Upload
eveline-george
View
106
Download
0
Embed Size (px)
Citation preview
Comment modéliser l'interaction entre régulations métaboliques et régulations géniques ?
L'exemple du métabolisme carboné chez E. coli
Daniel Kahn, Hidde de Jong, Delphine Ropers, Hans Geiselmann, Jean-Charles Portais et Jean-Luc Gouzé
2
Problématique générale de la régulation
Les régulations cellulaires comportent plusieurs niveaux Réseaux de régulation de gènes
Régulations métaboliques
Ces niveaux interagissent L’expression génique influe sur le métabolisme par les changements de
concentration d’enzymes
Réciproquement le métabolisme influe sur l’expression des gènes
Existe-t-il une ‘logique’ de l’articulation des deux types de régulation ?
Sont-ils interchangeables ou contraints ?
Importance relative des composantes génique et métabolique
Analyse modulaire dite « hiérarchique »
module 1métabolisme
module 2protéines
module 3mRNA
4
La matrice de stoechiométrie
Les réactions du réseau métabolique sont exprimées dans la matrice de stoechiométrie N, dont les colonnes contiennent les coefficients de stoechiométrie de chaque réaction
Cette matrice reflète la structure du systèmeL’équation d’évolution des concentrations x du système
s’écrit alors simplement en fonction des vitesses v :
Formalisme à la base de la Théorie du Contrôle Métabolique (MCT)
dx / dt = N · v(x,p)
5
Analyse modulaire en MCT
Kahn & Westerhoff (1991) J. Theoret. Biol. 153:255-285
Décomposer les matrices par blocs
L’absence de flux de matière entre modules rend la matrice de stœchiométrie diagonale par blocs
N =
Cela permet le calcul explicite de l’effet des interactions entre niveaux sur le contrôle global
On peut ainsi calculer l’effet d’un feed-back du métabolisme sur l’expression génique
1
2
3
N
N
N
0
0
6
MCT et analyse de la régulation
Ce sont des sensibilités locales
uniquement les dynamiques locales au voisinage de l’état stationnaire
Formalisme non adapté à la description de transitions abruptes
Ne permet pas d’interpréter les transitoires entre états stationnaires éloignés
7
Modèle LPM de réseau génique
de Jong et al. (2003) Bioinformatics 19:336-344
Modélisation par des fonctions en escalier:
b
-
B
a
-
A
- -
xa a s-(xa , a2) s-(xb , b1 ) – a xa .
xb b s-(xa , a1) s-(xb , b2 ) – b xb .
x : protein concentration
, : rate constants : threshold concentration
Systèmes différentiels linéaires par morceaux (LPM)
x
s-(x, θ)
0
1
8
Graphe de changement d’états
• Contient les états d’équilibre (et les cycles éventuels)• Simulation qualitative: chemins atteignables dans ce graphe à
partir d’un état initial donné
a1 maxa0
maxb
a6
b1
b2
D2 D3 D4
D7
D5
D6
D1
D8 D9 D10
D11 D12 D13 D14 D15
D16 D17 D18
D24
D20
D21 D22 D23
D19
D25
QS3QS2QS1 QS4 QS5
QS10
QS15
QS20
QS25QS24QS23QS22QS21
QS16
QS11
QS6
QS7
QS12
QS17 QS18
QS19
QS13
QS14
QS8 QS9
9
Genetic Network Analyzer (GNA)
de Jong et al. (2003) Bioinformatics 19:336-344
Environnement de simulation de dynamiques qualitatives
10
Articuler les régulations
Modéliser conjointement les régulations métaboliques et géniques:
Réduire et simplifier pour pouvoir abstraire un fonctionnement intelligible
Développer une méthodologie de modélisation composite qui combine
des approximations différentes adaptées aux deux types de régulation
Mesurer les contributions respectives des deux types de régulation
