Introduction a la genomique

1. La Génomique
Biologie, informatique, évolution
Hugues Roest Crollius
hrc@ens.fr
Dyogen Group
L3 – Introduction aux sciences du vivant – 03.12.2013

2. La « génomique fonctionnelle »

3. La « génomique évolutive » TAATGGTACCAGTTAGCAGAGT…
CCATGGTTCCCGTAGCCAGAGT…
TAATGGTACCGGTTAACAGAGT…
TTATGGTACCTGTTAACAGAGT…
CGATGGTGCCGGTCGACAGAGC…
CTATGGTCCCTGTTATCAGAGC…
GTATGGTCCCTGTCGTCAGAGC…
CCATGGTTCCCGTAGCCAGAGT…
human
baboon
mouse
dog
cat
cow
pig
chicken
human
mouse
rat
dog

4. Applied Biosystems 3730
(ici au Broad Institute (USA))
1 Mb / jour
1990 2008
La production des données de génomique
2013
Illumina MySeq2500
Capable de re-séquencer
1 génome humain / jour
(40X; 135 Gb)
Séquençage manuel
par radioactivité
100 b / jour

5. La production des données de séquençage
326 millions
686 milliards

6. 1990 91 92 93 94 95 96 97 98 99 2000 01 02 03 04 05 06 07 08 09
Cartographie génétique
Cartographie physique
Human Genome Project (HGP)
Projet Celera
Projet HapMap
Séquençage très haut débit
J.C. Venter
Aujourdhui l’information issue du génome humain et du génome d’espèces modèles nous permet de
mieux comprendre certains processus biologiques
Bientôt, l’information issue de milliers de génomes humains, intégrée à des données épidémiologiques
et de structure de la population, seront la base d’une nouvelle médecine « personnalisée ».
Bactérie Levure Nématode Drosophile Humain Souris Poule Chimpanzee

7. Whole genome random sequencing and assembly of Haemophilus
influenza Rd
Fleischmann et al. (1995) Science 269:496-512!
• Preuve par l’exemple: assembler un
génome à partir d’un séquençage
aléatoire est possible (14 pages /17)!
• 1,830,137 bases!
• 38% GC!
• 6 opérons ARNr!
• Origine de réplication trouvée!
• 1743 gènes annotés!
• 736 gènes sans rôle assigné!
• ~50% des protéines connues de E.
coli n’ont pas de similarité !
• Quelques conclusions biologiques
générales: !
• voies métaboliques absentes
et présentes!
• gènes de pathogénicité!

8. Life with 6000 genes
• 1er génome eucaryote séquencé!
• 600 chercheurs, 100 laboratoires, le plus grand projet décentralisé de
la biologie moléculaire !
!
!
• Seules 43,3 % des protéines ont une fonction connue ou « suggérée »!
• Beaucoup de régions du génome sont dupliquées!
• Tous les gènes d’histones sont présents (dont H1)!
Science (1996) Vol. 274: 546 - 567
(Saccharomyces cerevisae)!

9. Conséquences politiques!
!
• Un génome eucaryote complexe peut-être séquencé. !
• le projet a révélé l’importance de la bioinformatique (AceDB, GeneFinder)!
• Un modèle de projet « ouvert »: accès libre au matériel et aux données!
Résultats scientifiques!
!
• 19099 gènes, trois fois plus que la levure!
• La densité en gène est plus importante près des centromères (sauf sur le X)!
• Les éléments répétés sont plus nombreux vers les télomères!
• Les extrémités des chromosomes seraient des régions à évolution plus rapide!
• 32 % des protéines de C. elegans sont similaires à des protéines humaines,
70% des protéines humaines sont similaires à celles de C. elegans !
Genome Sequence of the Nematode C.
elegans: A Platform for Investigating
Biology
Science (1998) vol. 282: 2012-2018.

