Au cours des 20 dernières années, des chercheurs en biologie et en médecine ont construit des modèles de réseaux booléens pour simuler des systèmes complexes et trouver des solutions, notamment de nouveaux traitements contre le cancer colorectal.
“Les modèles de réseaux booléens supposent que chaque gène d’un réseau de régulation peut avoir l’un des deux états suivants : activé ou désactivé”, explique Claus Kadelka, biologiste des systèmes et professeur agrégé de mathématiques à l’Iowa State University.
Kadelka et ses étudiants chercheurs ont récemment publié une étude qui dévoile les principes de conception communs de ces modèles mathématiques pour les réseaux de régulation génétique. Il dit que pour les mathématiciens, les informaticiens et les biologistes synthétiques, représenter des caractéristiques qui ont évolué au fil de millions d’années peut « guider le processus de construction de modèles précis ».
« L’évolution a façonné les réseaux qui contrôlent la prise de décision de nos cellules de manière très spécifique et optimisée. Les biologistes synthétiques qui tentent de concevoir des circuits remplissant une fonction spécifique peuvent tirer des leçons de cette conception inspirée de l’évolution », explique Kadelka.
Les réseaux de régulation génétique déterminent ce qui se passe dans un organisme et où cela se produit. Par exemple, ils amènent les cellules de la muqueuse de votre estomac – mais pas de vos yeux – à produire de l’acide chlorhydrique, même si toutes les cellules de votre corps contiennent le même ADN.
Kadelka dessine un réseau de régulation génétique simple et hypothétique sur une feuille de papier. Le gène A produit une protéine qui active le gène B, qui active le gène C, qui à son tour désactive le gène A. Cette boucle de rétroaction négative est le même concept qu’un climatiseur qui s’éteint lorsqu’une pièce atteint une certaine température.
Cependant, les réseaux de régulation génétique peuvent être vastes et complexes. L’un des modèles booléens de l’ensemble de données des chercheurs comprend plus de 300 gènes. Et en plus des boucles de rétroaction négatives, les réseaux de régulation génétique peuvent également contenir des boucles de rétroaction positives et des boucles de rétroaction qui améliorent ou retardent les réponses. Les gènes redondants remplissant la même fonction sont également courants.
Parmi ces principes de conception et d’autres soulignés dans le nouveau document, Kadelka affirme que la « canalisation » est l’un des plus courants. Il fait référence à une hiérarchie ou à un ordre d’importance entre les gènes d’un réseau.
Données accessibles étayées par des recherches de premier cycle
Kadelka souligne que le projet aurait été difficile sans le programme de mentorat de première année, qui met en relation les étudiants du programme spécialisé de l’État de l’Iowa avec des opportunités de recherche sur le campus.
Les étudiants de premier cycle ont aidé Kadelka à développer un algorithme permettant d’analyser 30 millions d’articles de revues biomédicales et de filtrer les plus susceptibles de contenir des modèles de réseaux biologiques booléens. Après avoir examiné 2 000 articles individuellement, les chercheurs ont identifié environ 160 modèles comportant près de 7 000 gènes régulés.
Addison Schmidt, aujourd’hui diplômé en informatique, est l’un des co-auteurs de l’article. Lorsqu’il a travaillé sur le projet en première année en 2021, il a créé une base de données en ligne pour le projet.
« L’un des principaux avantages de la recherche est qu’elle collecte et normalise les réseaux booléens de régulation génique provenant de nombreuses sources et les présente, ainsi qu’une gamme d’outils d’analyse, via une interface Web centrale. Cela élargit l’accessibilité des données et de l’interface Web. « Cela rend les outils d’analyse utilisables même sans connaissances en programmation », explique Schmidt.
Kadelka affirme que les biologistes des systèmes ont utilisé la base de données pour leurs recherches et sont reconnaissants pour cette ressource. Il prévoit de maintenir et de mettre à jour le site Web et d’explorer pourquoi l’évolution sélectionne certains principes de conception dans les réseaux de régulation génétique.
Schmidt affirme que travailler sur le projet en tant qu’étudiant de première année l’a aidé à élargir son expertise avec le langage de programmation Python et à appliquer plus facilement ses compétences à la recherche.
“Ce projet m’a également motivé à poursuivre d’autres recherches à l’Iowa State University, où j’ai développé d’autres outils et, en cours de route, un autre site Web pour les présenter”, explique Schmidt.
Il ajoute qu’il a apprécié le mentorat de Kadelka et espère que le programme de mentorat de première année continuera à promouvoir les opportunités de recherche de premier cycle dans l’État de l’Iowa.