Forces et faiblesses du modèle du point de vue systémique (robustesse, sensibilité, homéostasie, adaptabilité…)
Comprendre la logique biologique de la répartition entre les deux types de régulation
Système biologiqueGlucose
g6pG6PDH
PTSG
6pgl
RPI
rb5pRPE
f6p
PGI
fbp
PFK
TAL
gap
ALD
dhapTPI
bpg
GAPDH
2pg
PGK
3pg
PGM
pep
ENO
oaa
acoa
malpyrMAEb
PPC
PCK
ODC icit
akg
suc
glx
IDH
KGDH
ICL
CS
MALS
fum
PTSGPYK
PDH
cit
FBPGLPX
PGL
6pg
x5p
e4p
TKTB
s7p
gap r5p
x5p
TKTA
kdpg
6PGDH EDD
EDA
Gluconate
GNTT
gntGNTK
MannosePTSM
m6pMPI
pyr
Ribose
RIBT
ribRIBK
DeoxyRibose
DEOTDEOK
dr5p
acetaldh
Acetate
succoa
ACN
STKSDH
FUM
MDH
DEOA
ALDHAALDHB
ADH
PPS
EDA MAEa
acpPTA ACK
ACS
Fructose
TKf1p FBA
PTSF ga
POX
Acetate
NADH,H+ NAD+
n1 (ADP+Pi) n1 ATP
FADH2 FAD
n2 (ADP+Pi) n2 ATP
RESP1
RESP2
Pyruvate Acetate + CO2
n2 (ADP+Pi) n2 ATP
POX
?
Métabolisme carboné d’E. coli
12
Diauxie glucose-acétate
Transition bien caractérisée
Implique des changements importants
Au niveau métabolique
Glycolyse vers gluconéogénèse
Au niveau génique
Interaction forte des deux niveaux
Oh et al. (2002), J Biol Chem. 277(15):13175-83.
13
Modèle à base d’ODEs
Bettenbrock et al. (2005), J. Biol. Chem., 281(5): 2578-2584
Modèle cinétique avec plusieurs dizaines d’équations et plus de 100 paramètres
14
Modèle de régulation génique
rrnP1 P2
CRP
crp
cya
CYA
cAMP•CRP
FIS
TopA
topA
GyrAB
P1-P4P1 P2
P2P1-P’1
P
gyrABP
Signal (lack of carbon source)
DNA supercoiling
fis
tRNArRNA
protein
gene
promoter
Ropers et al. (2006), Biosystems 84:124-152
15
Modèle ‘benchmark’
Modèle de régulation entièrement spécifié par équations différentielles ordinaires (ODEs)
Objet ‘expérimental’ pour tester différentes approches de réduction et d’approximation
16
Quelle réduction, quelles approximations ?
Décomposition du système en une composante lente (génique) et une composante rapide (métabolique) sous-système rapide algébrique (hypothèse de quasi-stationnarité)
Agrégation de variables
Approximations des réponses fortement coopératives par des fonctions en escalier
Différentes linéarisations des réponses métaboliques
Comparaison des modèles réduits et/ou simplifiés avec le modèle complet à base d’ODEs
17
Modélisation de la diauxie glucose-acétate
Evaluation du modèle par analyse des dynamiques qualitatives (model-checking)
Identifiabilité des paramètres
Estimation de paramètres du modèle simplifié sur la base de données expérimentales :
métaboliques (concentrations, flux: RMN du 13C, IC-MS)
Expression génique (activités enzymatiques, microarrays, gènes
rapporteurs)
18
Volet expérimental
Les prédictions les plus intéressantes du modèle seront vérifiées par construction de mutants appropriés :
Au niveau des variables métaboliques
Au niveau de la dynamique d’expression du système
(rapporteurs fluorescents)
Zaslaver et al. (2006), Nature Methods, 3(8): 623-628
19
Rôles respectifs des régulations
Etude de la réponse métabolique dans le modèle lorsque les régulations géniques sont supprimées
Evaluation de la contribution de la composante génique à la réponse métabolique « Coefficients de régulation »
20
Typologie des régulations
‘hierarchical’
metabolic
mixed
antagonistic
21
Bio-info du métabolisme dans HELIX
Annotation, prédiction de réactions et de voies métaboliques Environnement Genostar d’exploration de génomes
Système PRIAM d’identification d’enzymes