11. Initial sequence of the chimpanzee genome
and comparison with the human genome
Nature (2005) vol 439:69-87!
• 1,23 % de divergence nucléotidique avec l’espèce humaine sous forme de SNPs, dont
1,06% fixé au cours de l’évolution (ce qui fait ~ 30 millions de bases). !
• 1,5 % de la séquence euchromatique de chaque espèce lui est spécifique (insertions ou
délétions; ~45 Mb)!
• 29% des protéines sont identiques entre les 2 espèces, la plupart des autres ne divergent
que par 2 acides aminés!
• Les protéines de la réponse immunitaire, de la reproduction et de l’olfaction divergent plus
vite que les autres!
• De nombreuses «pépites » sur les gènes spécifiques à l’espèce humaine (éliminé du
chimpanzé) ou vice-versa, parfois en liaison avec des maladies humaines. Certaines
mutations humaines causant des maladies sont en fait l’allèle sauvage « ancestral » (ex:
predisposition au diabète de type 2)!

12. Le génome
Humain
~
T
out un symbole

13. Un symbole de l’opposition « privé - public »!
!
• Celera (Craig Venter)!
!
• Human Genome Project (F. Collins, R. Waterston, J. Sulston, P. Green!
!
!Opposition !
! !- sur les finalités!
! !- l’accès aux données!
! !- la stratégie!
Un symbole de la médiatisation de la science!
!
• Course à la (aux) publication(s)!
• battage médiatique intense!
• Reconnaissance par le monde politique!

14. La variabilité génétique
« La » séquence du génome humain disponible dans les
bases de données représente en réalité un génome fictif: il
s’agit d’un assemblage de l’ADN obtenus de plusieurs
individus.
Cette séquence ne contient pas de variabilité (polymorphisme
allélique).
Cette séquence est conventionnellement utilisée comme
référence.
Mais la population humaine est composée de 6 milliards d’individus, chacun avec
un génome qui lui est unique.
En plus des influences de l’environnement, cette variabilité entre individus est l’un des
déterminants majeurs de la morphologie, des propriétés physiologique, du
comportement, de la santé des individus.
Comment se manifeste cette variabilité génétique?

15. A haplotype map of the human genome
Nature (2005) vol 437:1299-1320!
• Nous ignorons encore les causes génétiques de la plupart des maladies
humaines: troubles maniaco-depressifs, réponses aux anti-hypertensenseurs,
etc…!
• Nous savons que probabement la moitié des facteurs de risques à la racine
de ces maux sont d’origine génétique. !
• 1 007 329 SNPs ont été testés dans 269 individus appartenant à 4 groupes:!
• population des Yoruba (Ibadan) au Niger!
• familles du CEPH (Utah, USA)!
• population chinoise (Han) de Beijing!
• population japonaise de Tokyo !

16. A haplotype map of the human genome
Nature (2005) vol 437:1299-1320!
Quelques surprises:!
!
La plupart des variants dans la population sont rares: !
!- 46 % des SNPs ont une fréquence d’allèle minoritaire (FAM) 0.05!
!- 9% ne sont vus que dans un seul individu. !
!
La plupart des variants sont largement partagés!
!- 90% des variants observés dans un individu sont des SNPs !
« communs » !
Des confirmations:!
!
Les échantillons ne sont pas homogènes!
!- la population du Niger est plus riche en SNPs de faible fréquence!
!!
Mais nous sommes bien de la même espèce :-)!
!- seulement 16 SNPs sur 1 million sont « fixés » dans une population par !
rapport aux autres!
!
!

17. Séquençage par synthèse (SBS)

18. Le séquençage des génomes
Il
a
fallu
créer
une
nouvelle
division
dans
les
bases
de
données:
Short
Read
Archives
(SRA)
4,5
trillions
573
trillions

19. Le séquençage des génomes
La
séquence
d’un
génome
est
donc
une
succession
de
conDgs
organisés
en
scaffolds.
Selon
le
degré
de
finiDon,
les
scaffolds
peuvent
être
ancrés
sur
une
carte
généDque,
ordonnés
et
orientés,
et
les
trous
de
séquence
entre
les
conDgs
et
scaffolds
peuvent
être
bouchés.
Les
génomes
eucaryotes
séquencé
à
très
haut
niveau
de
qualité
(
1.106
erreurs/base)
Saccharomyces
cerevisiae
Levure
de
boulanger
Caenorhabdi2s
elegans
Ver
nématode
Drosophila
melanogaster
Mouche
à
vinaigre
Arabidopsis
thaliana
ArabeTe
Homo
sapiens
Humain
Mus
musculus
Souris
Danio
rerio
Poisson
zèbre

