Réseau de régulation des gènes - Gene regulatory network

Un réseau de régulation génique (ou génétique ) ( GRN ) est un ensemble de régulateurs moléculaires qui interagissent les uns avec les autres et avec d'autres substances dans la cellule pour régir les niveaux d' expression génique de l' ARNm et des protéines qui, à leur tour, déterminent la fonction de la cellule . Le GRN joue également un rôle central dans la morphogenèse , la création de structures corporelles, qui à son tour est au cœur de la biologie du développement évolutif (evo-devo).

Le régulateur peut être un ADN , un ARN , une protéine et des complexes de ceux-ci. L'interaction peut être directe ou indirecte (par l'intermédiaire d'ARN transcrit ou de protéine traduite). En général, chaque molécule d'ARNm fabrique une protéine spécifique (ou un ensemble de protéines). Dans certains cas, cette protéine sera structurale et s'accumulera au niveau de la membrane cellulaire ou à l'intérieur de la cellule pour lui conférer des propriétés structurales particulières. Dans d'autres cas, la protéine sera une enzyme , c'est-à-dire une micro-machine qui catalyse une certaine réaction, telle que la dégradation d'une source alimentaire ou d'une toxine. Certaines protéines ne servent cependant qu'à activer d'autres gènes, et ce sont les facteurs de transcription qui sont les principaux acteurs des réseaux ou cascades de régulation. En se liant à la région promotrice au début d'autres gènes, ils les activent, initiant la production d'une autre protéine, et ainsi de suite. Certains facteurs de transcription sont inhibiteurs.

Dans les organismes unicellulaires, les réseaux de régulation répondent à l'environnement extérieur, optimisant la cellule à un moment donné pour la survie dans cet environnement. Ainsi, une cellule de levure, se retrouvant dans une solution de sucre, activera des gènes pour fabriquer des enzymes qui transforment le sucre en alcool. Ce processus, que nous associons à la vinification, est la façon dont la cellule de levure gagne sa vie, gagne de l'énergie pour se multiplier, ce qui, dans des circonstances normales, améliorerait ses chances de survie.

Chez les animaux multicellulaires, le même principe a été mis au service des cascades de gènes qui contrôlent la forme corporelle. Chaque fois qu'une cellule se divise, il en résulte deux cellules qui, bien qu'elles contiennent intégralement le même génome, peuvent différer en ce qui concerne les gènes activés et produisant des protéines. Parfois, une « boucle de rétroaction auto-entretenue » garantit qu'une cellule conserve son identité et la transmet. Moins compris est le mécanisme de l' épigénétique par lequel la modification de la chromatine peut fournir une mémoire cellulaire en bloquant ou en permettant la transcription. Une caractéristique majeure des animaux multicellulaires est l'utilisation de gradients de morphogènes , qui fournissent en fait un système de positionnement qui indique à une cellule où elle se trouve dans le corps, et donc quel type de cellule doit devenir. Un gène activé dans une cellule peut produire un produit qui quitte la cellule et se diffuse dans les cellules adjacentes, y pénètre et n'active les gènes que lorsqu'il est présent au-dessus d'un certain seuil. Ces cellules sont ainsi induites dans un nouveau destin et peuvent même générer d'autres morphogènes qui renvoient à la cellule d'origine. Sur de plus longues distances, les morphogènes peuvent utiliser le processus actif de transduction du signal . Une telle signalisation contrôle l' embryogenèse , la construction d'un plan corporel à partir de zéro à travers une série d'étapes séquentielles. Ils contrôlent et maintiennent également les corps adultes par le biais de processus de rétroaction , et la perte de cette rétroaction en raison d'une mutation peut être responsable de la prolifération cellulaire observée dans le cancer . Parallèlement à ce processus de construction de la structure, la cascade de gènes active des gènes qui fabriquent des protéines structurelles qui confèrent à chaque cellule les propriétés physiques dont elle a besoin.

