Biologie de systèmes

La biologie de systèmes est un domaine récent et interdisciplinaire qui étudie les interactions, au niveau moléculaire (protéine, gènes, métabolites…), qui existent au sein d’un système biologique. La biologie systémique utilise une approche holistique (contrairement à l’approche réductionniste). En effet elle se concentre sur l’étude de la totalité des constituants biologiques que ce soit les gènes, les protéines ou les composants cellulaires et métaboliques à l’aide de systèmes mathématiques et informatiques.

C’est un domaine de recherche qui utilise la modélisation mathématique en étroite interconnexion avec des approches expérimentales pour comprendre les mécanismes de systèmes biologiques complexes et prédire leur comportement à travers les échelles de la molécule à l'organisme.

Deux thèmes dominants de la biologie moderne sont enracinés dans cette nouvelle perspective: premièrement, l'idée que la biologie est fondamentalement une science informationnelle - les systèmes biologiques, les cellules et les organismes stockent et transfèrent des informations en tant que processus les plus fondamentaux - et deuxièmement, l'émergence de nouvelles technologies et approches pour étudier la complexité biologique.[0]

« La biologie systémique a pour but de comprendre les interactions dynamiques entre composants d'un système vivant, et entre systèmes vivants en interaction avec l'environnement. La biologie systémique est une approche par laquelle des questions biologiques sont abordées en intégrant les expérimentations avec la modélisation, la simulation et la théorie dans des cycles itératifs. La modélisation n'est pas le but, mais un outil pour faire avancer la compréhension du système, développer des expérimentations plus ciblées et finalement aboutir à des prédictions. La biologie systémique est par nature intrinsèquement interdisciplinaire et a pour but commun avec les autres disciplines d'aboutir à une compréhension quantitative des processus biologiques dynamiques en se fondant sur des analyses mathématiques et statistiques pour intégrer les données biologiques et développer des modèles prédictifs du comportement biologique » [1]

Au cours de la seconde moitié du XX^e siècle, la biologie mathématique de systèmes existait en parallèle avec la Biologie moléculaire. Le terme biologie de systèmes a été introduit par Mihajlo Mesarovic en 1968 (Mesarovic, 1968, Mesarovic et al., 2004), mais il y a des opinions selon lesquelles le terme pourrait être introduit dans les années 1920 par Ludwig von Bertalanffy, le père de la théorie générale de systèmes (Drack , 2007). Cependant, Mesarovic a appliqué la théorie générale de systèmes afin de découvrir comment les entités biologiques sont liées, plutôt que de quoi elles sont composées (Mesarovic, 1968, Mesarovic et al., 2004). Avant les travaux pionniers de Mihajlo Mesarovic, la théorie générale de systèmes a été développée par Bertalanffy (Drack, 2009). Bertalanffy a développé ce qu'il a appelé une «system theory of life» contribuant au développement de la biologie théorique (Drack, 2009). Sa théorie était une tentative d'étudier scientifiquement l'organisme en tant que «wholeness». Insatisfait de la doctrine vitaliste qui implique la métaphysique, Bertalanffy a trouvé la solution dans la modélisation mathématique de l'organisme biologique (Drack, 2009). La théorie générale des systèmes qu'il a développée s'est concentrée sur des sujets tels que les systèmes autorégulants, c'est-à-dire les systèmes auto-corrigés par rétroaction, les concepts largement utilisés en physiologie et en sciences de l'ingénieur. Depuis son introduction, la théorie générale des systèmes a réussi à modéliser les réseaux de réactions biochimiques, l'homéostasie, la fonction des systèmes neuronaux, immunitaires, cardio et endocriniens (Ederer et al., 2003). La théorie du GSS a trouvé sa place importante dans la neurobiologie des systèmes modernes dans le cadre de la recherche et de la modélisation des réseaux de neurones. L'application de la théorie générale des systèmes en biologie a été la première étape dans la formation de la biologie mathématique des systèmes. L'étape suivante a été le développement et l'application de la dynamique non linéaire.

