FRANÇAIS
Introduction
La biologie
Avant de nous plonger dans le monde de la bioinformatique, nous devons nous pencher sur la partie de la biologie qui est étudiée par la bioinformatique. En effet, la biologie est un sujet très vaste. Certains biologistes étudient le comportement des animaux, par exemple, d’autres étudient comment les plantes se défendent contre les herbivores, alors que d’autres étudient les maladies humaines.
Des biologistes à l’oeuvre:
Aussi bien que la biologie est vaste, la bioinformatique l’est tout autant. Certains bioinformaticiens et bioinformaticiennes étudient l’évolution des espèces animales, d’autres les mutations des virus (le virus qui cause la COVID, ça vous rappelle quelque chose ?), ou encore aident à développer de nouveaux médicaments.
La bioinformatique étudie très souvent l’ADN et le génome des organismes vivants. Mais c’est quoi l’ADN ? Et c’est quoi un génome ?
L’ADN et le génome
Imaginons que nous observons notre peau, par exemple, avec les yeux nus. Nous pouvons voir des petites crevasses, peut-être la peau sèche, ou des grains de beauté. Si nous regardions notre peau avec un microscope, nous pourrions voir encore plus! Nous pourrions voir que notre peau est composée de cellules, que nous ne voyons pas à l’oeil nu. Les cellules, ce sont les plus petites entités de notre corps, qui se regroupent pour former des organes et le corps des organismes vivants. Et pas seulement les êtres humains! Les animaux, les champignons, les plantes et même les bactéries, sont composés de cellules!
Voici une image de cellules extraites de l’intérieur de la bouche.
Comme vous pouvez voir sur l’image de la cellule, la zone ronde et un peu plus foncée dans chaque cellule est le noyau!
La chaîne d’ADN que les humains ont dans chacune de leurs cellules est très longue. Combien pensez-vous qu’il y a de paires d’A, T, C et G par noyau de cellule humaine?
Réponse
Dans chaque noyau de cellule humaine, il y a 3.2 milliards de paires d’A, T, C et G qui composent notre ADN! La chaîne d’ADN est divisée en 46 chromosomes (23 paires) par cellule. En comparaison, l’ADN de la bactérie Bacillus subtilis, que l’on trouve dans le sol, contient 4,2 millions de paires de bases. La plante de blé contient environ 15 milliards de paires de bases. Finalement, la plante Paris japonica contient environ 150 milliards de paires de bases.
Pour d’autres chiffres intéressants, voir la Database of useful biological numbers
Nous pouvons imaginer l’ADN comme un livre: le texte du livre est composé d’une longue suite d’A, T, C et G. Le livre est organisé en chapitres, ce qui correspond aux chromosomes. Et à l’intérieur de chaque chromosome, nous avons des pages individuelles, ce qui correspond aux gènes.
Un gène est donc un segment d’ADN qui contient une information particulière importante au fonctionnement des cellules ou à la définition du corps. L’ensemble de l’ADN et des gènes d’une espèce est appelé le génome. Un exemple de gène pourrait être les gènes qui détermine la couleur des poils des chats. Un autre exemple est le gène qui permet de produire l’hémoglobine dans les globules rouges du sang.
Combien y’a t’il de gènes dans le génome humain?
Réponse
Chez l’humain, il y a environ 20‘000 gènes. En comparaison, la bactérie Bacillus subtilis, que l’on trouve dans le sol, contient 4‘100 gènes. Le génome de la plante de blé contient environ 95‘000 gènes.