Aperçu

À un certain niveau, les cellules biologiques peuvent être considérés comme des « sacs partiellement mixtes » de produits chimiques biologiques - dans la discussion des réseaux de régulation des gènes, ces produits chimiques sont principalement les ARN messagers (de mRNA) et des protéines qui proviennent de l' expression des gènes. Ces ARNm et protéines interagissent les uns avec les autres avec divers degrés de spécificité. Certains diffusent autour de la cellule. D'autres sont liés aux membranes cellulaires , interagissant avec les molécules de l'environnement. D'autres encore traversent les membranes cellulaires et transmettent des signaux à longue distance à d'autres cellules d'un organisme multicellulaire. Ces molécules et leurs interactions constituent un réseau de régulation génique . Un réseau de régulation génique typique ressemble à ceci :

Les nœuds de ce réseau peuvent représenter des gènes, des protéines, des ARNm, des complexes protéine/protéine ou des processus cellulaires. Les nœuds représentés le long de lignes verticales sont associés aux interfaces cellule/environnement, tandis que les autres sont flottants et peuvent diffuser . Les bords entre les nœuds représentent des interactions entre les nœuds, qui peuvent correspondre à des réactions moléculaires individuelles entre l'ADN, l'ARNm, le miARN, les protéines ou les processus moléculaires par lesquels les produits d'un gène affectent ceux d'un autre, bien que le manque d'informations obtenues expérimentalement implique souvent que certains les réactions ne sont pas modélisées à un niveau de détail aussi fin. Ces interactions peuvent être inductives (généralement représentées par des pointes de flèches ou le signe +), avec une augmentation de la concentration de l'une entraînant une augmentation de l'autre, inhibitrices (représentées par des cercles pleins, des flèches émoussées ou le signe moins), avec une augmentation dans l'un entraînant une diminution dans l'autre, ou double, lorsque selon les circonstances le régulateur peut activer ou inhiber le nœud cible. Les nœuds peuvent se réguler directement ou indirectement, créant des boucles de rétroaction, qui forment des chaînes cycliques de dépendances dans le réseau topologique. La structure du réseau est une abstraction de la dynamique moléculaire ou chimique du système, décrivant les multiples façons dont une substance affecte toutes les autres auxquelles elle est connectée. En pratique, de tels GRN sont déduits de la littérature biologique sur un système donné et représentent une distillation des connaissances collectives sur un ensemble de réactions biochimiques connexes. Pour accélérer la conservation manuelle des GRN, certains efforts récents tentent d'utiliser l' exploration de texte , les bases de données organisées, l'inférence de réseau à partir de données massives, la vérification de modèle et d'autres technologies d'extraction d'informations à cette fin.

Les gènes peuvent être considérés comme des nœuds dans le réseau, les entrées étant des protéines telles que les facteurs de transcription , et les sorties étant le niveau d' expression génique . La valeur du nœud dépend d'une fonction qui dépend de la valeur de ses régulateurs dans les pas de temps précédents (dans le réseau booléen décrit ci-dessous, ce sont des fonctions booléennes , typiquement ET, OU et NON). Ces fonctions ont été interprétées comme effectuant une sorte de traitement de l' information au sein de la cellule, qui détermine le comportement cellulaire. Les moteurs de base au sein des cellules sont les concentrations de certaines protéines, qui déterminent à la fois les coordonnées spatiales (emplacement dans la cellule ou le tissu) et temporelles (cycle cellulaire ou stade de développement) de la cellule, comme une sorte de « mémoire cellulaire ». Les réseaux de gènes commencent seulement à être compris, et c'est une prochaine étape pour la biologie d'essayer de déduire les fonctions de chaque "nœud" de gène, pour aider à comprendre le comportement du système dans des niveaux croissants de complexité, du gène à la voie de signalisation. , au niveau cellulaire ou tissulaire.

