Les motifs de réseau sont de petits sous-graphs qui sont sur-représentés dans les réseaux biologiques (ou d'autres réseaux du monde réel). Ils ont été introduits par le groupe d'Uri Alon[1]. Ils sont définis comme de petits motifs d'interconnexions se produisant dans des réseaux complexes à des nombres significativement plus élevés que ceux des réseaux aléatoires[1]. Ils ont été utilisés pour étudier les réseaux de régulation transcriptionnelle de microorganismes bien étudiés[2], ainsi que d'organismes d'ordre supérieur[3]. Il a été montré que ces réseaux semblent être constitués d'un petit ensemble de modèles de régulation récurrents, capturés par des motifs de réseau.

Différents motifs connus modifier

Auto-régulation positive modifier

L'autorégulation positive se produit lorsqu'un facteur de transcription (TF) active sa propre expression. Il a été établi que l'autorégulation positive peut augmenter la sensibilité aux signaux, produire une réponse de type interrupteur et favoriser la bistabilité, les réponses hystérétiques dépendantes de l'histoire ou la mémoire[4],[5],[6],[7]. L'autorégulation ou l'auto-activation positive d'un TF entraîne une augmentation du nombre de molécules de TF et, par conséquent, une amplification de la réponse de sortie régulée par le TF[8],[9], ainsi qu'une amplification du bruit ou des variations entre cellules[10],[9]. Toutes ces caractéristiques pourraient potentiellement favoriser ou entraver des voies spécifiques. L'autorégulation positive a également un impact significatif sur la dynamique de la réponse[11],[8]. On a longtemps prédit, et plus tard démontré expérimentalement, que la rétroaction positive ralentit la cinétique de la synthèse des protéines de réponse[11],[12] en raison du temps nécessaire pour produire la TF à un niveau suffisant pour l'activation. Une réponse lente peut ne pas être souhaitable pour de nombreuses tâches de signalisation. Dans les premiers temps, lorsque les exemples de TF auto-activés étaient encore rares, la vitesse de réponse a été suggérée comme un critère de sélection contre l'autorégulation positive[12]. Depuis lors, on a découvert que beaucoup d'autres TF régulent positivement leur propre expression. Parmi les TF caractérisés par ∼200 chez Escherichia coli, environ la moitié sont autorégulés, et parmi ceux-ci, ∼30 TF sont positivement autorégulés[13]. La fréquence de l'autorégulation positive suggère que le coût de la vitesse de réponse peut être surmonté ou toléré. L'évolution de ces voies d'autorégulation positive dépend du coût et du bénéfice définis par les diverses caractéristiques de la réponse.

Auto-régulation négative modifier

Le motif autorégulateur négatif, qui est l'un des motifs de réseau les plus simples et les plus abondants trouvés dans E. coli[14] comprend un seul facteur de transcription, qui réprime sa propre transcription. Graphiquement, ce motif, est simplement une boucle à un seul nœud. Il a été démontré qu'il avait deux fonctions importantes. La première fonction est l'accélération de la réponse. Comparé à d'autres processus de régulation, comme la dégradation des protéines, le processus d'autorégulation permet une réponse plus rapide aux signaux. Cela a été démontré à la fois théoriquement et expérimentalement par l'utilisation de circuits génétiques synthétiques dans E. coli[15]. Le second avantage est que le motif augmente la stabilité de la concentration du produit du gène contre le bruit stochastique. Il réduit donc les variations des niveaux de protéines entre les différentes cellules[16].

Boucle de rétroaction/feedforward modifier

La boucle de rétroaction se compose de trois nœuds x, y, et z, où x est directement lié à y et z, y et en outre est également directement lié à z. Les liens directs peuvent symboliser l'activation ou l'inhibition du gène cible, ou toute combinaison de ces deux éléments. Ainsi, huit versions différentes de ce motif peuvent être construites, chacune ayant une fonction biologique différente[17]. Ce motif a une importance fonctionnelle. La première est une boucle de feedforward cohérente, observée dans l'utilisation de l'arabinose et dans les systèmes de flagelles de E. coli[18], et la seconde est une boucle de feedforward incohérente, qui apparaît dans le système de galactose de E. coli[19].