20. Le séquençage des génomes
Le
«
N50
»,
une
mesure
devenue
classique
pour
évaluer
la
conDnuité
d’un
assemblage.
Le
N50
est
la
taille
du
scaffold
(ou
conDg)
tel
que
50%
des
bases
de
l’assemblage
sont
comprises
dans
des
scaffolds
de
taille
supérieures
à
ceTe
taille.
La taille du segment (scaffold) telle que la moitié de
la somme des bases de tous les segments
(assemblage) soit compris dans des segments de
taille supérieure.
N50
Scaffolds
de
l’assemblage
Trier par taille
50%
des
bases
50%
des
bases

21. Le génome humain en 2013

22. Un génome à l’état de « brouillon »
Le
génome
du
cheval
(Equus
caballus)
L’assemblage
actuel
(2013)
est
la
version
version
EquCab2,
obtenu
par
la
technique
Whole
Genome
Shotgun
(WGS)
avec
une
couverture
de
6.79x
en
lecture
«
Sanger
».
Une
jument
appelée
Twilight
fut
sélecDonnée
pour
obtenir
le
génome
référence
de
l’espèce.
Le
projet
fut
coordonné
et
le
génome
séquencé
par
Le
Broad
InsDtute
(USA).
La
taille
N50
des
conDgs
est
de
112.38
kb,
et
la
somme
totale
des
conDgs
est
de
2.43
Gb.
En
incluant
la
taille
esDmé
des
trou
entre
les
conDgs
dans
les
scaffolds,
l’assemblage
couvre
2.68
Gb.

23. Un génome à l’état de « brouillon »
Platyfish
(Xiphophorus
maculatus)
L’assemblage
(version
XipMac4.4.2)
a
été
produit
par
The
Genome
InsDtute,
Washington
University
School
of
Medicine
(USA).
Cet
assemblage
a
été
réalisé
par
whole
genome
shotgun
à
parDr
de
séquences
produites
par
la
technologie
“454”
et
Illumina,
pour
une
couverture
totale
du
génome
de
~19.6X.

24. Le
séquençage
du
génome
humain
Après
le
séquençage,
la
première
étape
de
«
valorisaDon
»
de
la
séquence
est
d’y
idenDfier
(annoter)
les
régions
foncDonnelles,
principalement
les
gènes
codant
les
protéines.
Chaque
génome
eucaryote
conDent
des
milliers
de
gènes.
On
ne
peut
pas
envisager
de
faire
une
«
expérience
»
pour
idenDfier
chaque
gène:
il
faut
recourir
à
des
logiciels
pour
réaliser
une
annotaDon
automaDque,
ou
à
des
ressources
génomiques.
Annoter
les
gènes
automaDquement
est
une
tâche
difficile
et
un
champs
encore
très
«
ouvert
»
de
la
bioinformaDque.
Dans
les
génomes
eucaryotes,
les
gènes
ont
des
structures
extrêmement
variables:
il
difficile
d’établir
des
«
règles
».
Les
gènes
….

25. 25
Chr. 20 Chr. 21 Chr. 22
Taille chromosome 59,42 Mb 33,54 Mb 33,46 Mb
Gènes connus 335 127 270
Autres 392 98 298
Pseudogènes 168 (18,7%) 59 (20,7%) 134 (19,1%)
Densité en gènes 12,2 g./Mb 6,7 g./Mb 17,0 g./Mb
Tailles des gènes
Connus 51,3 kb 57,0 kb 1 ↔ 593 kb
Pseudogènes 1,9 kb
Taille des exons
Connus 294 bp 8 ↔ 7600 bp
Pseudogènes 499 bp
Nombre d’exons
Connus 10,3
Pseudogènes 1,4
Combien(y(a(t,il(de(gènes(dans(le(génome(humain?(
Premières(estimations((année(2000)(
(
(
40000
20000
50000

26. EsDmaDons
du
nombre
de
gènes
dans
le
génome
92
93
94
95
96
97
98
99
00
01
02
03
04
05
06
20
000
40
000
160
000
140
000
120
000
100
000
80
000
60
000
(Antequera
and
Bird)
(Fields
et
al.)
(Roest
Crollius
et
al.)
(Lander
et
al.)
EsDmaDons
publiées
(Ewing
and
Green
et
al.)
(Liang
et
al.)