Des modèles mathématiques de GRN ont été développés pour capturer le comportement du système modélisé et, dans certains cas, générer des prédictions correspondant à des observations expérimentales. Dans certains autres cas, les modèles se sont avérés faire de nouvelles prédictions précises, qui peuvent être testées expérimentalement, suggérant ainsi de nouvelles approches à explorer dans une expérience qui parfois ne seraient pas prises en compte dans la conception du protocole d'un laboratoire expérimental. Techniques de modélisation comprennent des équations différentielles (EDO), réseaux booléens , les réseaux de Petri , les réseaux bayésiens , graphiques modèles de réseau gaussiennes , Stochastic et calculs de processus . Inversement, des techniques ont été proposées pour générer des modèles de GRN qui expliquent au mieux un ensemble d' observations de séries chronologiques . Récemment, il a été montré que le signal ChIP-seq de la modification des histones est plus corrélé avec les motifs des facteurs de transcription au niveau des promoteurs par rapport au niveau d'ARN. Par conséquent, il est proposé que la modification des histones en série chronologique ChIP-seq pourrait fournir une inférence plus fiable des réseaux de régulation des gènes par rapport aux méthodes basées sur les niveaux d'expression.

Structure et évolution

Fonctionnalité globale

On pense généralement que les réseaux de régulation génique sont constitués de quelques nœuds hautement connectés ( hubs ) et de nombreux nœuds mal connectés nichés dans un régime de régulation hiérarchique. Ainsi, les réseaux de régulation génique se rapprochent d'une topologie de réseau libre à l'échelle hiérarchique . Ceci est cohérent avec le point de vue selon lequel la plupart des gènes ont une pléiotropie limitée et fonctionnent au sein de modules de régulation . On pense que cette structure évolue en raison de l' attachement préférentiel des gènes dupliqués à des gènes plus fortement connectés. Des travaux récents ont également montré que la sélection naturelle a tendance à favoriser les réseaux à connectivité clairsemée.

Les réseaux peuvent évoluer principalement de deux manières, les deux pouvant se produire simultanément. La première est que la topologie du réseau peut être modifiée par l'ajout ou la soustraction de nœuds (gènes) ou de parties du réseau (modules) pouvant s'exprimer dans différents contextes. La voie de signalisation Drosophila Hippo fournit un bon exemple. La voie de signalisation Hippo contrôle à la fois la croissance mitotique et la différenciation cellulaire post-mitotique. Récemment, il a été découvert que le réseau dans lequel opère la voie de signalisation Hippo diffère entre ces deux fonctions, ce qui modifie à son tour le comportement de la voie de signalisation Hippo. Cela suggère que la voie de signalisation Hippo fonctionne comme un module de régulation conservé qui peut être utilisé pour de multiples fonctions selon le contexte. Ainsi, la modification de la topologie du réseau peut permettre à un module conservé de remplir plusieurs fonctions et de modifier la sortie finale du réseau. La deuxième façon dont les réseaux peuvent évoluer est de changer la force des interactions entre les nœuds, comme la force avec laquelle un facteur de transcription peut se lier à un élément cis-régulateur. Il a été démontré qu'une telle variation de la force des bords du réseau sous-tend la variation entre les espèces dans la structuration du destin des cellules vulvaires des vers Caenorhabditis .

Fonctionnalité locale

Une autre caractéristique largement citée du réseau de régulation des gènes est leur abondance de certains sous-réseaux répétitifs connus sous le nom de motifs de réseau . Les motifs de réseau peuvent être considérés comme des motifs topologiques répétitifs lors de la division d'un grand réseau en petits blocs. Une analyse précédente a trouvé plusieurs types de motifs qui apparaissaient plus souvent dans les réseaux de régulation génique que dans les réseaux générés de manière aléatoire. À titre d'exemple, un de ces motifs est appelé boucles d'anticipation, qui se composent de trois nœuds. Ce motif est le plus abondant parmi tous les motifs possibles constitués de trois nœuds, comme le montrent les réseaux de régulation génique de la mouche, du nématode et de l'homme.

