La Génomique

Biologie, informatique, évolution

Hugues Roest Crollius

hrc@ens.fr
Dyogen Group
L3 – Introduction aux sciences du vivant – 03.12.2013
La « génomique fonctionnelle »
La « génomique évolutive » human TAATGGTACCAGTTAGCAGAGT…
baboon TAATGGTACCGGTTAACAGAGT…
mouse CGATGGTGCCGGTCGACAGAGC…
dog CTATGGTCCCTGTTATCAGAGC…
cat GTATGGTCCCTGTCGTCAGAGC…
cow CCATGGTTCCCGTAGCCAGAGT…
pig CCATGGTTCCCGTAGCCAGAGT…
chicken TTATGGTACCTGTTAACAGAGT…

human
mouse
rat
dog
La production des données de génomique

Applied Biosystems 3730 Illumina MySeq2500

Séquençage manuel (ici au Broad Institute (USA)) Capable de re-séquencer
par radioactivité 1 Mb / jour 1 génome humain / jour
100 b / jour (40X; 135 Gb)

1990 2008 2013

 La production des données de séquençage

326 millions
686 milliards
 Bactérie Levure Nématode Drosophile Humain Souris Poule Chimpanzee J.C. Venter

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

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 ».
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!
 Life with 6000 genes
Science (1996) Vol. 274: 546 - 567

(Saccharomyces cerevisae)!

• 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)!

Genome Sequence of the Nematode C.
elegans: A Platform for Investigating
Biology
Science (1998) vol. 282: 2012-2018.

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 !
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)!
 Le génome
Humain

~
Tout un symbole
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!

 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?

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 !
 A haplotype map of the human genome
Nature (2005) vol 437:1299-1320!

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!
!
!
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 » !
Séquençage par synthèse (SBS)
 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  
 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  

 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.    

Trier par taille

50%  des  bases   50%  des  bases  

N50
Scaffolds  de  l’assemblage   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.
Le génome humain en 2013
 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.    
 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.  
 Le  séquençage  du  génome  humain  

Les  gènes  ….  

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  ».    
Combien(y(a(t,il(de(gènes(dans(le(génome(humain?(
Premières(estimations((année(2000)(
(
(
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

40000   20000   50000   25  

 EsDmaDons  du  nombre  de  gènes  dans  le  génome  
160  000  
EsDmaDons  publiées  
140  000  

120  000  

100  000  

80  000  

60  000  

40  000  

20  000  

92   93   94   95   96   97   98   99   00   01   02   03   04   05   06  

(Fields  et  al.)   (Lander  et  al.)  

(Liang  et  al.)  
(Antequera  and  Bird)  
(Ewing  and  Green  et  al.)  
(Roest  Crollius  et  al.)  
 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  

27  
Query: RYKELTEQQMPGALPPECTPNMDGPHARSVRREQSLHSFHTLFCRRCFKYDRFLH
+YKELTEQQ+PGALPPECTPN+DGP+A+SV+REQSLHSFHTLFCRRCFKYD FLH
Sbjct: KYKELTEQQLPGALPPECTPNIDGPNAKSVQREQSLHSFHTLFCRRCFKYDCFLH

Query: LLFQLFLALSDLKQLRILHTDLKPDNVMLVD--EKELKIKLMDFGLALLTHEAKT--GTI
+L Q+ AL LK L ++H DLKP+N+MLVD + ++K++DFG A +H +KT T
Sbjct: ILQQVATALKKLKSLGLIHADLKPENIMLVDPVRQPYRVKVIDFGSA--SHVSKTVCSTY

Query: SPWTFPS*FLMSSSMKVPSWSRISSPM*GIL*STVSSST
SPWTFPS* L+SSS+KV S S SSPM*GIL T SSST
Sbjct: SPWTFPS*LLISSSIKVSSSSFTSSPM*GILHKTXSSST

Query: VNALAQYSHNEDEEEEEEHDFKVDKT-DLCDSKKHPE
VNAL QY+ ++D+++ ++ + + +K DL D + E
Sbjct: VNALGQYNDDDDDDDGDDPEEREEKQKDLEDHRDDKE
28  
 BLAST  

Query   “mot”  de  taille  W  =  11  bases  

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!

Subject   Match  exact  

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!

29  
 Blast:  
W
Query  
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!

Subject  
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

T A T G C A G C G T A G C A A T!
+5-4-4+5!

Matrice de score NUC.4.4

A T G C N!
- 8 < X! A 5 -4 -4 -4 -2!
T -4 5 -4 -4 -2!
G -4 -4 5 -4 -2!
C -4 -4 -4 5 -2!
                 X  =  seuil  maximal  de  mismatch  autorisé   N -2 -2 -2 -2 -1!
         =  21  par  défaut  

30  
TBLASTX,  BLASTP,  BLASTX  

Mot  “W”  =  3  a.  a.    

L E C N Q L I P I A H K T C P E G K N L

H K T! Automate  
H L T!
H V T!
(Seuil  “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   (Seuil    “X”)  

31  
Matrice de score BLOSUM62

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
32  
Nombre de gènes dans les génomes eucaryotes

Levure 6000

Nematode 19000

Drosophile 13600

Arabidopsis 25000

Humain 25000

33
EVOLUTION  MOLECULAIRE  
 
Quelques  principes  

34
 MutaDon  

Délétère   Neutre   Avantageuse  

SélecDon     Dérive   SélecDon    

négaDve   généDque   posiDve  

DispariDon   Fréquence   FixaDon  

0%   Intermédiaire   100%  
0-­‐100%  
 Evolution moléculaire

Les fréquences des variations au sein d’une population fluctuent au cours du temps.
Les variations NEUTRES fluctuent de manière aléatoire
Les variations AVANTAGEUSES sont sélectionnées et augmentent en fréquence
Les variations DELETERES sont éliminées et diminuent en fréquence

0
Générations (temps)

Pour estimer les fréquences dans une population, il faut échantillonner de nombreux
individus
La sélection naturelle
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
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
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

 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:

 Génomique  ComparaDve:  Annoter  les  Gènes  

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 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)
 Migration, adaptation et selection naturelle

Les variations génétiques qui confèrent un avantage pour une meilleure

adaptation seront sélectionnés
Different types de sélection naturelle

SELECTION POSITIVE
Ex. G6PD, CD40 protection
contre la malaria en Afrique

SELECTION PURIFICATRICE
Ex. Beaucoup de gènes humain

SELECTION BALANCEE
Ex. MHC worldwide, HbS en
Afrique (malaria)

Mutation avantageuse Mutation délétère mutation “balancée” Mutation neutre

 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 »
 La cas de la lactase

Distribution du phénotype « persistance de la lactase » dans le monde

 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).
 La cas de la lactase

Afrique 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).
 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)