a l'avantage de faciliter la compréhension des résultats biologiques lorsque des données complexes sont représentées.Deuxièmement, nous abordons les limitations des approches d'enrichissement statistique en proposant une méthode originale qui analyse l'impact d'utiliser différentes mesures de similarité sémantique pour annoter les ensembles de gènes. Pour évaluer l'impact de chaque mesure, nous avons considéré deux critères comme étant pertinents pour évaluer une annotation synthétique de qualité d'un ensemble de gènes : (i) le nombre de termes d'annotation doit être réduit considérablement tout en gardant un niveau suffisant de détail, et (ii) le nombre de gènes décrits par les termes sélectionnés doit être maximisé. Ainsi, neuf mesures de similarité sémantique ont été analysées pour trouver le meilleur compromis possible entre réduire le nombre de termes et maintenir un niveau suffisant de détails fournis par les termes choisis. Tout en utilisant la Gene Ontology (GO) pour annoter les ensembles de gènes, nous avons obtenu de meilleurs résultats pour les mesures de similarité sémantique basées sur les nœuds qui utilisent les attributs des termes, par rapport aux mesures basées sur les arêtes qui utilisent les relations qui connectent les termes. Enfin, nous avons développé GSAn, un serveur web basé sur les développements précédents et dédié à l'annotation d'un ensemble de gènes a priori. GSAn intègre MOTVIS comme outil de visualisation pour présenter conjointement les termes représentatifs et les gènes de l'ensemble étudié. Nous avons comparé GSAn avec des outils d'enrichissement et avons montré que les résultats de GSAn constituent un bon compromis pour maximiser la couverture de gènes tout en minimisant le nombre de termes.Le dernier point exploré est une étape visant à étudier la faisabilité d'intégrer d'autres ressources dans GSAn. Nous avons ainsi intégré deux ressources, l'une décrivant les maladies humaines avec Disease Ontology (DO) et l'autre les voies métaboliques avec Reactome. Le but était de fournir de l'information supplémentaire aux utilisateurs finaux de GSAn. Nous avons évalué l'impact de l'ajout de ces ressources dans GSAn lors de l'analyse d’ensembles de gènes. L'intégration a amélioré les résultats en couvrant d'avantage de gènes sans pour autant affecter de manière significative le nombre de termes impliqués. Ensuite, les termes GO ont été mis en correspondance avec les termes DO et Reactome, a priori et a posteriori des calculs effectués par GSAn. Nous avons montré qu'un processus de mise en correspondance appliqué a priori permettait d'obtenir un plus grand nombre d'inter-relations entre les deux ressources.

Background Improving functional annotation of the chicken genome is a key challenge in bridging the gap between genotype and phenotype. Among all transcribed regions, long noncoding RNAs (lncRNAs) are a major component of the transcriptome and its regulation, and whole-transcriptome sequencing (RNA-Seq) has greatly improved their identification and characterization. We performed an extensive profiling of the lncRNA transcriptome in the chicken liver and adipose tissue by RNA-Seq. We focused on these two tissues because of their importance in various economical traits for which energy storage and mobilization play key roles and also because of their high cell homogeneity. To predict lncRNAs, we used a recently developed tool called FEELnc, which also classifies them with respect to their distance and strand orientation to the closest protein-coding genes. Moreover, to confidently identify the genes/transcripts expressed in each tissue (a complex task for weakly expressed molecules such as lncRNAs), we probed a particularly large number of biological replicates (16 per tissue) compared to common multi-tissue studies with a larger set of tissues but less sampling. Results We predicted 2193 lncRNA genes, among which 1670 were robustly expressed across replicates in the liver and/or adipose tissue and which were classified into 1493 intergenic and 177 intragenic lncRNAs located between and within protein-coding genes, respectively. We observed similar structural features between chickens and mammals, with strong synteny conservation but without sequence conservation. As previously reported, we confirm that lncRNAs have a lower and more tissue-specific expression than mRNAs. Finally, we showed that adjacent lncRNA-mRNA genes in divergent orientation have a higher co-expression level when separated by less than 1 kb compared to more distant divergent pairs. Among these, we highlighted for the first time a novel lncRNA candidate involved in lipid metabolism, lnc_DHCR24, which is highly correlated with the DHCR24 gene that encodes a key enzyme of cholesterol biosynthesis. Conclusions We provide a comprehensive lncRNA repertoire in the chicken liver and adipose tissue, which shows interesting patterns of co-expression between mRNAs and lncRNAs. It contributes to improving the structural and functional annotation of the chicken genome and provides a basis for further studies on energy storage and mobilization traits in the chicken. Electronic supplementary material The online version of this article (doi:10.1186/s12711-016-0275-0) contains supplementary material, which is available to authorized users.