Les motifs enrichis ont été proposés pour suivre une évolution convergente , suggérant qu'il s'agit de « conceptions optimales » à certaines fins réglementaires. Par exemple, la modélisation montre que les boucles d'anticipation sont capables de coordonner le changement du nœud A (en termes de concentration et d'activité) et la dynamique d'expression du nœud C, créant différents comportements d'entrée-sortie. Le système d'utilisation du galactose d' E. coli contient une boucle d' anticipation qui accélère l'activation de l' opéron d' utilisation du galactose galETK , facilitant potentiellement la transition métabolique vers le galactose lorsque le glucose est épuisé. La boucle d'anticipation dans les systèmes d'utilisation de l' arabinose d' E. coli retarde l'activation de l'opéron et des transporteurs du catabolisme de l'arabinose, évitant potentiellement une transition métabolique inutile due aux fluctuations temporaires des voies de signalisation en amont. De même dans la voie de signalisation Wnt de Xenopus , la boucle d'anticipation agit comme un détecteur de changement de pli qui répond au changement de pli, plutôt qu'au changement absolu, du niveau de -caténine, augmentant potentiellement la résistance aux fluctuations de β -niveaux de caténine. Suivant l'hypothèse d'évolution convergente, l'enrichissement des boucles feed-forward serait une adaptation pour une réponse rapide et une résistance au bruit. Une recherche récente a révélé que la levure cultivée dans un environnement de glucose constant développait des mutations dans les voies de signalisation du glucose et la voie de régulation de la croissance, suggérant que les composants régulateurs répondant aux changements environnementaux sont superflus dans un environnement constant.

D'autre part, certains chercheurs émettent l'hypothèse que l'enrichissement des motifs de réseau est non adaptatif. En d'autres termes, les réseaux de régulation génique peuvent évoluer vers une structure similaire sans sélection spécifique sur le comportement d'entrée-sortie proposé. Le support de cette hypothèse vient souvent de simulations informatiques. Par exemple, les fluctuations de l'abondance des boucles d'anticipation dans un modèle qui simule l'évolution des réseaux de régulation génique en recâblant aléatoirement des nœuds peuvent suggérer que l'enrichissement des boucles d'anticipation est un effet secondaire de l'évolution. Dans un autre modèle d'évolution des réseaux de régulateurs de gènes, le rapport des fréquences de duplication et de suppression de gènes a une grande influence sur la topologie du réseau : certains rapports conduisent à l'enrichissement des boucles d'anticipation et créent des réseaux qui présentent des caractéristiques de réseaux libres à l'échelle hiérarchique. L'évolution de novo des boucles d'anticipation cohérentes de type 1 a été démontrée informatiquement en réponse à la sélection pour leur fonction hypothétique de filtrage d'un signal parasite court, prenant en charge l'évolution adaptative, mais pour le bruit non idéalisé, un système d'alimentation basé sur la dynamique. une régulation en amont avec une topologie différente a plutôt été privilégiée.

Réseaux de régulation bactérienne

Les réseaux de régulation permettent aux bactéries de s'adapter à presque toutes les niches environnementales de la planète. Un réseau d'interactions entre divers types de molécules, notamment l'ADN, l'ARN, les protéines et les métabolites, est utilisé par les bactéries pour réguler l'expression des gènes. Chez les bactéries, la fonction principale des réseaux de régulation est de contrôler la réponse aux changements environnementaux, par exemple l'état nutritionnel et le stress environnemental. Une organisation complexe de réseaux permet au micro-organisme de coordonner et d'intégrer de multiples signaux environnementaux.

La modélisation

Equations différentielles ordinaires couplées

Il est courant de modéliser un tel réseau avec un ensemble d' équations différentielles ordinaires (EDO) ou EDS couplées , décrivant la cinétique de réaction des éléments constitutifs. Supposons que notre réseau de régulation comporte des nœuds, et représentons les concentrations des substances correspondantes à l'instant . Ensuite, l'évolution temporelle du système peut être décrite approximativement par ${\style d'affichage N}$${\style d'affichage S_{1}(t),S_{2}(t),\ldots ,S_{N}(t)}$${\style d'affichage N}$${\style d'affichage t}$