Bases de données du métabolisme Base UniPathway de voies métaboliques
Analyse structurale du métabolisme
Analyse de l’évolution du métabolisme
Modélisation des flux et de leur régulation
22
Axes de collaboration INRA-HELIX
Lactococcus lactis
Département MICA M. Cocaign-Bousquet,
INRA-INSA Toulouse
P. Renault, Jouy
Buchnera aphidicola
Département SPEH. Charles, INRA-INSA Lyon
Escherichia coli
Département MICAJC Portais, INRA-INSA Toulouse
Modélisation des flux et de leur régulation
Delphine Ropers, Hidde de Jong, Daniel Kahn
Annotation, bases de données, analyse structurale
MF Sagot, A Morgat,
A Viari, E Coissac
Modélisation des flux et de leur régulation
Delphine Ropers, Hidde de Jong, Daniel Kahn
24
‘hierarchical’ ~ metabolic regulation coefficients
Rossell et al. (2006), PNAS 103:2166-2171
25
Préciser le rôle des régulations géniques
On observe un panachage des différents types de régulation
Le flux à travers une même étape peut être régulé de manière
différente, selon l’état physiologique de la cellule
Ce coefficient de régulation ‘génique’ ne prend pas en compte les
changements d’expression des autres enzymes du système
Donc le coefficient de régulation ‘métabolique’ dérive aussi
indirectement de ces changements d’expression
Les contributions génique et métabolique de la régulation ne sont
donc pas entièrement séparées
utilité du modèle conjoint
26
La matrice de stoechiométrie
Les réactions du réseau métabolique sont exprimées dans la matrice de stoechiométrie N, dont les colonnes contiennent les coefficients de stoechiométrie de chaque réaction.
La matrice de stoechiométrie reflète la
STRUCTURE du SYSTEME
L’évolution du système s’écrit : dx / dt = N · v(x,p)
L’évolution du système s’écrit :
dx / dt = N · v(x,p)
En termes de molarités indépendantes :
dx = L · dx0
avec N = L · N0
dx0 / dt = N0 · v
La matrice d’ élasticité
D = dv / dx
Les coefficients d’élasticité reflètent la SENSIBILITE des REACTIONS
dv = D · L · dx0
et le système différentiel est caractérisé par le Jacobien :
= N0 · D · L
29
Relations de sommation
Ces relations classiques s’écrivent pour des coefficients de contrôle normalisés :
1ji
i
C
0jXi
i
C
jj ii
j i
JvC
J v
jX jii
j i
XvC
X v
Flux :
Molarités :
30
Relations de sommation par blocs
La somme des coefficients de contrôle est effectuée sur toutes les réactions d’un module m :
1ji
i m
C
pour j m
0ji
i m
C
pour j m
0jXi
i m
C
j
Le contrôle global d’un module sur un autre est identiquement nul.L’analyse de la régulation nécessite de séparer les termes, par exemple les activités de synthèse, de modification et de dégradation.
31
Qualitative modeling and simulation
Computer support indispensable for dynamical analysis of genetic regulatory networks: modeling and simulation
precise and unambiguous description of network
systematic derivation of behavior predictions
Method for qualitative simulation of large and complex genetic regulatory networks
Method exploits related work in a variety of domains: mathematical and theoretical biology qualitative reasoning about physical systems control theory and hybrid systems
de Jong, Gouzé et al. (2004), Bull. Math. Biol., 66(2):301-340
32
Domains in phase space
Phase space divided into domains by threshold planes
Different types of domains: regulatory and switching domains
Switching domains located on threshold plane(s)
xb
xa
a1maxa0
maxb
a2
b
1
b
2
.
.
.
.