L’expression des gènes
Comme nous l’avons dit plus haut, un gène est un segment d’ADN qui contient une information particulière importante au fonctionnement des cellules ou à la définition du corps. Les gènes se trouvent sur l’ADN a l’intérieur du noyau, mais leur information doit généralement pouvoir sortir du noyau pour pouvoir jouer leur rôle. L’ADN ne sort jamais du noyau! Ce qui va sortir, c’est une copie des gènes, une molécule appelée ARN! L’ARN est similaire à l’ADN, mais il n’a pas de structure en hélice, et contient des séquences des bases A, U, C et G au lieu de A, T, C et G comme dans l’ADN. On peut imaginer l’ARN comme étant une photocopie d’un gène, comme une photocopie d’une page d’un livre qui ne peut pas sortir de la bibliothèque. Si la cellule a besoin de beaucoup de l’information contenue dans le gène, elle va créer beaucoup de copies, donc beaucoup de molécules d’ARN de ce gène. Si la cellule a besoin de peu de l’information de ce gène, elle ne va pas en faire de copie, et donc on ne trouvera pas d’ARN de ce gène dans la cellule.
Le phénomène de la création des copies des gènes en ARN s’appelle donc l’expression des gènes. Au laboratoire, à l’aide de machines, il est possible de mesurer précisément le nombre de copies d’ARN de chaque gène présentes dans une cellule ou un échantillon.
La bioinformatique
Lorsque nous voulons étudier l’ADN ou l’ARN, nous avons besoin d’une machine qui permet de nous donner la séquence des bases A, T/U, C et G de l’ADN ou de l’ARN dans un échantillon. La première étape est généralement d’extraire l’ADN ou l’ARN des cellules au laboratoire pour obtenir uniquement l’ADN ou l’ARN voulu. La séquence des bases dans l’échantillon est ensuite lue par une machine appelée un séquenceur.
Un séquenceur génére beaucoup de données! En effet, il va nous donner toute la liste des bases dans notre échantillon, pour les milliers de gènes du génome. Et si l’ADN ou l’ARN est séquencé pour plusieurs échantillons, ça nous donne encore plus de données!
Cela signifie que nous ne pouvons pas analyzer les données à la main. Il nous faut des ordinateurs et des programmes informatiques pour lire et comprendre toutes ces données. C’est donc le travail du/de la bioinformaticien/ne!
Un outil utilisé en bioinformatique : R - exploration
R est un outil de programmation originalement utilisé pour faire des analyses statistiques. R s’est
révélé être un outil très utile également pour la bioinformatique.
Apprendre R (ou la programmation en général), c’est comme apprendre une langue. Si
vous voulez apprendre le suédois, il faudra apprendre le vocabulaire, la grammaire, et
beaucoup s’exercer.
Si vous voulez apprendre à programmer, il faudra apprendre le vocabulaire du langage
de programmation et sa syntaxe, et beaucoup s’exercer!
R et RStudio peuvent être installés gratuitement. Une fois les deux programmes installés, seul RStudio devra être ouvert (il se connecte automatiquement à R).
Trois fenêtres s’ouvrent par défaut dans RStudio. L’une des fenêtres correspond à la console. C’est la console que nous allons utiliser pour donner des instructions de tâches à réaliser par R.
R peut être utilisé simplement comme une calculatrice. Tapez le texte ci-dessous dans la partie console, juste après le petit signe >, puis pressez la touche Enter sur votre clavier:
1 + 1
La réponse au calcul donnée dans la console indique que 1 + 1 = 2 (Bravo R!)
Evidemment, l’idée c’est d’utiliser R pour des tâches un peu plus complexe. Essayons de lui faire calculer une somme. On peut combiner plusieurs chiffres et nombres, et les “enregister” dans R en utilisant un nom suivi du signe <-.
Tapez la ligne ci-dessous dans la console, puis presser la touche Enter:
mes_chiffres <- c(1, 3, 5, 6, 7, 16, 23, 25, 28)
La console ne donne pas de réponse, mais dans la fenêtre Environnement, l’élément “mes_chiffres” apparaît. Il a été enregistré dans R grâce à l’utilisation du signe <-.
Nous allons maintenant donner l’instruction à R de faire la somme de tous les nombres enregistrés dans l’élément “mes_chiffres”. R contient des instructions pré-définies que nous pouvons utiliser. Une somme de plusieurs chiffres se fait de la manière suivante, toujours en tapant dans la console suivi de Enter (sum = somme en anglais):
sum(mes_chiffres)
Nous savons maintenant que 1 + 3 + 5 + 6 + 7 + 16 + 23 + 25 + 28 = 114. Merci R!