${\displaystyle {\frac {dS_{j}}{dt}}=f_{j}\left(S_{1},S_{2},\ldots ,S_{N}\right)}$

où les fonctions expriment la dépendance de sur les concentrations d'autres substances présentes dans la cellule. Les fonctions sont finalement dérivées des principes de base de la cinétique chimique ou des expressions simples dérivées de celles - ci, par exemple la cinétique enzymatique de Michaelis-Menten . Par conséquent, les formes fonctionnelles du sont généralement choisies comme des polynômes d' ordre inférieur ou des fonctions de Hill qui servent d' ansatz pour la dynamique moléculaire réelle. De tels modèles sont ensuite étudiés en utilisant les mathématiques de la dynamique non linéaire . Les informations spécifiques au système, telles que les constantes de vitesse de réaction et les sensibilités, sont codées en tant que paramètres constants. ${\displaystyle f_{j}}$${\style d'affichage S_{j}}$${\displaystyle f_{j}}$${\displaystyle f_{j}}$

En résolvant pour le point fixe du système :

${\displaystyle {\frac {dS_{j}}{dt}}=0}$

pour tous , on obtient (éventuellement plusieurs) des profils de concentration de protéines et d'ARNm qui sont théoriquement soutenables (mais pas nécessairement stables ). Les états d'équilibre des équations cinétiques correspondent ainsi aux types de cellules potentiels, et les solutions oscillatoires à l'équation ci-dessus aux types de cellules naturellement cycliques. La stabilité mathématique de ces attracteurs peut généralement être caractérisée par le signe de dérivés supérieurs aux points critiques, et correspond alors à la stabilité biochimique du profil de concentration. Les points critiques et les bifurcations dans les équations correspondent à des états cellulaires critiques dans lesquels de petites perturbations d'état ou de paramètres pourraient faire basculer le système entre l'un des nombreux destins de différenciation stables. Les trajectoires correspondent au déroulement des voies biologiques et des transitoires des équations à des événements biologiques à court terme. Pour une discussion plus mathématique, voir les articles sur la non - linéarité , les systèmes dynamiques , la théorie de la bifurcation et la théorie du chaos . ${\style d'affichage j}$

Réseau booléen

L'exemple suivant illustre comment un réseau booléen peut modéliser un GRN avec ses produits génétiques (les sorties) et les substances de l'environnement qui l'affectent (les entrées). Stuart Kauffman a été parmi les premiers biologistes à utiliser la métaphore des réseaux booléens pour modéliser les réseaux de régulation génétique.

1. Chaque gène, chaque entrée et chaque sortie est représenté par un nœud dans un graphe orienté dans lequel il y a une flèche d'un nœud à un autre si et seulement s'il existe un lien de causalité entre les deux nœuds.
2. Chaque nœud du graphique peut être dans l'un des deux états suivants : activé ou désactivé.
3. Pour un gène, « on » correspond au gène exprimé ; pour les entrées et les sorties, "off" correspond à la substance présente.
4. Le temps est considéré comme procédant par étapes discrètes. A chaque étape, le nouvel état d'un nœud est une fonction booléenne des états antérieurs des nœuds avec des flèches pointant vers lui.

La validité du modèle peut être testée en comparant les résultats de simulation avec des observations de séries chronologiques. Une validation partielle d'un modèle de réseau booléen peut également provenir du test de l'existence prédite d'une connexion régulatrice encore inconnue entre deux facteurs de transcription particuliers qui sont chacun des nœuds du modèle.

Réseaux continus

Les modèles de réseaux continus de GRN sont une extension des réseaux booléens décrits ci-dessus. Les nœuds représentent toujours des gènes et les connexions entre eux influencent la régulation de l'expression des gènes. Les gènes dans les systèmes biologiques affichent une gamme continue de niveaux d'activité et il a été avancé que l'utilisation d'une représentation continue capture plusieurs propriétés des réseaux de régulation génique non présents dans le modèle booléen. Formellement, la plupart de ces approches sont similaires à un réseau de neurones artificiels , car les entrées d'un nœud sont résumées et le résultat sert d'entrée à une fonction sigmoïde, par exemple, mais les protéines contrôlent souvent l'expression des gènes de manière synergique, c'est-à-dire non linéaire, manière. Cependant, il existe maintenant un modèle de réseau continu qui permet de regrouper les entrées vers un nœud réalisant ainsi un autre niveau de régulation. Ce modèle est formellement plus proche d'un réseau de neurones récurrents d' ordre supérieur . Le même modèle a également été utilisé pour mimer l'évolution de la différenciation cellulaire et même de la morphogenèse multicellulaire .

