De l'identification à la caractérisation des complexes protéiques : développement d'une plateforme bioinformatique d'analyse

Liste des illustrations

• Figure 1 : Représentation schématique de l’interface du quattro II (BioQ, Micromass), un seul des trois quadripôles de l’appareil est représenté pour plus de clarté (Rogniaux, 2000)
• Figure 2 : Représentation schématique de l’interface de l’ESI-Q-TOF (Q-TOFII, Micromass) [Sanglier, 2002]
• Figure 3 : Schéma d’une trappe ionique (Esquire 3000+, Bruker)
• Figure 4 : La résolution est le pouvoir séparateur du spectromètre de masse, elle est définie par la relation encadrée ci-dessus.
• Figure 5 : Représentation schématique d’une trappe ionique.
• Figure 6 : Résumé des différentes étapes de l’analyse des ions dans la trappe ionique.
• Figure 7 : Schéma de principe et photo d’un gel 2D-PAGE.
• Figure 8 : Schéma de la chromatographie multidimensionnelle
• Figure 9 : Stratégie de marquage ICAT (Gygi et al., 1999)
• Figure 10 : Stratégie générale d’analyse protéomique
• Figure 11 : Illustration de la nomenclature des fragmentations d’après Biemann sur un tripeptide, les chaînes latérales sont notées R1, R2 et R3.
• Figure 12 : Le système double hybride.
• Figure 13 : Application de la méthode de double-hybride, d’après Legrain, Wojcik et al. 2001. Deux approches sont utilisées pour construire les cartes d’interactions à grande échelle à partir du système double hybride. L’approche matrice (a) utilise les mêmes protéines comme appât et comme proie, alors que l’approche de criblage de collection (b) identifie les domaines d’interaction de chaque protéine proie en interaction avec un appât donné.
• Figure 14 : Analyse des complexes protéiques par spectrométrie de masse. A) Marquage d’une protéine appât; les protéines appâts sont systématiquement précipitées avec leurs protéines associées sur une colonne d’affinité ; B) : Les complexes protéiques sont dissociés par électrophorèse SDS-PAGE, ce qui permet de séparer toutes les protéines du complexe en fonction de leur masse. Les protéines sont excisées du gel, digérées par la trypsine et analysées par spectrométrie de masse C) : des algorithmes bioinformatiques sont utilisés pour identifier les protéines en fonction de leur spectre.
• Figure 15 : Modèle de décomposition des complexes protéiques en interactions binaires.(A) La protéine appât A a permis de purifier les complexes comprenant les protéines A, B, C et D ; (B) En utilisant le modèle « spoke », le complexe ABCD est décomposé en toutes les paires de protéines entre la protéine appât A et les protéines proies B, C, D. En utilisant le modèle « matrix », le complexe ABCD est décomposé en toutes les paires possibles de protéines composant le complexe.
• Figure 16 : Exemple de calcul « interaction generality » d’après Saito, Suzuki,et al.2002.Les noeuds représentent les protéines et les lignes les interactions entre ces protéines. Les protéines cibles pour le calcul de l’IG sont YDR412W/GLC7 et Lsm8/Lsm2. Les protéines qui interagissent directement avec la paire de protéines cibles sont représentées en gris foncé et gris clair ; les protéines en foncé ont plus d’un partenaire en interaction. L’IG correspond au nombre de noeuds clair. Plus il est petit, plus l’interaction est faible. Dans cet exemple, l’interaction décrite entre les protéines YDR412W et GCL7 (A) est moins fiable que celle entre les protéines Lsm8 et Lsm2 (B)
• Figure 17 : Principe de l’identification des peptides à partir de l’algorithme de Sequest. Le programme génère dans une première partie les spectres de fragmentation théorique. Ensuite, il compare les spectres de fragmentation théorique et expérimentale. Enfin, à l’aide de deux scores d’identification « Sp et Xcorr », il sélectionne la séquence candidate.
• Figure 18 : Exemple de distribution des probabilités d’identification sur Mascot. Les identifications qui ont un score supérieur à 74 sont significatives.
• Figure 19 : Schématisation des étapes de l’algorithme de X !Tandem .
• Figure 20 : Diagramme de distribution des hyperscores (Proteome Software).
• Figure 21 : Détermination du score significatif. (Proteome Software)
• Figure 22 : Estimation de la distribution des scores obtenus par les faux positifs (trait rouge en pointillé) et par les vrais positifs (trait bleu en pointillé).