Après une application réussie dans la recherche scientifique, la médecine et la biotechnologie, la biologie des systèmes a été complètement façonnée. Ainsi, la compréhension de l'origine des maladies neurodégénératives, cancéreuses, inflammatoires et génétiques n'est possible que par une approche holistique des systèmes biologiques. L'identification des différences entre les cellules cancéreuses et saines est difficile en raison de nombreuses molécules différentes provenant de voies de transduction de signaux parallèles (Hornberg et al., 2006). La quantification de la biologie des systèmes et la modélisation des circuits de régulation, la cinétique de réaction non linéaire des processus biochimiques et la diaphonie entre les voies déterminent le site sur lequel l'oncologue doit intervenir (Hornberg et al., 2006). De même, le mécanisme complexe de la maladie neurodégénérative ne pouvait être déchiffré que par l'approche de la biologie des systèmes (Noorbakhsh et al., 2009). Il y a certainement tellement d'exemples d'application réussie de la biologie des systèmes contemporaine qu'il n'y a pas assez d'espace pour tous les citer.

Elle permet de décrire les flux à l'état d'équilibre et la dynamique des concentrations de métabolites, les taux cinétiques ne sont souvent mesurés que pour un nombre limité de réactions, ces modèles ne couvrent généralement qu'une petite partie du métabolisme cellulaire. Ces approches sont également souvent utilisées pour décrire les voies de transduction du signal. La plupart des modèles dynamiques ont été construits pour les eucaryotes supérieurs, principalement les mammifères.

Elles permettent de décrire les réseaux métaboliques de cellules entières à l’aide de méthodes appelées «modélisation métabolique fondée sur les contraintes» basées sur l'hypothèse d'optimalité évolutive du métabolisme cellulaire. Principalement utilisé pour analyser les systèmes microbiens.

Elles permettent de se mettre à l'échelle des modèles dynamiques, et donc la simplification des modèles à l'échelle du génome.[3]

La biologie de systèmes vise à reconnaître comment les informations sont reçues, transmises, et interprétées par les cellules à travers de nouvelles méthodes innovantes. Les cellules sont constituées d’une variété de composants moléculaires qui interagissent pour former des réseaux. Chaque réseau est composé de plusieurs nœuds et de liens qui relient les nœuds pour former un système dynamique.

Les cellules utilisent la signalisation et les voies de régulation générant une grande quantité de données qui sont assemblées dans des heatmaps, des diagrammes et des réseaux. Selon la fonction, il existe trois réseaux principaux:

Impliquant les réactions biochimiques et protéiques.

Impliquant les gènes et les enzymes impliqués dans les métabolismes cellulaires.

Les principaux acteurs de ces réseaux sont les protéines de liaison à l'ADN ainsi que l’ARN, qui contrôlent l'étape initiale de l'expression génique.[2]

L'analyse et l'interprétation des données sont des aspects fondamentaux de la biologie de systèmes. La biologie de systèmes vise à fournir une meilleure compréhension du système biologique et à fournir des informations prédictives sur les processus moléculaires. Comme pour toute méthode de recherche, le cycle commence d'abord par la génération d'une hypothèse. Deuxièmement, des connaissances sont générées et un modèle est construit sur la base des données biologiques présentes dans la littérature scientifique. Enfin, les données sont générées, analysées et mesurées simultanément. Les données Omics incluent des informations à partir du génome, du protéome et du transcriptome. Pour corriger l'interprétation des données omiques et donc parvenir à une conclusion biologique, il existe une variété de plates-formes de mesure et d'analyses computationnelles. Les trois plus couramment utilisés sont le séquençage du génome, la protéomique basée sur la SEP et la transcriptomique (séquençage d'ARN et puces à ADN). [2]

Le séquençage du génome vise à définir l'ordre des nucléotides dans un organisme donné. Le re-séquençage est l'analyse du génome d'une souche ou d'un organisme multicellulaire par rapport à un génome de référence, il comprend une grande variation structurelle (par exemple, des modifications du nombre de copies ou des réarrangements du génome) ou de petites mutations telles que des polymorphismes mononucléotidiques (SNP). Le séquençage de l'exome détermine la séquence de tous les exons du génome et le séquençage du génome entier de la séquence génomique complète.