Réseaux de gènes stochastiques

Des résultats expérimentaux récents ont démontré que l'expression des gènes est un processus stochastique. Ainsi, de nombreux auteurs utilisent désormais le formalisme stochastique, après les travaux d'Arkin et al. Les travaux sur l'expression d'un seul gène et les petits réseaux génétiques synthétiques, tels que le commutateur à bascule génétique de Tim Gardner et Jim Collins , ont fourni des données expérimentales supplémentaires sur la variabilité phénotypique et la nature stochastique de l'expression des gènes. Les premières versions des modèles stochastiques d'expression génique n'impliquaient que des réactions instantanées et étaient pilotées par l' algorithme de Gillespie .

Étant donné que certains processus, tels que la transcription génique, impliquent de nombreuses réactions et ne peuvent pas être correctement modélisés comme une réaction instantanée en une seule étape, il a été proposé de modéliser ces réactions comme des réactions retardées multiples en une seule étape afin de prendre en compte le temps qu'il faut pour l'ensemble du processus pour être complet.

À partir de là, un ensemble de réactions a été proposé qui permet de générer des GRN. Ceux-ci sont ensuite simulés à l'aide d'une version modifiée de l'algorithme de Gillespie, qui peut simuler plusieurs réactions différées (réactions chimiques où chacun des produits reçoit un délai qui détermine quand il sera libéré dans le système en tant que "produit fini") .

Par exemple, la transcription basique d'un gène peut être représentée par la réaction en une seule étape suivante (RNAP est l'ARN polymérase, RBS est le site de liaison de l'ARN au ribosome et Pro _i est la région promotrice du gène i ) :  

${\displaystyle {\text{RNAP}}+{\text{Pro}}_{i}{\overset {k_{i,bas}}{\longrightarrow }}{\text{Pro}}_{i}( \tau _{i}^{1})+{\text{RBS}}_{i}(\tau _{i}^{1})+{\text{RNAP}}(\tau _{i} ^{2})}$

De plus, il semble y avoir un compromis entre le bruit dans l'expression des gènes, la vitesse à laquelle les gènes peuvent basculer et le coût métabolique associé à leur fonctionnement. Plus précisément, pour un niveau donné de coût métabolique, il existe un compromis optimal entre le bruit et la vitesse de traitement et l'augmentation du coût métabolique conduit à de meilleurs compromis vitesse-bruit.

Un travail récent a proposé un simulateur (SGNSim, Stochastic Gene Networks Simulator ), capable de modéliser des GRN où la transcription et la traduction sont modélisées comme des événements multiples retardés et sa dynamique est pilotée par un algorithme de simulation stochastique (SSA) capable de gérer plusieurs retards. événements. Les délais peuvent être tirés de plusieurs distributions et les vitesses de réaction de fonctions complexes ou de paramètres physiques. SGNSim peut générer des ensembles de GRN dans un ensemble de paramètres définis par l'utilisateur, tels que la topologie. Il peut également être utilisé pour modéliser des GRN spécifiques et des systèmes de réactions chimiques. Les perturbations génétiques telles que les suppressions de gènes, la surexpression de gènes, les insertions, les mutations par décalage de cadre peuvent également être modélisées.