Scripts
Avec ce petit exercice de somme, on peut vite voir l’avantage de R. Si par exemple nous avons
fait une erreur dans la liste de chiffres et que en fait nous voulions inclure 24 au lieu de
23, nous pourrions facilement corriger l’élément mes_chiffres et refaire la somme.
Avant de faire ceci, nous allons créer un fichier script. Un fichier script nous permet d’écrire toutes les instructions que nous voulons donner à R, et de les enregistrer, pour facilement les modifier, ou pour nous souvenir dans quelques mois des instructions que nous avons utilisées aujourd’hui.
Pour créer un fichier script, nous allons à File > New File > R script.
Ceci crée une 4e fenêtre:
Maintenant que nous avons créé un script, nous allons écrire toutes les instructions dans le script au lieu de la Console, comme ça nous pouvons les enregister par la suite ou facilement les modifier.
Le fichier script peut être facilement enregistré en cliquant sur le petit icône de disquette en haut à gauche du script, ou sur File > Save As….
Nous allons donc modifier les chiffres que nous avons dans mes_chiffreset re-calculer
la somme correcte. Ecrivez le texte ci-dessous dans le fichier script. Afin d’indiquer
à R d’exécuter la somme depuis le fichier script, nous cliquons dans la ligne qui contient
les instructions, et cliquons sur le bouton “Run” qui se trouve en haut de la fenêtre script.
Ceci va envoyer l’instruction dans la console:
mes_chiffres <- c(1, 3, 5, 6, 7, 16, 24, 25, 28)
sum(mes_chiffres)
Il faut cliquer sur “Run” pour chaque ligne qui se trouve dans le fichier script:
Après avoir remplacé 23 par 24, la nouvelle somme est 115! Vous pouvez jouer et changer,
enlever ou ajouter des chiffres en éditant directement dans le fichier script, et
recalculer simplement la somme en utilisant l’instruction sum sur votre élément
mes_chiffres.
Mon premier programme avec R: “Bonjour la planète!”
Nous allons créer un petit programme qui montre que R peut être utilisé pour des tâches répétitives.
Taper ce texte dans le fichier script que vous avez créé, et envoyez chaque ligne à la console R avec le bouton “Run”. Vous pouvez remplacer le prénom Tania par votre propre prénom par exemple:
texte <- "Bonjour la planète! Moi, c'est Tania"
print(texte)
Ce que nous avons fait, c’est de créer l’élement texte qui contient un texte, et de
donner l’instruction à R d’imprimer le texte contenu dans l’élément texte avec la
fonction print.
Nous pouvons créer ce que nous appelons une boucle. Ceci nous permet de
répéter les salutations pour plusieurs prénoms, contenu dans un nouvel élément
appelé prenom:
prenom <- c("Tania", "Marguerite", "Rose", "Celia")
for (i in 1:length(prenom)) {
print( paste0("Bonjour la planète! Moi, c'est ", prenom[i]))
}
Avec l’instruction for, nous demandons à R de parcourir les éléments qui se trouvent
dans prenom un à un, de concaténer “Bonjour la planète! Moi c’est ” avec chaque
élément de prenom avec l’instruction paste0, puis d’imprimer le résultat sur la console
avec l’instruction print. Le résultat:
[1] "Bonjour la planète! Moi, c'est Tania"
[1] "Bonjour la planète! Moi, c'est Marguerite"
[1] "Bonjour la planète! Moi, c'est Rose"
[1] "Bonjour la planète! Moi, c'est Celia"
Chercher une séquence de bases d’ADN dans un gène
Finalement, comme nous utilisons R en bioinformatique, nous allons voir comment demander à R de chercher une séquence de bases d’ADN dans une plus longue suite.