Functional annotation of livestock genomes is a critical and obvious next step to derive maximum benefit for agriculture, animal science, animal welfare and human health. The aim of the Fr-AgENCODE project is to generate multi-species functional genome annotations by applying high-throughput molecular assays on three target tissues/cells relevant to the study of immune and metabolic traits. Here we present on-going results on gene expression and chromatin conformation in hepatocytes and CD3+CD4+ (“CD4”) and CD3+CD8+ (“CD8”) T cells with a focus on the pig species (two male and two female Large White adult pigs). These samples were processed by strand-oriented RNA-seq and ATAC-seq experiments. Principal Component Analyses on log-transformed TMM-normalized read counts in genes (from RNA-seq) and regions of chromatin accessibility (from ATAC-seq) consistently highlighted the variability between liver and the T cells, and to a lesser extent within T cells (CD4 vs. CD8), as well as between the male and female samples. Comparative analyses identified differentially expressed genes between cell types as well as potential regulatory sites from differentially accessible chromatin regions. As expected, ontology annotations of differentially expressed genes were enriched for either immunity- or metabolism-related terms. Interestingly, correlations between gene expression and promoter accessibility across samples were enriched for both extreme positive and negative values, which suggests that ATAC-seq can efficiently capture distinct regulatory mechanisms of gene expression. Candidate enhancers and repressors were identified by comparing ATAC-seq regions with predicted binding sites of 500+ transcription factors. By integrating these results with those from Hi-C chromosome conformation capture on the liver samples, we investigated differences between “active” and “repressed” topological domains in terms of functional features, including gene density and general chromatin accessibility. Altogether, these results lead to a better understanding of the molecular mechanisms involved in pig immune and metabolic functions, and illustrate a useful contribution to the functional annotation effort of the FAANG initiative.

L’analyse des transcriptomes de foies de canards de différents types génétiques, nourris ad libitum ou gavés et présentant des aptitudes différentes à la production de foie gras, a été conduite afin de mettre en évidence les gènes présentant des différences d’expression et ainsi mieux comprendre les mécanismes impliqués dans le développement de la stéatose hépatique. Des ARN ont donc été extraits de foies provenant de canards communs, de Barbarie et de leurs hybrides réciproques mulards et hinnies, gavés ou non. Ces ARN ont été séquencés à haut débit et l’analyse des données d’expression a été réalisée. Des analyses par classification hiérarchique ou en composantes principales montrent que le premier regroupement des individus se fait en fonction du régime alimentaire, les différences entre types génétiques n’intervenant qu’ensuite. Les canards de Barbarie nourris ad libitum sont cependant plus proches des canards de Barbarie gavés que des autres canards nourris ad libitum. Parmi tous les groupes constitués, celui des canards Pékin gavés est le plus hétérogène. Par contre, et pour chacun des deux régimes, les canards mulards et hinnies ne peuvent pas être distingués. De nombreux gènes présentent des différences d’expression selon le régime alimentaire, gènes impliqués dans diverses voies métaboliques plus ou moins attendues comme le catabolisme des sucres, la lipogenèse ou le cycle cellulaire, l’immunité et la réponse inflammatoire. Enfin, ces processus d’annotation fonctionnelle permettent aussi de distinguer des fonctions discriminant les réponses au gavage des différents types génétiques. Au final, ce projet permet d’améliorer la connaissance des fonctions mises en œuvre lors du gavage et impliquées dans le développement de la stéatose hépatique dans quatre types génétiques de canards., Transcriptome analyses have been conducted on RNAs extracted from the livers of ducks, ad libitum fed or overfed and presenting different susceptibility to fatty liver production, in order to identify genes with differences in expression and thus to better describe mechanisms involved in hepatic steatosis. RNAs have been extracted from the liver of “pure species”, Pekin and Muscovy ducks, and of their reciprocal hybrids, mule and hinny. RNAs have been sequenced and sequencing data have been analyzed. Hierarchic clustering and principal component analyses indicate that differences between individuals lie primarily in feeding effect, differences between genotypes being less important. However, Muscovy ducks ad libitum fed and overfed are clustered together. Interestingly, hinny and mule ducks are clustered together according to feeding. Many genes with differences in expression between overfed and ad libitum fed have been identified. Analyses of functional annotations associated to these differential genes highlight some expected functions (carbohydrate and lipid metabolisms) but also some unexpected ones (cell proliferation and immunity). These analyses also allow to evidence differences in response to overfeeding between the different genotypes. Finally, these RNA sequence analyses help to better characterize functions involved in hepatic steatosis in ducks.