27. 27
BLAST
Altschul et al. (1990) Basic Local Alignment Search Tool. J. Mol. Biol. 215:403-410
Nombre total de citations : 36103 (en novembre 2013)
L’article le plus cité en sciences du vivant

28. 28
Query: SPWTFPS*FLMSSSMKVPSWSRISSPM*GIL*STVSSST
SPWTFPS* L+SSS+KV S S SSPM*GIL T SSST
Sbjct: SPWTFPS*LLISSSIKVSSSSFTSSPM*GILHKTXSSST
Query: LLFQLFLALSDLKQLRILHTDLKPDNVMLVD--EKELKIKLMDFGLALLTHEAKT--GTI
+L Q+ AL LK L ++H DLKP+N+MLVD + ++K++DFG A +H +KT T
Sbjct: ILQQVATALKKLKSLGLIHADLKPENIMLVDPVRQPYRVKVIDFGSA--SHVSKTVCSTY
Query: VNALAQYSHNEDEEEEEEHDFKVDKT-DLCDSKKHPE
VNAL QY+ ++D+++ ++ + + +K DL D + E
Sbjct: VNALGQYNDDDDDDDGDDPEEREEKQKDLEDHRDDKE
Query: RYKELTEQQMPGALPPECTPNMDGPHARSVRREQSLHSFHTLFCRRCFKYDRFLH
+YKELTEQQ+PGALPPECTPN+DGP+A+SV+REQSLHSFHTLFCRRCFKYD FLH
Sbjct: KYKELTEQQLPGALPPECTPNIDGPNAKSVQREQSLHSFHTLFCRRCFKYDCFLH

29. 29
BLAST
A T T G C G T A T G C A G C G T A G C A A T T G C G A T A C!
T T A C G C G A T G T A G A C A G C G T A G C A A T G T T G C A!
Match
exact
Query
Subject
“mot”
de
taille
W
=
11
bases

30. 30
A T T G C G T A T G C A G C G T A G C A A T T G C G A T A C!
T T A C G C G A T G T A G A C A G C G T A G C A A T G T T G C
Blast:
Query
Subject
T A T G C A G C G T A G C A A T!
Matrice de score NUC.4.4
A T G C N!
A 5 -4 -4 -4 -2!
T -4 5 -4 -4 -2!
G -4 -4 5 -4 -2!
C -4 -4 -4 5 -2!
N -2 -2 -2 -2 -1!
+5-4-4+5!
- 8 X!
X
=
seuil
maximal
de
mismatch
autorisé
=
21
par
défaut
W

31. 31
Mot
“W”
=
3
a.
a.
(Seuil
“X”)
(Seuil
“T”)
L E C N Q L I P I A H K T C P E G K N L
H K T!
H L T!
H V T!
H Y T!
Y K T!
N K T!
L K C H N T Q L P F I Y K T C P E G K N
Extension
Automate
TBLASTX,
BLASTP,
BLASTX