33
In every regulatory domain D, system monotonically tends towards target equilibrium set (D)
Analysis in regulatory domains
xb
xa
a1maxa0
maxb
a2
b
1
b
2
xa a s-(xa , a2) s-(xb , b1 ) – a xa .
xb b s-(xa , a1) s-(xb , b2 ) – b xb .
D3
xa a– a xa .xb – b xb .
model in D3 :model in D1 :
D1
xa a– a xa .xb b – b xb .
(D1) {(a /a , b /b )}
(D1)
(D3)
(D3) {(a /a , 0 )}
34
Analysis in switching domains
In every switching domain D, system either instantaneously traverses D, or tends towards target equilibrium set (D)
D and (D) located in same threshold hyperplane
xb
xa
0
(D1)
(D3)
D1 D3D2
xb
xa
0
D5
(D5)
D3
(D3)
D4
(D4)
Filippov generalization of PL differential equationsGouzé, Sari (2002), Dyn. Syst., 17(4):299-316
35
Qualitative state and state transition
Qualitative state is discrete abstraction, consisting of domain D and relative position of target equilibrium set (D)
a1 maxa0
maxb
a2
b1
b2
QS1 D1, {(1,1)}
Transition between qualitative states associated with D and D', if trajectory starting in D reaches D'
(D1)
D1
D2 D3
QS3QS2QS1
36
State transition graph
Closure of qualitative states and transitions between qualitative states results in state transition graphTransition graph contains qualitative equilibrium states and/or cycles
a1 maxa0
maxb
a2
b1
b2
D2 D3 D4
D7
D5
D6
D1
D8 D9 D10
D11 D12 D13 D14 D15
D16 D17 D18
D24
D20
D21 D22 D23
D19
D25
QS3QS2QS1 QS4 QS5
QS10
QS15
QS20
QS25QS24QS23QS22QS21
QS16
QS11
QS6
QS7
QS12
QS17 QS18
QS19
QS13
QS14
QS8 QS9
37
a1 maxa0
maxb
a2
b1
b2
Robustness of state transition graph
State transition graph, and hence qualitative dynamics, is dependent on parameter values
(D1)
D2
D6 D7
QS6
QS2QS1
QS7
D1
a1 maxa0
maxb
a2
b1
b2
(D1)
D1
QS6
QS1
D2
D6 D7
38
Same state transition graph obtained for two types of inequality constraints on parameters , , and :
Inequality constraints
Ordering of threshold concentrations of proteins a1 a2 maxa
xb
xa
a1maxa0
maxb
a2
b
1
b
2
b1 b2 maxb
Ordering of target equilibrium values w.r.t. threshold concentrationsa2 a / a maxa b2 b / b maxb
maxa
xb
xa
a10
maxb
a2
b
1
b
2
a /a
b /b
39
Qualitative simulation
Given qualitative PL model, qualitative simulation determines all qualitative states that are reachable from initial state through successive transitions
QS1a1 maxa0
maxb
a6
b1
b2
D1
PL model supplemented with inequality constraints results in qualitative PL model
b1
maxbxb
QS1
b2
QS2 QS3 QS 4
a1
maxaxa
QS1
a2
QS2 QS3 QS 4QS2 QS3 QS 4
40
Genetic Network Analyzer (GNA) Qualitative simulation method implemented in Java 1.4:
Genetic Network Analyzer (GNA)
Graphical interface to control simulation and analyze results
de Jong et al. (2003), Bioinformatics, 19(3):336-344
41
Nutritional stress response in E. coli Response of E. coli to nutritional stress conditions controlled by
network of global regulators of transcription
Fis, Crp, H-NS, Lrp, RpoS,…
Network only partially known and no global view of its functioning available
Computational and experimental study directed at understanding of:
How network controls gene expression to adapt cell to stress conditions
How network evolves over time to adapt to environment
Projects: inter-EPST, ARC INRIA, and ACI IMPBio
ENS, Paris ; INRIA ; UJF, Grenoble ; UHA, Mulhouse
42
Draft of stress response network
CRP
Stable RNAs
Supercoiling Activation
Stress signal
Fis fis P
rrnP1 P2
nlpD1nlpD2
σS
rpoSP1
RssB
rssBP
ClpXP P
crpP1 P2
topA Px1P1
cyaP1/P1’ P3
gyrAB
gyrI
Cya
P
P
GyrAB
GyrI
TopA
Laget et al. (2004)
43
Validation of network models Bottleneck of qualitative simulation: visual inspection of large
state transition graphs
Goal: develop a method that can test if state transition graph satisfies certain properties
Is transition graph consistent with observed behavior?