Nous créons l’élément mon_gene qui contient les bases d’un gène par exemple, et
nous voulons savoir si une séquence plus courte de 3 bases contenues dans
l’élément a_chercher sont aussi présentes dans mon_gene. Pour ce faire,
nous utilisons l’instruction grep qui permet de chercher des bases parmi
d’autres:
mon_gene <- "ATTCGGTATCCTAGTCATCG"
a_chercher <- "TAT"
grep(a_chercher, mon_gene)
Si la console indique 1, les bases dans a_chercher sont présentes dans mon_gene.
Si la console indique integer(0), les bases dans a_chercher ne sont pas
présentes dans mon_gene.
Libre à vous de changer les bases dans a_chercher et de voir si elles sont présentes
ou pas dans mon_gene!
Les chats ont la gingivite!
Nous allons faire de la bioinformatique avec R pour explorer l’expression des gènes dans des échantillons de gencives de chats !
Il arrive que les chats souffrent de gingivite chronique. Cette maladie rend leurs gencives douleureuses, et les empêche de manger ou boire correctement. Malheureusement, les chats affecté de gingivite chronique doivent prendre des médicaments à vie, qui ne fonctionnent pas toujours. Des chercheurs ont recolté des échantillons de gencives de chats malades de gingivite chronique, mais aussi de chats en bonne santé, ou de gingivite légère et passagère. Ils ont comparé comment les gènes dans les gencives malades chroniquement changent comparé aux gencives saines ou légèrement malades. Le but est de trouver de nouveaux traitements.
Une biologiste de laboratoire a extrait l’ARN des échantillons, et a fait mesurer la quantité d’ARN de chaque gène avec un séquenceur. Nous allons donc travailler avec une table qui donne la mesure de chaque gène pour chaque échantillon. La table peut être téléchargée ci-dessous. Enregistrez la sur votre ordinateur au même endroit où le fichier script que vous avez créé plus haut a été enregistré :
Pour importer la table et la garder en mémoire dans R, nous allons utiliser
l’instruction read.csv précédé du symbole <-. Avec l’instruction head,
nous allons explorer la structure de notre table: chaque ligne correspond à un
gène, et chaque colonne correspond à un échantillon de chat.
Les chiffres nous donnent la quantité de chaque gène dans chaque gencive, c’est
à dire, l’expression, le nombre de copie d’ARN par gène.
genes_chat <- read.csv("genes_gingivite_chats.csv", row.names = 1)
head(genes_chat)
Nous avons les informations d’expression pour des centaines de gènes. Nous pourrions regarder chaque gène un par un, et voir comment il change parmi les maladies. Mais cela nous prendrait beaucoup de temps. Avec des centaines ou milliers de gènes mesurés, nous avons besoin d’un moyen de résumer cette information par échantillon. C’est ce que nous allons faire avec la prochaine analyse. En effet, il est possible de regrouper les échantillons entre eux selon leur similarité d’expression des gènes. Cette analyse s’appelle une figure d’ACP.
Warning
Petite parenthèse technique… Il est nécessaire d’installer séparément certaines instructions dans R. Afin de pouvoir continuer avec les exercices qui suivent, veuillez installer ces instructions. Il vous suffit d’écrire ces 4 lignes dans votre fichier script et de cliquer sur le bouton “Run” pour chaque ligne comme pour une instruction standard. Assurez-vous d’être connecté à Internet pour que les instructions puissent être installées. Ne vous inquiétez pas si vous voyez des messages en rouge sur la console, c’est juste une information liée au téléchargement.
install.packages("ggplot2")
install.packages("ggrepel")
library(ggplot2)
library(ggrepel)
Pour l’ACP, nous avons donc besoin de plusieurs instructions dans R. La première, prcomp, utilisée avec notre
table de gènes genes_chat, est
celle qui va faire l’analyse ACP. Ensuite, nous allons créer la figure d’ACP avec
l’instruction ggplot. Avec le paramètre colour, nous indiquons que les échantillons
dans notre figure d’ACP doivent être colorés selon les 3 maladies.