Dans la boucle de feedforward cohérente, tous les liens dirigés représentent le processus d'activation. Ainsi, le gène x active les deux gènes y et z, et le gène lui-même s'active à nouveau. Cela peut sembler redondant, mais on peut montrer que cela a des implications fonctionnelles importantes. Prenons le cas où le gène cible, z, ne peut être activé que s'il reçoit un signal des deux x et y. En utilisant une analogie informatique, nous disons qu'il sert de porte ET, car il ne produit un résultat positif que lorsque ses deux entrées sont positives. Le motif présente un décalage temporel entre le moment où x est activé et celui où z répond. En effet, z ne sera activé que lorsqu'une concentration y suffisante de produits aura été produite. Il en résulte que de courtes expressions sporadiques x du gène disparaîtront avant même que z soit activé. Ce motif fonctionne donc comme un filtre, ignorant les perturbations stochastiques à court terme et ne répondant qu'aux perturbations persistantes. La caractéristique complémentaire augmente lorsque le gène cible sert de porte OU. Dans ce cas, z est activée par x ou y, auquel cas la réponse retardée apparaîtra si x cesse soudainement d'être exprimée, auquel cas z restera active pendant un certain temps, tant qu'une abondance suffisante de son produit persistera. Ainsi, la stabilité de l'expression z est assurée contre les chutes soudaines et à court terme de la production de x. Ce type de comportement est observé dans le système des flagelles de E. coli, où une activation persistante des flagelles est maintenue même en cas de perte transitoire du signal d'entrée[20].

Une version surprenante, mais néanmoins répandue, du motif de feedforward est la boucle de feedforward incohérente. Ici, bien que x active y et z, le lien entre y et z est inhibiteur. Ce câblage apparemment contradictoire conduit à une caractéristique fonctionnelle intéressante. Prenons l'exemple d'une activation soudaine du gène x, due, par exemple, à un signal externe. En conséquence, y et z seront activés aussi. Pendant une courte période après l'activation de x, les niveaux d'expression de z seront en constante augmentation, en raison de son activation par x. Cependant, après qu'une quantité suffisante y de produits ait été produite, l'expression de z sera supprimée, en raison de son inhibition par y. Cette version du motif traduit donc un signal persistant induit par en un pic d'activation du gène cible, z.

Régulons Denses Superposés/ Dense Overlapping Regulons modifier

Une représentation modulaire du réseau de transcription d'E. Coli à l'aide de motifs de réseau. Les nœuds représentent les opérons et les lignes représentent les réglementations transcriptionnelles. Chaque motif DOR est nommé d'après la fonction commune de ses opérons de sortie. Les facteurs de transcription globaux régulant plus de 10 opérons peuvent apparaissent dans plusieurs sous-graphiques.

Le Dense Overlapping Regulons (DOR) est un motif de taille variable, il est une généralisation d'un bi-fan. Ce motif représente une couche d'interactions qui se chevauchent entre les opérons et un groupe de facteurs de transcription, qui est beaucoup plus dense que les structures correspondantes dans les réseaux aléatoires. Ces motifs ont été recherchés en utilisant une procédure de regroupement qui considérait tous les opérons régulés par deux ou plusieurs facteurs de transcription. Une mesure de distance basée sur le nombre de facteurs de transcription régulant les deux opérons a été définie. Un algorithme de classification hiérarchique standard[21] a ensuite été utilisé pour combiner des opérons en DOR. Ensuite, des opérons supplémentaires régulés par les mêmes facteurs de transcription que les gènes du DOR y ont été ajoutés. Le choix exact de l'algorithme de clustering joue ici un rôle, car les auteurs rapportent des résultats différents pour différents choix d'algorithmes. Shen-Orr et al[20] ont utilisé le clustering d'opérons pour dériver six DOR, dont les opérons partagent une fonction commune. Il a été constaté que les ensembles de gènes régulés par différents facteurs de transcription se chevauchent beaucoup plus que prévu au hasard. Cet enrichissement est quantifié par la fréquence des paires de gènes régulés par les deux mêmes facteurs de transcription (P <0,001). Les grands motifs DOR permettent une représentation modulaire compacte du réseau transcriptionnel de E. coli qui peut être vu sur la figure jointe. On peut clairement voir qu'une seule couche de DOR se connecte entre la plupart des facteurs de transcription et les opérons effecteurs. Les boucles feedforward et SIM sont fréquentes à la sortie de cette couche.