La fonction cellulaire est dirigée par un réseau vaste et complexe d'interactions combinatoires entre les gènes, collectivement appelées interactions génétiques. Récemment, plusieurs études de biologie des systèmes sur des lignées cellulaires de levures, de mouches, de vers et de mammifères ont fait des progrès importants dans notre capacité à cartographier ce réseau d'interactions génétiques et son impact sur la fonction. Classiquement, une interaction génétique est définie comme le phénomène par lequel des mutations combinées au niveau de plusieurs gènes produisent un phénotype inattendu pour l'un des mutants uniques. Les interactions génétiques sont souvent quantifiées en supposant que la combinaison de deux mutations non liées (indépendantes) devrait entraîner effet sur le phénotype, de sorte que toute déviation est considérée comme une indication d'une interaction génétique. Un score phénotypique inférieur aux attentes est une interaction négative ou «aggravante», tandis qu'un score supérieur aux attentes est une interaction positive ou «atténuante». Une interaction génétique extrêmement négative qui est souvent étudiée est la «mort synthétique» dans laquelle les mutations génétiques combinées entraînent la mort cellulaire.

La biologie de systèmes a conduit à des découvertes importantes au cours des dernières années avec d'importantes implications cliniques pratiques et une meilleure compréhension des maladies complexes. La première maladie étudiée en utilisant une approche systémique est le neuroblastome. Plus précisément, l'oncogène MYCN a été intégré dans un réseau de régulation avec les médicaments acide 13-cis-rétinoïque et fenrétinide, pour étudier la réponse des neuroblastomes aux rétinoïdes. Verma et coll. [12] ont utilisé un réseau de régulation basé sur des systèmes pour étudier les effets des miARN impliqués dans l'expression et la phosphorylation de l'onco-protéine BCR-ABL dans les lignées cellulaires résistantes à l'imatinib de leucémie myéloïde chronique. Cette étude a permis d'étudier les effets des inhibiteurs de la tyrosine kinase et des miARN spécifiques BCR-ABL sur des lignées cellulaires présentant des profils d'expression et des propriétés de chimiorésistance différents. Sarmady et coll. [13] ont utilisé une analyse informatique basée sur des systèmes pour identifier les voies moléculaires clés du virus de l'immunodéficience humaine.

La biologie de systèmes a également été utilisée pour les maladies bucco-dentaires. Un exemple vient de la mucite buccale, une complication fréquente chez les patients qui reçoivent une radiothérapie pour des cancers de la tête et du cou. Par exemple, Sonis et al. [14] ont étudié la relation entre les gènes exprimés dans des échantillons de sang périphérique de patients atteints d'un cancer de la tête et du cou ayant reçu une chimio-radiothérapie. L'analyse des micro-réseaux a été réalisée à l'aide d'ARNc dérivé de PBM. Les résultats ont montré une concordance significative entre les mécanismes pathogènes de la mucite buccale en relation avec les gènes, les voies canoniques et les réseaux fonctionnels. La biologie de systèmes est également utilisée pour identifier les marqueurs génétiques qui prédisposent au développement de toxicités secondaires aux médicaments et au développement de nouvelles thérapies. Une bonne compréhension des déterminants génétiques et non génétiques de la toxicité liée aux médicaments peut aider à optimiser le traitement médicamenteux chez les patients individuels.

Cytoscape est une plate-forme logicielle open source permettant de visualiser des réseaux complexes et de les intégrer à tout type de données attributaires. Il fournit des fonctionnalités pour l'import et l'export de données, l'intégration d'états moléculaires avec des interactions moléculaires, la visualisation de réseaux et de données intégrée et le filtrage des données, il permet également le prototypage rapide et le développement d'analyses et de fonctionnalités informatiques avancées. [5]

NAViGaTOR (Network Analysis, Visualization, and Graphing TORonto) est un logiciel permettant de visualiser et d'analyser les réseaux d'interaction protéine-protéine. C’est une puissante application graphique pour la visualisation 2D et 3D de réseaux biologiques. Présentant des outils d'annotation manuelle et automatisée, des algorithmes de mise en page rapides et évolutifs et permet l’accélération matérielle OpenGL pour faciliter la visualisation de grands graphiques. [6]