Voici les étapes nécessaires dans R:
pca <- prcomp(t(genes_chat), scale. = TRUE, center = TRUE)$x
pca <- as.data.frame(pca)
pca$condition<-sapply(strsplit(colnames(genes_chat), "_"), '[', 2)
ggplot(pca, aes(x=PC1, y=PC2, colour = condition)) +
geom_point() +
geom_text_repel(label=rownames(pca))
Sur cette figure, chaque point représente un échantillon de gencive. Les points se placent de telle sorte que ceux qui ont une expression des gènes similaire soient plus proches les uns des autres. Les points sont colorés selon leur maladie: sain, gingivite légère, ou gingivite chronique.
Que remarquez-vous donc? Comment sont regroupés les échantillons?
Réponse
On remarque que les échantillons qui viennent d’une même maladie sont regroupés dans la figure. Ceci peut nous indiquer que la gingivite est peut-être causée par des gènes qui ont des nombres de copies différents comparé à la gencive saine. Il y a des différences d’expression des gènes entre la gencive saine et les deux types de gingivite.
Une bioinformaticienne a fait une analyse plus détaillée des gènes qui changent entre la gingivite chronique et la gencive saine. Dans un génome, chaque gène a un numéro unique. Par exemple, le gène ENSFCAG00000013269 a une fonction dans le système immunitaire. La bioinformaticienne nous a donc transmis une liste de gènes qui changent dans la gingivite chronique comparé à la gencive saine.
Nous allons garder en mémoire la liste de ces gènes avec le symbole <-.
genes <- c("ENSFCAG00000005637", "ENSFCAG00000045399", "ENSFCAG00000009165",
"ENSFCAG00000013829", "ENSFCAG00000013269" ,
"ENSFCAG00000015193", "ENSFCAG00000036851", "ENSFCAG00000009900",
"ENSFCAG00000041420", "ENSFCAG00000041248")
Ces gènes sont-ils plus hauts ou plus bas dans la gingivite chronique? Nous allons explorer cette question avec une figure appelée heatmap ou carte de couleurs.
Pour cela, nous devons extraire ces gènes de la table complète genes_chat, en utilisant les
symboles [ et ]. Puis, nous utilisons l’instruction heatmap qui va créer une carte
de couleurs pour chaque gène dans chaque échantillon.
diff_genes <- genes_chat[genes,]
heatmap(as.matrix(diff_genes), cexCol = 0.6, cexRow = 0.8)
Les paramètres cexCol et cexRow nous servent simplement à ajuster la taille
du texte des colonnes et des lignes, respectivement, dans la figure. La voici:
Dans notre carte de couleurs, nous avons un gène par ligne et un échantillon de gencive par colonne. Nous voyons dans le nom de chaque colonne de quelle maladie vient l’échantillon. L’intensité des couleurs nous indique l’expression de chaque gène dans chaque échantillon. Plus la couleur est foncée et rouge, plus le gène est présent dans l’échantillon. Avec cette carte de couleurs, nous pouvons voir que certains gènes sont plus hauts dans la gingivite chronique, alors que certains gènes sont plus hauts dans la gencive saine. Que ce passe t’il avec ces gènes dans la gingivite légère?
Réponse
Les gènes qui sont hauts dans la gingivite chronique semble lègèrement moins hauts dans la gingivite légère, mais quand même plus haut que dans la gencive saine. En plus, les gènes qui sont hauts dans la gencive saine sont bas dans la gingivite légère, comme dans la gingivite chronique. Il semble que ces gènes ont des quantités plus similaires à la gingivite chronique, et différent de la gencive saine.
Maintenant, le travail du biologiste avec lequel ou laquelle la bioinformaticienne collabore c’est de comprendre le rôle de ces gènes, et de voir si on peut donner un médicament qui va cibler ces gènes et guérir les chats malades. Par exemple, le gène ENSFCAG00000013269 a un rôle dans le système immunitaire. Il est plus haut chez les chats avec la gingivite chronique. Est-ce que le système immunitaire est dérèglé chez ces chats? Peut-être est-ce la raison de leur maladie.