Références modifier

  1. a et b (en) R. Milo, S. Shen-Orr, S. Itzkovitz et N. Kashtan, « Network Motifs: Simple Building Blocks of Complex Networks », Science, vol. 298, no 5594,‎ , p. 824–827 (ISSN 0036-8075 et 1095-9203, PMID 12399590, DOI 10.1126/science.298.5594.824, lire en ligne, consulté le ).
  2. (en) S. Mangan et U. Alon, « Structure and function of the feed-forward loop network motif », Proceedings of the National Academy of Sciences, vol. 100, no 21,‎ , p. 11980–11985 (ISSN 0027-8424 et 1091-6490, PMID 14530388, DOI 10.1073/pnas.2133841100, lire en ligne, consulté le ).
  3. (en) Rebekah M. Charney, Kitt D. Paraiso, Ira L. Blitz et Ken W. Y. Cho, « A gene regulatory program controlling early Xenopus mesendoderm formation: Network conservation and motifs », Seminars in Cell & Developmental Biology, development of the digestive organs, vol. 66,‎ , p. 12–24 (ISSN 1084-9521, DOI 10.1016/j.semcdb.2017.03.003, lire en ligne, consulté le ).
  4. (en) Uri Alon, « Network motifs: theory and experimental approaches », Nature Reviews Genetics, vol. 8, no 6,‎ , p. 450–461 (ISSN 1471-0064, DOI 10.1038/nrg2102, lire en ligne, consulté le ).
  5. (en) Alexander Y. Mitrophanov et Eduardo A. Groisman, « Positive feedback in cellular control systems », BioEssays, vol. 30, no 6,‎ , p. 542–555 (ISSN 1521-1878, PMID 18478531, PMCID PMC2486260, DOI 10.1002/bies.20769, lire en ligne, consulté le ).
  6. (en) Abhinav Tiwari, J. Christian J. Ray, Jatin Narula et Oleg A. Igoshin, « Bistable responses in bacterial genetic networks: Designs and dynamical consequences », Mathematical Biosciences, special issue on biological design principles, vol. 231, no 1,‎ , p. 76–89 (ISSN 0025-5564, DOI 10.1016/j.mbs.2011.03.004, lire en ligne, consulté le ).
  7. « Scopus preview - Scopus - Welcome to Scopus », sur www.scopus.com (consulté le ).
  8. a et b (en) Alexander Y. Mitrophanov, Tricia J. Hadley et Eduardo A. Groisman, « Positive Autoregulation Shapes Response Timing and Intensity in Two-component Signal Transduction Systems », Journal of Molecular Biology, vol. 401, no 4,‎ , p. 671–680 (ISSN 0022-2836, DOI 10.1016/j.jmb.2010.06.051, lire en ligne, consulté le ).
  9. a et b (en) Tim Miyashiro et Mark Goulian, « High stimulus unmasks positive feedback in an autoregulated bacterial signaling circuit », Proceedings of the National Academy of Sciences, vol. 105, no 45,‎ , p. 17457–17462 (ISSN 0027-8424 et 1091-6490, PMID 18987315, DOI 10.1073/pnas.0807278105, lire en ligne, consulté le ).
  10. (en) Guilhem Chalancon, Charles N. J. Ravarani, S. Balaji et Alfonso Martinez-Arias, « Interplay between gene expression noise and regulatory network architecture », Trends in Genetics, vol. 28, no 5,‎ , p. 221–232 (ISSN 0168-9525, DOI 10.1016/j.tig.2012.01.006, lire en ligne, consulté le ).