32. 32
A R N D C Q E G H I L K M F P S T W Y V B Z X *
A 4 -1 -2 -2 0 -1 -1 0 -2 -1 -1 -1 -1 -2 -1 1 0 -3 -2 0 -2 -1 0 -4
R -1 5 0 -2 -3 1 0 -2 0 -3 -2 2 -1 -3 -2 -1 -1 -3 -2 -3 -1 0 -1 -4
N -2 0 6 1 -3 0 0 0 1 -3 -3 0 -2 -3 -2 1 0 -4 -2 -3 3 0 -1 -4
D -2 -2 1 6 -3 0 2 -1 -1 -3 -4 -1 -3 -3 -1 0 -1 -4 -3 -3 4 1 -1 -4
C 0 -3 -3 -3 9 -3 -4 -3 -3 -1 -1 -3 -1 -2 -3 -1 -1 -2 -2 -1 -3 -3 -2 -4
Q -1 1 0 0 -3 5 2 -2 0 -3 -2 1 0 -3 -1 0 -1 -2 -1 -2 0 3 -1 -4
E -1 0 0 2 -4 2 5 -2 0 -3 -3 1 -2 -3 -1 0 -1 -3 -2 -2 1 4 -1 -4
G 0 -2 0 -1 -3 -2 -2 6 -2 -4 -4 -2 -3 -3 -2 0 -2 -2 -3 -3 -1 -2 -1 -4
H -2 0 1 -1 -3 0 0 -2 8 -3 -3 -1 -2 -1 -2 -1 -2 -2 2 -3 0 0 -1 -4
I -1 -3 -3 -3 -1 -3 -3 -4 -3 4 2 -3 1 0 -3 -2 -1 -3 -1 3 -3 -3 -1 -4
L -1 -2 -3 -4 -1 -2 -3 -4 -3 2 4 -2 2 0 -3 -2 -1 -2 -1 1 -4 -3 -1 -4
K -1 2 0 -1 -3 1 1 -2 -1 -3 -2 5 -1 -3 -1 0 -1 -3 -2 -2 0 1 -1 -4
M -1 -1 -2 -3 -1 0 -2 -3 -2 1 2 -1 5 0 -2 -1 -1 -1 -1 1 -3 -1 -1 -4
F -2 -3 -3 -3 -2 -3 -3 -3 -1 0 0 -3 0 6 -4 -2 -2 1 3 -1 -3 -3 -1 -4
P -1 -2 -2 -1 -3 -1 -1 -2 -2 -3 -3 -1 -2 -4 7 -1 -1 -4 -3 -2 -2 -1 -2 -4
S 1 -1 1 0 -1 0 0 0 -1 -2 -2 0 -1 -2 -1 4 1 -3 -2 -2 0 0 0 -4
T 0 -1 0 -1 -1 -1 -1 -2 -2 -1 -1 -1 -1 -2 -1 1 5 -2 -2 0 -1 -1 0 -4
W -3 -3 -4 -4 -2 -2 -3 -2 -2 -3 -2 -3 -1 1 -4 -3 -2 11 2 -3 -4 -3 -2 -4
Y -2 -2 -2 -3 -2 -1 -2 -3 2 -1 -1 -2 -1 3 -3 -2 -2 2 7 -1 -3 -2 -1 -4
V 0 -3 -3 -3 -1 -2 -2 -3 -3 3 1 -2 1 -1 -2 -2 0 -3 -1 4 -3 -2 -1 -4
B -2 -1 3 4 -3 0 1 -1 0 -3 -4 0 -3 -3 -2 0 -1 -4 -3 -3 4 1 -1 -4
Z -1 0 0 1 -3 3 4 -2 0 -3 -3 1 -1 -3 -1 0 -1 -3 -2 -2 1 4 -1 -4
X 0 -1 -1 -1 -2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -2 0 0 -2 -1 -1 -1 -1 -1 -4
* -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 1
Matrice de score BLOSUM62

33. 33
Levure 6000
Drosophile 13600
Humain 25000
Nematode 19000
Arabidopsis 25000
Nombre de gènes dans les génomes eucaryotes

34. 34
EVOLUTION
MOLECULAIRE
Quelques
principes

35. MutaDon
Dérive
généDque
SélecDon
posiDve
SélecDon
négaDve
FixaDon
100%
Avantageuse
Neutre
Délétère
DispariDon
0%
Fréquence
Intermédiaire
0-­‐100%

36. Evolution moléculaire
Les fréquences des variations au sein d’une population fluctuent au cours du temps.
P
0
1
Générations (temps)
Pour estimer les fréquences dans une population, il faut échantillonner de nombreux
individus
Les variations AVANTAGEUSES sont sélectionnées et augmentent en fréquence
Les variations DELETERES sont éliminées et diminuent en fréquence
Les variations NEUTRES fluctuent de manière aléatoire

37. La sélection naturelle

39. Cys Ser Arg Cys Lys Gly His Cys Arg Ala Arg!
TGT TCG AGA TGT AAG GGC CAT TGT CGA GCA AGA!
!
!
!
Cys Leu Arg Cys Lys Arg His Cys Arg Ala Lys!
TGT TTG AGA TGT AAA CGC CAT TGT AGA GCT AAA!
!
!
!
Observé Attendu neutre
Substitutions synonymes 3
Substitutions non-synonymes 3 ~3 X 4 = 12 è 75% des
mutations sont
délétères