• Figure 23 : Mécanisme de synthèse et de dégradation du poly(ADP-ribose).
• Figure 24 : Stratégie expérimentale développée au laboratoire
• Figure 25 : Architecture de la plateforme protéomique pour l’identification des interacteurs des PARPs.
• Figure 26 : Impression d’écran des différentes interfaces que l’utilisateur peut consulter depuis le système PARPs. A) Cahier de laboratoire électronique, B) paramètres expérimentaux d’une recherche, C) sélection des échantillons et de la méthode d’analyse en MS/MS, D) résultat d’une identification par un algorithme de recherche.
• Figure 27 : Banques disponibles depuis le système PARPs et leurs interrelations.
• Figure 28 : Exemple d’interface graphique avec les références croisées.
• Figure 29 : Visualisation des interactions de la PARP-1
• Figure 1 : Part of the structure of PARPs database.
• Figure 2 : Schematic overview of the pipeline informatics approach for PARPs research.
• Figure 3 : PARPs database user interface.
• Figure 4 : The biochemical and physical interaction networks for the PARP-1. This figure is a summary of the results of the protein-protein interaction databases and literature searches for PARP-1 substrates and cooperators, which are the basis of the protein-protein interaction networks.
• Figure 5 : PARP-1 protein-protein involved into DNA replication.
• Figure 6 : List of peptides identified (sequence in red) by MS/MS in PARP-1 proteins.
• Figure 7 : PARP-1 and the interactor RFC1 were immunoprecipitated with mouse monoclonal F1-23 antibody. RFC1 was detected by western blot with rabbit polyclonal RFC1 antibody. PARP1 was detected by western blot with mouse monoclonal C2-10 antibody.
• Figure 30 : Représentation schématique des standards au sein de la structure d’analyse protéomique développée par l’ISB. En développent des standards, l’ISB veut faciliter le partage des informations à travers les publications, les banques de données et les laboratoires.
• Figure 31 : Avancé des différents projets menés par l’initiative (09/08/06) (http://psidev.sourceforge.net ) .
• Figure 32 : Représentation des différents traitements des fichiers vers un standard commun dans notre système PARPs. A) Les fichiers générés à la sortie d’un spectromètre de masse sont convertis en un format standart mzXML ou mzData ; B) Les fichiers précédemment obtenus sont utilisés par les algorithmes de recherche afin d’identifier les peptides et les protéienes qui seront transformées en un format appelé pepxml et protxml respectivement ; C) Les interactions disponibles dans le système PARPs peuvent être exportées au format PSI-MI afin d’être déposées dans les banques publiques telles que BIND, Intact.
• Figure 33 : Schéma conceptuel d’une base de données protéomique (Tayloret al.2003).
• Figure 34 : Représentation de l’intégration des banques de données UniProt et IPI. Les banques H-invDB et TAIR ne sont pas representés sur le schéma.
• Figure 35 : Historique de la banque de données humaine IPI (http://www.ebi.ac.uk/IPI/IPIhuman.html)
• Figure 36 : Exemple de l’interface développée pour comparer les résultats de paramètres ou de moteurs différents entre Mascot et X !Tandem
• Figure 37 : L’interférence des peptides lors des identifications de protéines.Tiré de Drug Discovery « Analysis, statistical validation and dissemination of large-scale proteomics datasets generated by tandem MS ».(Nesvizhskii and Aebersold, 2004) 15;9(4):173-81, 2004. avec autorisation de Elsevier.
• Figure 38 : Digramme de Venn représentant le recouvrement des identifications des trois moteurs de recherche.
• Figure 39 : Graphique « ROC » représentant la sensibilité par rapport à la spécificité des différents algorithmes de recherche.
• Figure 40 : Représentation des scores d’identification MS/MS de X !Tandem en fonction de Sequest. Les lignes pointillées correspondent au seuil de chacun des algorithmes (horizontale pour X !Tandem (-2) et verticale pour Sequest (3)).
• Figure 41 : Graphique représentant la spécificité par rapport à la sensibilité en fonction des 3 méthodes d’extraction des données. La courbe mauve représente la limite de 95 % de bonnes identifications
• Figure 42 : Spécificité de X !Tandem en fonction du nombre d’identifications retenues pour les différents programmes de traitement des fichiers.
• Figure 43 : Graphique « ROC » représentant la sensibilité par rapport à la spécificité des différents algorithmes de recherche.
• Figure 44 : Classification des interacteurs de la PARP-1 par ontologies
• Figure 45 : Représentation de l’architecture d’analyse PARPs.