Mots-Clés

ARN non-codants apprentissage profond fibrose radiation médecine de précision

Description

Le traitement de tumeurs cancéreuses profondes par radiothérapies occasionne une exposition des tissus sains environnants à de fortes doses de rayonnements, qui peuvent induire des réactions aigües et des pathologies chroniques sévères telles que des fibroses. Or, les patients présentent une susceptibilité variable à ces complications, 5 à 10% étant hyper-sensibles, ce qui pose la problématique de la personnalisation des traitements de radiothérapie.

Le rôle des ARN longs non-codants (ARNlncs) dans le développement des fibroses a fait l’objet de publications récentes, telles que l’article décrivant l’effet pro-fibrosant du ARNlnc H19X (Pachera JCI 2020). Cependant, décrypter l'implication des ARNlncs dans le contexte physiopathologique spécifique de la fibrose radio-induite nécessite des études dédiées, en vue d'exploiter leur pertinence pour la recherche de biomarqueurs pronostiques pour la médecine personnalisée, et de nouvelles cibles thérapeutiques.

Ce stage concernera ainsi la prédiction des ARNlncs impliqués dans les fibroses radio-induites. Ce travail sera mené en étroite collaboration avec Nicolas Fortunel et Michèle Martin du LGRK au CEA. Il s’agira d’une amorce d’un projet de recherche que nous souhaitons mener, notamment à travers une thèse de doctorat. Le stage (puis la thèse) consistera dans un premier à appréhender les différents types de données dont dispose le LGRK et également disponibles dans les bases de données publiques, de les analyser, puis de développer les outils pertinents basés sur des méthodes de deep-learning pour prédire et caractériser les ARNlncs impliqués. On s’intéressera entre autres à la prédiction de la structure de ces ARNs, 2D puis 3D. Ces outils seront ensuite mis à disposition de la communauté scientifique via notre plateforme bioinformatique EvryRNA (http://evryrna.ibisc.univ-evry.fr).

Références :

. Pachera E, Assassi S, Salazar GA, et al.. Long noncoding RNA H19X is a key mediator of TGF-β-driven fibrosis. J Clin Invest. 2020 Sep 1;130(9):4888-4905. doi: 10.1172/JCI135439. 

. Becquey, L., Angel, E., and Tahi, F. (2020). BiORSEO: a bi-objective method to predict RNA secondary structures with pseudoknots using RNA 3D modules. Bioinformatics, 36(8), 2451–2457.

. Becquey L, Angel E, Tahi F. RNANet: an automatically built dual-source dataset integrating homologous sequences and RNA structures. Bioinformatics. 2021 Jun 9;37(9):1218-1224. doi: 10.1093/bioinformatics/btaa944. 

. MT Martin. Long non-coding RNAs: new mechanisms regulating sensitivity to ionizing radiation. European Commission Proceedings, 2019, Epigenetic effects, potential impact on radiation protection, Radiation Protection n°189, November, 32-39. ISSN 1681-6803.

. Fortunel NO, Chadli L, Coutier J, Lemaître G, Auvré F, Domingues S, Bouissou-Cadio E, Vaigot P, Cavallero S, Deleuze JF, Roméo PH, and Martin MT. KLF4 inhibition promotes expansion of adult human epidermal precursors and embryonic stem-cell-derived keratinocytes. Nature Biomed Eng, 2019, Oct 21. doi:10.1038/s41551-019-0464-6. URL: https://www.nature.com/articles/s41551-019- 0464-6. PMID: 31636412.