40. dS: taux de substitution synonyme (Ks)
dN: taux de substitution non-synonymes (Ka)
ω = dN / dS
ω ~ 1 è
ω 1 è evolution sous sélection négative
ω 1 è evolution sous sélection positive

41. Fréquence des valeurs de ω pour 835 paires de gènes orthologues rat-
souris (les valeurs indiquées en abscisse sont la moyenne de la classe)
Hurst DL (2002) TIGS 18:486-487

42. Génomique Comparative
L’alignement multiple entre génome est un outil fondamental pour identifier des
régions conservées au cours de l’évolution (par sélection négative)
UCSC Genome Browser : http://genome.ucsc.edu/
Une région de 100 pb sur Xq26:

43. Tous les mammifères possèdent à peu près le même nombre de gènes, et partagent
les mêmes grandes fonctions de la vie
- reproduction
- développement
- système nerveux central
- système digestif
- système musculaire
- ….
On estime que les gènes présents dans le génome de la souris ou du chien peuvent
être informatifs pour identifier les gènes humains (ou vice-versa) simplement par
alignement de séquence.
Généralisation: Toutes les informations importantes contenues dans le génome
(codage des protéines et autres…) sont susceptibles d’êtres partagées entre espèces
différentes et donc d’être découvertes par alignement de séquences.
Génomique
ComparaDve:
Annoter
les
Gènes

44. Génomique Comparative (5)
Les séquences fonctionnelles les mieux connues dans le génome humain sont les
exons des gènes codant les protéines.
On peut les comparer par paires, mais les comparer toutes ensemble est plus
informatif, à l’aide d’un alignement multiple
Les exons codant sont particulièrement ben conservés, à travers l’ensemble
des vertébrés (sélection négative).
Les régions « UTRs » évoluent plus vite.
Les introns ne montrent pas de conservation particulière (évolution neutre)
Les espèces trop proches de l’homme sont peu informatives (ex: Macaque)

45. Migration, adaptation et selection naturelle
Les variations génétiques qui confèrent un avantage pour une meilleure
adaptation seront sélectionnés

46. Mutation avantageuse
Different types de sélection naturelle
Mutation neutre
Mutation délétère mutation “balancée”
SELECTION POSITIVE
Ex. G6PD, CD40 protection
contre la malaria en Afrique
SELECTION BALANCEE
Ex. MHC worldwide, HbS en
Afrique (malaria)
SELECTION PURIFICATRICE
Ex. Beaucoup de gènes humain

47. La cas de la lactase
La plupart des adultes ne peuvent métaboliser le lactose, sucre principal du lait, car
la fonction de l’enzyme lactase-phlorizin hydrolase diminue après le sevrage.
Mais certaines population, principalement celles descendantes de population ayant
pratiqué la domestication du bétail, maintiennent cette possibilité à l’âge adulte.
Fréquences de la « persistance de la lactase »
90% chez les suédois et les danois
~ 50% chez les français et les espagnols
5% - 20% chez les africains de l’ouest « non-pastoraux »
1 % chez les chinois
Mais 90% chez les Tutsis, Fulani, … populations africaines « pastorales ».
Certains SNPs ont été retrouvés dans les introns d’un gènes voisin de la lactase, et
sont associé au phénotype « persistance de la lactase »

48. Distribution du phénotype « persistance de la lactase » dans le monde
La cas de la lactase

49. La cas de la lactase
Intron 13
Danois et Suédois
Europe du sud
S. A. Tishkoff et al., Convergent adaptation of human lactase persistence in Africa and Europe. Nature genetics 39, 31 (2007).

50. La cas de la lactase
Danois et Suédois
Europe du sud
Afrique
S. A. Tishkoff et al., Convergent adaptation of human lactase persistence in Africa and Europe. Nature genetics 39, 31 (2007).

51. La cas de la lactase
Conclusions:
Les mutations de la lactase sont un cas classique d’évolution convergente:
le même phénotype est sélectionné de manière indépendante dans
des populations différentes, mais pas par le biais du même génotype.
Les mutations favorables sont dans les introns d’un gènes voisin du gène dont
la protéine confère l’avantage
Les mutations augmentent la production de lactase au cours de la vie adulte
(modification de l’expression du gène)