Coexistence dans un même organisme de différentes formes d’ADN mitochondrial : observation d’un modèle stochastique Christine Reder Institut de Mathématiques (UMR 5251) Université de Bordeaux 1 (France) Saint-Louis (Sénégal), 14-09-07 1 Modélisation de la mitochondrie à Bordeaux 1 et 2 (France) : Jean-Pierre Mazat (biologie), Marie Aimar (informatique), Christine Nazaret et C. R. (maths), Juan Elezgaray (physique), ... noyau cellule cytoplasme une mitochondrie : respiration cellulaire, stockage et restitution de l’énergie ADN mitochondrial (ADNmt) . 2 Une cellule contient beaucoup de copies d’ADNmt. Une mutation peut donc n’affecter qu’une partie de ces molécules. Un tissu cellulaire est un patchwork de cellules ayant différents niveaux de mutation (niveau de mutation d’une cellule = nbre d’ADNmt mutées / nbre d’ADNmt total) number of cells step n 0% un tissu hétéroplaste son portrait génétique mutation level (grey level) 100% . 3 Rôle du portrait génétique Exemple : transmission du polymorphisme mitochondrial d’une femelle à ses descendants 50% ?? ?? . 4 Rôle du portrait génétique Exemple : transmission du polymorphisme mitochondrial d’une femelle à ses descendants 50% ovary ovules drawn out of the ovary 0% 100% 0% 100% 0% 100% VARIOUS TYPES OF GENETIC PORTRAITS . 4-a Le portrait génétique d’un tissu (d’un organisme, d’une culture cellulaire, etc.) est le résultat du développement de ce tissu. step 0 step 2 step 1 number of cells step 0 0% step 1 100% 0% step n 100% mutation level (grey level) 100% 0% 5 Le portrait génétique d’un tissu (d’un organisme, d’une culture cellulaire, etc.) est le résultat du développement de ce tissu step 0 step 1 step 2 Points-clés : - répartition des ADNmt entre les deux cellules-filles lors de la mitose. - processus intra-cellulaires entre 2 mitoses : réplication ou “mort” de molécules d’ADNmt, - développement “mécanique” du tissu. 5-a Utilisation du modèle : - conséquences des caractéristiques de la mutation (neutre ou non), du mode de développement du tissu, etc., sur le portrait génétique du tissu : forme et variabilité, évolution du niveau moyen de mutation, vitesse de prolifération cellulaire, etc. - transmission du polymorphisme mitochondrial d’une femelle à ses descendants - évolution du polymorphisme à l’échelle d’une population d’individus Portrait génétique : observable expérimentalement. Utiliser le portrait génétique pour étudier : - la transmission du polymorphisme lors d’une mitose - les mécanismes de réplication-répartition des ADNmt lors du cycle cellulaire (rôle de la compartimentation par les mitochondries, le cytoplasme se comportet-il comme un liquide qui brasse les ADNmt ou comme une pâte plus ou moins visqueuse ?) : le bi-morphisme de l’ADNmt peut être utilisé comme un traceur ( ?). 6 step 0 step 1 α2 α1 β γ mitose (2) sw div2 mitose (1) sw div1 no mitose death . état à l’étape n : nombre de cellules processus de Galton-Watson 7 step 0 step 1 α2 α1 β γ mitose (2) sw2 div2 mitose (1) sw1 div1 no mitose turnover death . état à l’étape n : le nombre de cellules de chaque type, i.e. le portrait génétique processus de Galton-Watson multi-type 8 Niveau cellulaire Hypothèse : le nombre d’ADNmt par cellule est une constante m Modelisation des sous-processus ; exemple : step n step n+1 mitose (2) sw2 div2 step n step n+1 sw duplication (basic or at random) div2 random partition 9 Questions mathématiques classiques sur les Galton-Watson multi-types : décrire le comportement asymptotique quand le nombre d’étapes tend vers l’infini, ... step 0 step 2 step 1 number of cells step 0 0% step 1 100% 0% 100% mutation level (grey level) 100% 0% 10 . . step 0 step 2 step 1 . number of cells step 0 0% step 1 100% 0% 100% 0% mutation level (grey level) 100% 10-a step 0 step 2 step 1 . number of cells step 0 0% step n step 1 100% 0% 100% 0% mutation level (grey level) 100% modèle mtDNA : décrire le régime transitoire Conditions suffisantes pour une faible variabilité de la suite des portraits ? 