Le GRN est créé à partir d'un graphe avec la topologie souhaitée, imposant des distributions de degré d'entrée et de sortie. Les activités de promoteur de gènes sont affectées par d'autres produits d'expression de gènes qui agissent comme des entrées, sous forme de monomères ou combinés en multimères et définis comme directs ou indirects. Ensuite, chaque entrée directe est attribuée à un site opérateur et différents facteurs de transcription peuvent être autorisés, ou non, à concourir pour le même site opérateur, tandis que les entrées indirectes reçoivent une cible. Enfin, une fonction est attribuée à chaque gène, définissant la réponse du gène à une combinaison de facteurs de transcription (état promoteur). Les fonctions de transfert (c'est-à-dire la manière dont les gènes répondent à une combinaison d'entrées) peuvent être attribuées à chaque combinaison d'états promoteurs comme souhaité.

Dans d'autres travaux récents, des modèles multi-échelles de réseaux de régulation génique ont été développés qui se concentrent sur des applications de biologie synthétique. Des simulations ont été utilisées pour modéliser toutes les interactions biomoléculaires dans la transcription, la traduction, la régulation et l'induction de réseaux de régulation génique, guidant la conception de systèmes synthétiques.

Prédiction

D'autres travaux se sont concentrés sur la prédiction des niveaux d'expression génique dans un réseau de régulation génique. Les approches utilisées pour modéliser les réseaux de régulation des gènes ont été contraintes d'être interprétables et, par conséquent, sont généralement des versions simplifiées du réseau. Par exemple, les réseaux booléens ont été utilisés en raison de leur simplicité et de leur capacité à gérer des données bruyantes mais perdent des informations sur les données en ayant une représentation binaire des gènes. De plus, les réseaux de neurones artificiels omettent d'utiliser une couche cachée afin qu'ils puissent être interprétés, perdant ainsi la capacité de modéliser des corrélations d'ordre supérieur dans les données. En utilisant un modèle qui n'est pas contraint d'être interprétable, un modèle plus précis peut être produit. Être capable de prédire les expressions des gènes avec plus de précision fournit un moyen d'explorer comment les médicaments affectent un système de gènes ainsi que de trouver quels gènes sont interdépendants dans un processus. Cela a été encouragé par le concours DREAM qui promeut un concours pour les meilleurs algorithmes de prédiction. D'autres travaux récents ont utilisé des réseaux de neurones artificiels avec une couche cachée.

Applications

Sclérose en plaque

Il existe trois classes de sclérose en plaques : récurrente-rémittente (RRMS), primaire progressive (PPMS) et secondaire progressive (SPMS). Le réseau de régulation génique (GRN) joue un rôle essentiel pour comprendre le mécanisme de la maladie dans ces trois classes différentes de sclérose en plaques.

Voir également

• Plan du corps
• Module cis-régulateur
• Genenetwork (base de données)
• Morphogène
• Opéron
• Synexpression
• Biologie des systèmes
• Analyse de réseau de co-expression génique pondérée

Les références

Lectures complémentaires

Liens externes

• Base de données des facteurs de transcription des plantes et plateforme de données et d'analyse de la régulation de la transcription des plantes
• Service Web open source pour l'analyse GRN
• BIB : navigateur d'interactions biologiques avec les levures
• Modèles graphiques gaussiens pour les données génomiques – Inférence de réseaux d'association de gènes avec les GGM
• Une bibliographie sur l'apprentissage des réseaux causaux d'interactions géniques - régulièrement mise à jour, contient des centaines de liens vers des articles de bioinformatique, de statistiques, d'apprentissage automatique.
• https://web.archive.org/web/20060907074456/http://mips.gsf.de/proj/biorel/ BIOREL est une ressource Web pour l'estimation quantitative du biais du réseau de gènes par rapport aux informations de base de données disponibles sur activité/fonction/propriétés/associations/interaction des gènes.
• Evolving Biological Clocks using Genetic Regulatory Networks - Page d'informations avec le code source du modèle et l'applet Java.
• Réseaux de gènes d'ingénierie
• Tutoriel : Algorithmes génétiques et leur application à l'évolution artificielle des réseaux de régulation génétique
• BEN : une ressource Web pour explorer les liens entre les gènes, les maladies et d'autres entités biomédicales
• Réseau mondial d'interaction protéine-protéine et de régulation génique d'Arabidopsis thaliana