Model checking is automated technique for verifying that finite state system satisfies certain properties
Computer tools are available to perform automated, efficient and reliable model checking (NuSMV)
Clarke et al. (1999), Model Checking, MIT Press
44
Model checking
Use of model-checking techniques transition graph transformed into Kripke structure properties expressed in temporal logic
EF(xa>0 Λ xb>0 Λ EF(xa=0 Λ xb<0)). . . ..
.
xa<0xb=0
.
.
xa<0xb>0.
xa>0xb<0.
xa=0xb<0
.
.xa>0xb>0
.
.
xa=0xb=0
.
.
QS1 QS3 QS4
QS5
QS7
QS8
QS6
QS2
There Exists a Future state where xa>0 and xb>0 and starting from that state, there Exists a Future state where xa=0 and xb<0
..
..
Yes!
45
Summary of approach
Test validity of B. subtilis sporulation models
EF(xhpr>0 Λ EF EG(xhpr=0)). .
“ [The expression of the gene hpr] increase in proportion of the growth curve, reached a
maximum level at the early stationary phase [(T1)] and remained at the same level during the
stationary phase” (Perego and Hoch, 1988)
-
-Signal
model checking
Kripke structure temporal logic
Batt et al. (2004), SPIN-04, LNCS
46
Conclusions
Implemented method for qualitative simulation of large and complex genetic regulatory networks
Method based on work in mathematical biology and qualitative reasoning
Method validated by analysis of regulatory network underlying initiation of sporulation in B. subtilis
Simulation results consistent with observations
Method currently applied to analysis of regulatory network controlling stress adaptation in E. coli
Simulation yields predictions that can be tested in the laboratory
47
Work in progress
Validation of models of regulatory networks using gene expression data
Model-checking techniques
Search of attractors in phase space and determination of their stability
Further development of computer tool GNA
Connection with biological knowledge bases, …
Study of bacterial regulatory networks
Sporulation in B. subtilis, phage Mu infection of E. coli, signal
transduction in Synechocystis, stress adaptation in E. coli
Referencesde Jong, H. (2002), Modeling and simulation of genetic regulatory systems: A literature
review, J. Comp. Biol., 9(1):69-105.
de Jong, H., J. Geiselmann & D. Thieffry (2003), Qualitative modelling and simulation of
developmental regulatory networks, On Growth, Form, and Computers, Academic
Press,109-134.
Gouzé, J.-L. & T. Sari (2002), A class of piecewise-linear differential equations arising in
biological models, Dyn. Syst., 17(4):299-316.
de Jong, H., J.-L. Gouzé, C. Hernandez, M. Page, T. Sari & J. Geiselmann (2004),
Qualitative simulation of genetic regulatory networks using piecewise-linear
models, Bull. Math. Biol., 66(2):301-340.
de Jong, H., J. Geiselmann, C. Hernandez & M. Page (2003), Genetic Network Analyzer:
Qualitative simulation of genetic regulatory networks, Bioinformatics,19(3):336-344.
de Jong, H., J. Geiselmann, G. Batt, C. Hernandez & M. Page (2004), Qualitative simulation
of the initiation of sporulation in B. subtilis, Bull. Math. Biol., 66(2):261-340.
GNA web site: http://www-helix.inrialpes.fr/article122.html