We describe an emerging initiative - the ‘Functional Annotation of All Salmonid Genomes’ (FAASG), which will leverage the extensive trait diversity that has evolved since a whole genome duplication event in the salmonid ancestor, to develop an integrative understanding of the functional genomic basis of phenotypic variation. The outcomes of FAASG will have diverse applications, ranging from improved understanding of genome evolution, to improving the efficiency and sustainability of aquaculture production, supporting the future of fundamental and applied research in an iconic fish lineage of major societal importance. © The Author(s). 2017 Open Access This article is distributed under the terms of the Creative Commons Attribution 4.0 International License (http://creativecommons.org/licenses/by/4.0/)

We describe an emerging initiative - the 'Functional Annotation of All Salmonid Genomes' (FAASG), which will leverage the extensive trait diversity that has evolved since a whole genome duplication event in the salmonid ancestor, to develop an integrative understanding of the functional genomic basis of phenotypic variation. The outcomes of FAASG will have diverse applications, ranging from improved understanding of genome evolution, to improving the efficiency and sustainability of aquaculture production, supporting the future of fundamental and applied research in an iconic fish lineage of major societal importance.

Intégration de bases de données d’annotations fonctionnelles et exploitation pour l’analyse par enrichissement de groupes de gènes selon leurs annotations fonctionnelles

GenFam est un système intégratif d'analyse de familles de gènes. Ce système permet (i) de créer des familles de gènes de génomes complets, (ii) d'exécuter une analyse phylogénétique de cette famille à travers le gestionnaire de workflows Galaxy afin de définir l es relations d'homologie, (iii) d'étudier des événements évolutifs à partir de blocs de synténie précalculées avec le workflow SynMap de la plateforme de génomique comparative (CoGe) et (iv) d'intégrer ces résultats dans l'interface de visualisation synthé tique. La première application de GenFam est d'identifier des gènes candidats pour la tolérance aux stress environnementaux. Il nécessite de mettre en évidence la présence de séquences régulatrices cis spécifiques de la réponse aux stress (de type ABRE, DR E). Dans ce contexte, nous avons besoin d'intégrer de nouveaux outils afin de découvrir et chercher des sites de fixation de facteurs de transcription (Transcription Factor Binding Sites, TFBS) dans les séquences promotrices des gènes membre de la famille étudiée. Ce workflow Galaxy va, d'une part, sélectionner les régions flanquantes en 5' ou en 3' des gènes d'intérêts selon le choix de l'utilisateur. D'autre part, les régions flanquantes sont analysées afin de découvrir et rechercher les motifs de séquenc es régulatrices cis spécifiques de la réponse aux stress avec des méthodes complémentaires comme MEME, STIF, PHYME. Ces résultats ainsi que l'annotation fonctionnelle des gènes étiquetés comme étant impliqués dans la réponse au stress seront intégrés dans l'interface de visualisation. Ce travail doit permettre une réflexion sur la notion d'orthologie fonctionnelle et effectuer une recherche translationnelle depuis les espèces modèles jusqu'aux espèces d'intérêt agronomique (i.e identifier des gènes candidat s pour la réponse au stress du caféier à partir d'informations fonctionnelles connues chez Arabidopsis).

In this study, we propose an approach aiming at fine-mapping adiposity QTL in chicken, integrating whole genome re-sequencing data. First, two QTL regions for adiposity were identified by performing a classical linkage analysis on 1362 offspring in 11 sire families obtained by crossing two meat-type chicken lines divergently selected for abdominal fat weight. Those regions, located on chromosome 7 and 19, contained a total of 77 and 84 genes, respectively. Then, SNPs and indels in these regions were identified by re-sequencing sires. Considering issues related to polymorphism annotations for regulatory regions, we focused on the 120 and 104 polymorphisms having an impact on protein sequence, and located in coding regions of 35 and 42 genes situated in the two QTL regions. Subsequently, a filter was applied on SNPs considering their potential impact on the protein function based on conservation criteria. For the two regions, we identified 42 and 34 functional polymorphisms carried by 18 and 24 genes, and likely to deeply impact protein, including 3 coding indels and 4 nonsense SNPs. Finally, using gene functional annotation, a short list of 17 and 4 polymorphisms in 6 and 4 functional genes has been defined. Even if we cannot exclude that the causal polymorphisms may be located in regulatory regions, this strategy gives a complete overview of the candidate polymorphisms in coding regions and prioritize them on conservation- and functional-based arguments.