VisANT est un outil de visualisation de réseaux légers disposant d’un serveur en ligne mais également d’un programme Java autonome. L’une de ses fonctions les plus intéressantes est la résolution de noms, elle permet de mapper tous les nœuds du réseau à des noms de gènes distincts de telle sorte que deux protéines codées par un seul gène sont toujours cartographiées comme une seule entité. [7]

Cell Designer est un éditeur de diagramme structuré pour dessiner des réseaux de régulation génétique et biochimiques, il permet de parcourir ou modifier les réseaux en tant que diagrammes de processus et stocker les réseaux dans un langage de balisage de biologie de systèmes. [9-10]

Cet outil présente un système d'extraction d'informations automatisé basé sur le traitement du langage naturel pour les interactions fonctionnelles protéines-protéines et les gènes-gènes. Pathway Assist fournit également une base de données native des interactions protéiques et des voies cellulaires. Son outil d'exploration de texte peut extraire les interactions biologiques en lisant des documents de texte numériques. [11]

• Réseaux d'interaction protéine-protéine:

Les nombreuses interactions protéine-protéine dans une cellule forment des réseaux d’interactions protéiques ou les protéines sont des nœuds et leurs interactions sont des bords.

• Réseaux d'interaction ADN-protéine :

La plupart des facteurs de transcription (qui contrôlent le niveau d’activité des gènes). se lient à plusieurs sites de liaison dans un génome. En conséquence, toutes les cellules ont des réseaux de régulation génique complexes. Par exemple, le génome humain code de l'ordre de 1400 facteurs de transcription liant l'ADN qui régulent l'expression de plus de 20 000 gènes humains.

• Réseaux métaboliques :

Les composés chimiques d'une cellule vivante sont reliés par des réactions biochimiques qui transforment un composé en un autre. Les réactions sont catalysées par des enzymes. Un exemple de réseau métabolique est le réseau métabolique de la synthèse de glucose.

• Réseaux de signalisation :

Les signaux sont transduits dans les cellules ou entre les cellules et forment ainsi des réseaux de signalisation complexes.

• Réseaux écologiques :

L’utilisation de l’analyse de réseau peut permettre à la fois de découvrir et de comprendre comment ces interactions complexes sont liées entre elles au sein du réseau du système, une propriété qui était auparavant négligée. Cet outil puissant (l’analyse de réseau) permet d'étudier différents types d'interactions (de la compétition à la coopérative) en utilisant le même cadre général. Par exemple, les interactions plantes-pollinisateurs sont mutuellement bénéfiques et impliquent souvent de nombreuses espèces différentes de pollinisateurs ainsi que de nombreuses espèces de plantes différentes.

De nombreux outils existent pour explorer visuellement les réseaux biologiques, y compris des exemples bien connus tels que Cytoscape, VisANT, Pathway Studio et Patika. La tendance dans le développement de ces outils est d'aller au-delà des représentations «statiques» de l'état cellulaire, vers un modèle plus dynamique des processus cellulaires grâce à l'incorporation de données d'expression génique, d'informations de localisation subcellulaire et de comportements dépendant du temps.

La complexité des systèmes biologiques vient non seulement de leurs propriétés émergentes mais aussi des rétroactions que ces propriétés peuvent exercer sur les structures et mécanismes élémentaires. Une approche systémique est indispensable pour décrire et comprendre cette organisation multi-échelle mise en place par sélection naturelle : il ne s’agit pas tant de prendre en compte tous les constituants élémentaires du système que de considérer simultanément plusieurs niveaux d’intégration. De nouveaux outils mathématiques sont alors nécessaires pour exprimer comment l’articulation cohérente de ces différents niveaux contrôle les fonctions biologiques [15].

La plupart des modèles à ce jour ne ciblent qu'un seul niveau d'organisation (donc une cellule), et les véritables approches multi-échelles sont encore limitées. L’une des raisons est que le niveau de détail doit être ajusté lors du passage d'une cellule unique au corps entier, ce qui nécessite de faire des hypothèses qui à leur tour peuvent limiter la capacité de prédiction. De plus, différentes techniques doivent être utilisées pour étudier différents niveaux d'organisation, et parfois, les données expérimentales ne sont disponibles qu'à partir d'études in vitro. [2]