Reprogrammation comportementale : modèles, algorithmes et application aux maladies complexes

par Célia Biane (Biane fourati)

Thèse de doctorat en Informatique

Sous la direction de Franck Delaplace.

Thèses en préparation à Paris Saclay , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....) , en partenariat avec IBISC - Informatique, BioInformatique, Systèmes Complexes (laboratoire) et de Université d'Évry-Val-d'Essonne (établissement opérateur d'inscription) .


  • Résumé

    Les maladies complexes comme le Cancer et la maladie d'Alzheimer sont causées par des perturbations moléculaires multiples responsables d'un comportement cellulaire pathologique. Un enjeu majeur de la médecine de précision est l'identification des perturbationsmoléculaires induites par les maladies complexes et les thérapies à partir de leurs conséquences sur les phénotypes cellulaire. Nous définissons un modèle des maladies complexes, appelé la reprogrammation comportementale, assimilant les perturbations moléculaires à des altérations des fonctions dynamiques locales de systèmes dynamiques discrets induisant une reprogrammation de la dynamique globale du réseau. Ce cadre de modélisation s'appuie d'une part, sur les réseaux Booléens contrôlés, qui sont des réseaux Booléens dans lesquels sont insérés des paramètres de contrôle modélisant les perturbations et, d'autre part, sur la définition de modes (Possibilité, Nécessité) permettant d'exprimer les objectifs de cette reprogrammation. A partir de ce cadre, nous démontrons que le calcul des noyaux, i.e., des ensembles minimaux d'actions permettant la reprogrammation selon un mode s'exprime comme un problème d'inférence abductive en logique propositionnelle. En nous appuyant sur les méthodes historiques de calcul d'impliquants premiers des fonctions Booléennes, nous développons deux méthodes permettant le calcul exhaustif des noyaux de la reprogrammation. Enfin, nous évaluons la pertinence du cadre de modélisation pour l'identification des perturbations responsables de la transformation d'une cellule saine en cellule cancéreuse et la découverte de cibles thérapeutiques sur un modèle du cancer du sein. Nous montrons notamment que les perturbations inférées par nos méthodes sont compatibles avec la connaissance biologique en discriminant les oncogènes des gènes suppresseurs de tumeurs et en récupérant la mutation du gène BRCA1. De plus, la méthode récupère le phénomène de létalité synthétique entre PARP1 et BRCA1, qui constitue un traitement anticancéreux optimal car il cible spécifiquement les celllules tumorales.

  • Titre traduit

    Behavioral reprogramming : a modeling frameworks for the inference of the causes of complex diseases and their treatment


  • Résumé

    Complex diseases such as cancer and Alzheimer's are caused by multiple molecular perturbations responsible for pathological cellular behavior. A major challenge of precision medicine is the identification of the molecular perturbations induced by the disease and the therapies from their consequences on cell phenotypes. We define a model of complex diseases, called behavioral reprogramming, that assimilates the molecular perturbations to alterations of the dynamic local functions of discrete dynamical systems inducing a reprogramming of the global dynamics of the network. This modeling framework relies on the one hand, on Control Boolean networks, which are Boolean networks containing control parameters modeling the perturbations and, on the other hand, the definition of reprogramming modes (Possibility, Necessity) expressing the objective of the behavioral reprogramming. From this framework, we demonstrate that the computation of the cores, namely, the minimal sets of action allowing reprogramming is a problem of abductive inference in propositional logic. Using historical methods computing the prime implicants of Boolean functions, we develop two methods computing all the reprogramming cores. Finally, we evaluate the modeling framework for the identification of perturbations responsible for the transformation of a healthy cell into a cancer cell and the discovery of therapeutic targets on a model of breast cancer. In particular, we show that the perturbations inferred by our methods are compatible with biological knowledge by discriminating oncogenes and tumor suppressor genes and by recovering the causal of the BRCA1 gene. In addition, themethod recovers the synthetic lethality phenomenon between PARP1 and BRCA1 that constitutes an optimal anti-cancer treatment because it specifically targets tumor cells.