The functional annotation of genes based on sequence homology with genes from model species genomes is time-consuming because it is necessary to mine several unrelated databases. The aim of the present work was to develop a functional annotation database for common wheat Triticum aestivum (L.). The database, named dbWFA, is based on the reference NCBI UniGene set, an expressed gene catalogue built by expressed sequence tag clustering, and on full-length coding sequences retrieved from the TriFLDB database. Information from good-quality heterogeneous sources, including annotations for model plant species Arabidopsis thaliana (L.) Heynh. and Oryza sativa L., was gathered and linked to T. aestivum sequences through BLAST-based homology searches. Even though the complexity of the transcriptome cannot yet be fully appreciated, we developed a tool to easily and promptly obtain information from multiple functional annotation systems (Gene Ontology, MapMan bin codes, MIPS Functional Categories, PlantCyc pathway reactions and TAIR gene families). The use of dbWFA is illustrated here with several query examples. We were able to assign a putative function to 45% of the UniGenes and 81% of the full-length coding sequences from TriFLDB. Moreover, comparison of the annotation of the whole T. aestivum UniGene set along with curated annotations of the two model species assessed the accuracy of the annotation provided by dbWFA. To further illustrate the use of dbWFA, genes specifically expressed during the early cell division or late storage polymer accumulation phases of T. aestivum grain development were identified using a clustering analysis and then annotated using dbWFA. The annotation of these two sets of genes was consistent with previous analyses of T. aestivum grain transcriptomes and proteomes. Database URL: urgi.versailles.inra.fr/dbWFA/

absent

The main topic of this thesis is functional annotation. Functional annotation consists in associating proteins with biological functions. We explored two aspects of functional annotation. On one hand, we have tested the hypothesis that the order of domains in a protein could play a role in a protein biological function. We have introduced the new notion of sequential nugget of knowledge as an association of a sequence of items with a predetermined target. We have designed and implemented SNK, an algorithm that find such nuggets of knowledge. SNK algorithm has been adapted to fit specific needs expressed by our biologist collaborators. SNK has been successfully used to study a protein family. On the other band, we were interested in biological ontologies and functional hierarchies used by experts to perform functional annotation. Many of these structured and controlled vocabularies exist and express various aspects on the annotation. The mapping of biological ontologies appeared as a need to enable the study of whole set of annotation data for genomics purpose. We have chosen to develop a dedicated method O'Browser, that use specificity of biological ontologies by (i) using a matcher based on homology relationships between proteins annotated with the ontologies, and (ii) introducing the notion of adaptive weighting of matchers. This method has been used for the alignment of two functional hierarchies., Le thème principal de cette thèse est l'annotation fonctionnelle, qui consiste à associer à une protéine sa ou ses fonctions biologiques. Nous nous sommes intéressés à deux aspects. Dans un premier temps, nous avons testé l'hypothèse biologique selon laquelle l'ordre des domaines dans une protéine pourrait jouer un rôle dans la fonction biologique de celle-ci. Pour cela, nous avons introduit la notion de pépites séquentielles de connaissance comme une association séquentielle entre séquence d'items et une cible déterminée. Nous avons conçu et implémenté SNK, un algorithme pour rechercher ces pépites. Pour répondre à un besoin de nos collaborateurs, nous avons étendu l'algorithme SNK en lui donnant une spécification plus adaptée à la biologie, puis nous avons utilisé avec succès SNK pour l'étude d'une famille protéique. Dans un second temps, nous avons travaillé sur les ontologies biologiques et les hiérarchies fonctionnelles que les experts biologistes utilisent pour l'annotation. Il existe plusieurs de ces vocabulaires contrôlés et structurés exprimant chacun un point de vue sur l'annotation. Pour permettre de travailler avec l'ensemble de ces données d'annotation dans le cadre de travaux de génomique comparative. Il est apparu nécessaire de mettre en correspondance des ontologies biologiques. Nous avons choisi de développer une méthode de mapping, O'Browser, prenant en compte les spécificités des ontologies biologiques, en introduisant un matcher utilisant les relations d'homologie entre les protéines annotées par ces ontologies et la notion de pondération adaptative des ces matchers. Cette méthode a été utilisée pour l'alignement de deux hiérarchies fonctionnelles.