10-b simulations : mtHScop (Scilab, Linux ou autres systèmes) . 11 simulations 12 État du processus stochastique : X(n) = [X0(n), ...., Xm(n)] Xi(n) = nbre de cellules de niveau de mutation i/m à l’étape n Portrait génétique (aléatoire, observable expérimentalement) : X(n)/ ∑ Xi(n) i ∑i Xi(n) = N(n) = nombre total de cellules Espérance “normalisée” (processus déterministe) E(X(n))/ ∑ E(Xi(n)) = E(X(n))/E(N(n)) i (portrait qu’on obtiendrait en partant d’un très grand nombre de cellules ayant même niveau de mutation). 13 Théorème(s) : Si le nombre d’ADNmt par cellule est infiniment grand, et sous certaines hypothèses, la suite des portraits est quasi-déterministe. Presque sûrement, elle est infiniment proche (topologie faible) de la suite, déterministe, des espérances normalisées , elle-même infiniment proche d’une suite obtenue par résolution d’une EDP. Par exemple, pour le modèle neutre “basique”, le portrait à l’étape n est infiniment proche de u( . , t = n/m), où u est la solution de (EDP) ∂u 1 ∂2 ( l(1 − l) u ) u( . , t = 0) = δl0 = 2 ∂t 2 ∂l où t = le temps, l = le niveau (level) de mutation. (équation du type Fokker-Planck). 14 Modèle-expérience : possibilité de comparaison quantitative des portraits (topologie faible ⇔ distance L2 sur les “portraits cumulés”) cumulated proportion of cells 1 0.5 l_Opt=0.14 t_Opt=0.25 d_Opt=0.015 0 0 0.5 mutation level 1 portrait cumulé de l’ovaire d’une femme, 82 cellules analysées (Brown et al., 2001) portrait cumulé obtenu par ajustement des paramètres du modèle neutre 15 Trame de la preuve : si le nombre d’ADNmt par cellule est infiniment grand, et sous certaines hypothèses [...] : 1- à partir du moment où il y a beaucoup de cellules (/m), l’évolution du portrait est quasi-déterministe (topologie L1[0, 1] : niveau de mutation = variable “qualitative” ) 2- tant que le nombre d’étapes est assez petit (/m), le portrait est presque le Dirac initial, (topologie faible sur les mesures sur [0, 1] : niveau de mutation = variable “topologique” ) 3- recoller 1 et 2 16 Les résultats sont obtenus si la non-neutralité de la mutation n’est pas trop forte. (Mutation non-neutre : - la mutation peut agir sur la capacité de réplication de l’ADNmt - le niveau de mutation d’une cellule peut agir sur sa capacité à se diviser (ou à survivre) Mutation neutre sinon.) Expérimentations avec mtHScop : - test de la nécessité des hypothèses des théorèmes pour assurer une faible variabilité ? - test de la validité pratique des énoncés (dans les simulations comme dans la réalité, le nombre d’ADNmt par cellule n’est pas “infiniment grand”...) - observations qualitatives et quantitatives : forme des portraits, niveau moyen de mutation, vitesse de croissance du tissu, variabilité, etc. - comprendre le fonctionnement de ces processus stochastiques de Galton-Watson. 17 Exemple de proposition issue de l’observation d’un portrait expérimental non dégénéré : le cytoplasme ne se comporte pas comme un liquide qui brasse les ADNmt. (modèle, neutre ou non → incompatibilité entre les ordres de grandeur réels du nombre d’étapes de divisions n et du nombre d’ADNmt par cellule). (nombre réel d’ADNmt par cellule) / (m du modèle) ≈ viscosité mitochondriale ? “Théorème” : avec m = nombre de mitochondries par cellule (au lieu du nombre d’ADNmt), le modèle est un modèle simplifié (de type “gros-grain”) d’un modèle où sont représentés les 3 niveaux ADNmt, mitochondrie, cellule. cell mitochondrion (coarse grain) mtDNA . 18 . 19 - processus de Galton-Watson : Harris (1963), Athreya et Ney (1971) - analyse non-standard et probabilités : Nelson (1987) - ANS et discret → continu : Jacques Harthong, Claude Lobry - biologie : Jean-Pierre Mazat 20