  11. a et b (en) Yusuke T. Maeda et Masaki Sano, « Regulatory Dynamics of Synthetic Gene Networks with Positive Feedback », Journal of Molecular Biology, vol. 359, no 4,‎ , p. 1107–1124 (ISSN 0022-2836, DOI 10.1016/j.jmb.2006.03.064, lire en ligne, consulté le ).
  12. a et b (en) Michael A. Savageau, « Comparison of classical and autogenous systems of regulation in inducible operons », Nature, vol. 252, no 5484,‎ , p. 546–549 (ISSN 1476-4687, DOI 10.1038/252546a0, lire en ligne, consulté le ).
  13. (en) « Overcoming the Cost of Positive Autoregulation by Accelerating the Response with a Coupled Negative Feedback », Cell Reports, vol. 24, no 11,‎ , p. 3061–3071.e6 (ISSN 2211-1247, DOI 10.1016/j.celrep.2018.08.023, lire en ligne, consulté le ).
  14. Michael A. Savageau, « Comparison of classical and autogenous systems of regulation in inducible operons », Nature, vol. 252, no 5484,‎ , p. 546–549 (ISSN 0028-0836 et 1476-4687, DOI 10.1038/252546a0, lire en ligne, consulté le ).
  15. Nitzan Rosenfeld, Michael B Elowitz et Uri Alon, « Negative Autoregulation Speeds the Response Times of Transcription Networks », Journal of Molecular Biology, vol. 323, no 5,‎ , p. 785–793 (ISSN 0022-2836, DOI 10.1016/s0022-2836(02)00994-4, lire en ligne, consulté le ).
  16. Attila Becskei et Luis Serrano, « Engineering stability in gene networks by autoregulation », Nature, vol. 405, no 6786,‎ , p. 590–593 (ISSN 0028-0836 et 1476-4687, DOI 10.1038/35014651, lire en ligne, consulté le ).
  17. Uri Alon, « Network motifs: theory and experimental approaches », Nature Reviews Genetics, vol. 8, no 6,‎ , p. 450–461 (ISSN 1471-0056 et 1471-0064, DOI 10.1038/nrg2102, lire en ligne, consulté le ).
  18. Shiraz Kalir, Shmoolik Mangan et Uri Alon, « A coherent feed‐forward loop with a SUM input function prolongs flagella expression in Escherichia coli », Molecular Systems Biology, vol. 1, no 1,‎ (ISSN 1744-4292 et 1744-4292, DOI 10.1038/msb4100010, lire en ligne, consulté le ).
  19. S. Mangan, S. Itzkovitz, A. Zaslaver et U. Alon, « The Incoherent Feed-forward Loop Accelerates the Response-time of the gal System of Escherichia coli », Journal of Molecular Biology, vol. 356, no 5,‎ , p. 1073–1081 (ISSN 0022-2836, DOI 10.1016/j.jmb.2005.12.003, lire en ligne, consulté le ).
  20. a et b Shai S. Shen-Orr, Ron Milo, Shmoolik Mangan et Uri Alon, « Network motifs in the transcriptional regulation network of Escherichia coli », Nature Genetics, vol. 31, no 1,‎ , p. 64–68 (ISSN 1061-4036 et 1546-1718, DOI 10.1038/ng881, lire en ligne, consulté le ).
  21. (en) R.O. Duda and P.E. Hart, « Pattern Classification and Scene Analysis », Wiley, New York,‎ .