Il est possible de jouer avec les couleurs de la carte. Essayez de changer les couleurs
en utilisant un des paramètres suivants dans l’instruction heatmap:
terrain.colors(50).rainbow(50).heat.colors(50).-
topo.colors(50). -
cm.colors(50).
Par exemple, utilisons les couleurs de l’arc-en-ciel:
heatmap(as.matrix(diff_genes), col=rainbow(50), cexCol=0.8, cexRow = 0.5)
Mon chat a’t-il la gingivite ?
Voici Cappuccino, mon chat. Il a l’air fâché. Souffre-t’il de gingivite?
Afin de déterminer si mon chat a la gingivite, nous avons fait extraire l’ARN d’un petit morceau de sa gencive, et quantifié ses gènes au séquenceur. Nous avons de nouveau reçu une table avec la quantité de chaque gène dans son échantillon.
Télécharger la table des gènes de Cappuccino
Une façon de déterminer si la gencive de Cappuccino est malade, c’est de comparer l’expression de ses gènes à celle de la gencive saine, de la gingivite légère et de la gingivite chronique. Rappelez-vous qu’avec la figure d’ACP, il est possible de regrouper les échantillons selon leur similarité d’expression de gènes. Nous allons donc créer une figure d’ACP qui contient tous les échantillons, rajouter l’échantillon de Cappuccino, et comparer où se place Cappuccino par rapport aux échantillons sains ou malades.
La première étape est d’importer la table des gènes de Cappuccino avec l’instruction
read.csv, et de l’unir à la
table des gènes de tous les autres chats avec l’instruction cbind:
cappuccino <- read.csv("chat20_cappuccino_genes.csv", row.names = 1)
genes_avec_cappuccino <- cbind(genes_chat, cappuccino)
Et maintenant, nous allons créer la même figure d’ACP que précédemment, mais avec Cappuccino inclus :
pca <- prcomp(t(genes_avec_cappuccino), scale. = TRUE, center = TRUE)$x
pca <- as.data.frame(pca)
pca$condition <- sapply(strsplit(colnames(genes_avec_cappuccino), "_"), '[', 2)
ggplot(pca, aes(x=PC1, y=PC2, colour = condition)) +
geom_point(size=2) +
geom_text_repel(label=rownames(pca))
Où dans la figure se place l’échantillon de Cappuccino? Mon chat a t’il une gencive malade?
Réponse
Le but final - la publication scientifique
Une fois des découvertes faites et un projet de recherche accompli, on le publie dans un article scientifique, couramment écrit en anglais. Un article permet à toute la communauté scientifique de découvrir les résultats de la recherche, et permet de générer de nouvelles idées et projets de recherche afin d’améliorer par exemple les traitments contre les maladies. L’article sur l’expression des gènes dans la gingivite des chats est disponible en ligne.
En plus du texte, les articles scientifiques contiennent des figures qui permettent de partager les découvertes avec les lecteurs. Les figures doivent permettre de faire comprendre le message et les découvertes décrites.
Le/la bioinformaticien/ne dédie du temps à créer des figures pour les inclure dans les articles scientifiques. Nous en avons vu des exemples: la figure d’ACP et la carte de couleurs !
D’autres exemples de figures:
Compétences nécessaires pour devenir bioinformaticien ou bioinformaticienne:
Un/e bioinformaticien/ne a besoin de plusieurs compétences:
- Aisance avec les ordinateurs et l’informatique.
- Connaissance de la biologie fondamentale.
- Aisance avec les mathématiques.
- Volonté de se former continuellement et d’apprendre régulièrement de nouvelles choses.
- Un goût pour créer des figures.
- Un goût pour le travail collaboratif, car un/e bioinformaticien/ne doit interagir avec les personnes qui génèrent les données au laboratoire, et les directeurs de recherche qui interprètent les données et écrivent les articles.
- Patience lorsque les programmes informatiques ne fonctionnent pas du premier coup ;-).
Enfin, l’inconvénient du métier, c’est le fait de travailler assis devant un ordinateur, ça manque un peu de mouvement.
Merci d’avoir lu jusqu’au bout !