Événement(s) lié(s) : - IUFRO Tree Biotechnology Conference; Whistler (CAN) - (2009-06-28 - 2009-07-02); International audience; The Poplar Genome Portal project will provide a virtual meeting place for the research community interested in poplar genomics through web access to curated and interoperable relational databases. This project is complementary to the Dendrome project, mainly focused on conifer genomes. Present databases gather gene expression data (EST, SAGE, microarrays), functional annotation, genetic maps, QTLs, SNP and phenotypic data. The expression-database holds 328,583 quality-filtered ESTs representing 96 cDNA libraries. New tools enable SAGE tags analysis and electronic northern statistics coupled with poplar genome annotation. Among 371,226 worldwide public sequences, 89% were quality-filtered mainly through vector curation, nucleotide-duplication error detection and minimum sequence length. 94% of filtered EST were aligned on poplar Genome using FLAGdb++ tools. Part of this work is presently accessible through FLAGdb++ environment, a friendly-user graphical interface ((http://urgv.evry.inra.fr/FLAGdb). We developed web tools to cross-analyze various types of data, i.e. genetic map, gene models, Affymetrix probeset annotation and gene expression data.

Background large scale and reliable proteins' functional annotation is a major challenge in modern biology. Phylogenetic analyses have been shown to be important for such tasks. However, up to now, phylogenetic annotation did not take into account expression data (i.e. ESTs, Microarrays, SAGE, ...). Therefore, integrating such data, like ESTs in phylogenetic annotation could be a major advance in post genomic analyses. We developed an approach enabling the combination of expression data and phylogenetic analysis. To illustrate our method, we used an example protein family, the peptidyl arginine deiminases (PADs), probably implied in Rheumatoid Arthritis. Results the analysis was performed as follows: we built a phylogeny of PAD proteins from the NCBI's NR protein database. We completed the phylogenetic reconstruction of PADs using an enlarged sequence database containing translations of ESTs contigs. We then extracted all corresponding expression data contained in EST database This analysis allowed us 1/ To extend the spectrum of homologs-containing species and to improve the reconstruction of genes' evolutionary history. 2/ To deduce an accurate gene expression pattern for each member of this protein family. 3/ To show a correlation between paralogous sequences' evolution rate and pattern of tissular expression. Conclusion coupling phylogenetic reconstruction and expression data is a promising way of analysis that could be applied to all multigenic families to investigate the relationship between molecular and transcriptional evolution and to improve functional annotation.

The 15 years straddling the end of the XXth and the beginning of the XXIst centuries saw spectacular progress in molecular biology. The analysis of spontaneous or induced mutants in man and model species, using these new techniques and concepts of molecular genetics, has lead to the identification of the specific function of thousands of genes. Fine mapping of genomes has been a key step in such identification. However, it is now clear that understanding regulatory mechanisms cannot be achieved by studying isolated genes only, but that, on the contrary, it must focus on the combined and dynamic expression of the entire gene network. Genome sequencing projects have inaugurated a series of new techniques, photographing in real time the result of genomic expression in different cell types under various physiological or pathological conditions. The analysis and comparison of these specific patterns requires the extensive use of bio-informatic tools, already omnipresent in the production and exchange of biological data. Such research is expected to reveal the full functioning of living organisms at all levels of its organization, from molecules to the whole body. Far from being futuristic projects, the first computational attempts at physiological modeling are already in existence and constitute a clear turning point in our descriptive and predictive approach of biological phenomena., Les 15 années charnières entre le XXe et le XXIe siècle resteront marquées par les progrès spectaculaires de la biologie moléculaire. En particulier, les techniques et concepts de la génétique moléculaire, appliqués à l’Homme et aux espèces modèles, ont permis d’identifier par l’analyse de mutants spontanés ou induits la fonction individuelle de milliers de gènes. Le balisage fin des génomes a beaucoup contribué à accélérer cette identification. Il est cependant évident que la compréhension des mécanismes de régulation du vivant doit dépasser l’étude de gènes isolés pour intégrer au contraire l’expression combinée et dynamique de l’ensemble des gènes. Dans cette veine, le décryptage des génomes a inauguré la mise en oeuvre d’une série de techniques permettant de photographier en temps réel le résultat de l’expression du génome dans différents types cellulaires, éventuellement placés dans des situations physiologiques ou pathologiques différentes. L’analyse et la comparaison des profils obtenus passe par l’utilisation massive de l’outil informatique, omniprésent aujourd’hui dans la production et l’échange des données biologiques. In fine, il est attendu de pouvoir expliquer le fonctionnement du vivant à tous les niveaux de son organisation, de la molécule à l’organisme tout entier. Loin de projet futuristes, les premières ébauches computationnelles de modélisation physiologique ont déjà vu le jour et marquent un évident tournant dans notre approche descriptive et prédictive des phénomènes biologiques., Tiret Laurent. De la génomique aux modèles computationnels : les outils de la physiologie contemporaine. In: Bulletin de l'Académie Vétérinaire de France tome 158 n°4, 2005. pp. 527-537.