Mots-Clés

mitochondrie  génétique  maladies rares  variants synonymes  MELAS  Maladie de Leber

Description

 Les maladies mitochondriales présentent une très grande hétérogénéité clinique mais aussi génétique. Le réseau diagnostic des maladies mitochondriales (MitoDiag) développe une base de données clinico-biologique nationale pour réduire l’errance diagnostique de ces maladies. Dans le cadre du projet MITOMICS, le CHU d’Angers a développé une plateforme de partage et requête des données génomiques et cliniques appelée Mitomatcher adaptée aux besoins du réseau MitoDiag. La bioanalyse des premières cohortes de patients ainsi constituées permet ainsi d’initier des projets ancillaires ciblant la génétique mitochondriale.

Les maladies mitochondriales sont rares, cliniquement et génétiquement extrêmement hétérogènes, causées par un déficit de production énergétique via les mitochondries. La mitochondrie a la particularité d’être sous la dépendance de 2 génomes, ADN mitochondrial (ADNmt) et ADN nucléaire. L’ADNmt contient 13 gènes codant pour des protéines, dont la transcription et la traduction s’opèrent au sein de la matrice mitochondriale. La machinerie traductionnelle utilise exclusivement 22 ARNt et 2 ARN ribosomaux mitochondriaux, également codés par ce génome. Ce fonctionnement en fait un modèle particulièrement intéressant pour l’étude des variants synonymes (sSNV). En effet il a été montré que des sSNV nucléaires altèrent spécifiquement l’usage de codons avec un effet sur la traduction protéique, notamment pour l’holoproencéphalie [1].

Le couplage entre le codon du gène et l’anticodon du ARNt peut être optimale ou ‘wobble’. Un même codon peut  être lu par plusieurs ARNt différents codant pour le même acide aminé grâce à son troisième nucléotide pouvant former cette liaison faible ‘wobble’ avec l’anticodon. Étant donné qu’il n’y a que 22 ARNt dans le génome mitochondrial et que presque l’ensemble des codons y est présent, de nombreux transcrits seront traduits grâce à ces liaisons ‘wobble’. Les sSNV, bien que n’ayant pas d’impact sur la nature de l’acide aminé, peuvent avoir un impact sur l’optimisation du lien codon-anticodon, et par conséquent sur la vitesse de traduction. Ce phénomène a été récemment décrit par une équipe de Stanford, USA [2].

L’impact des sSNV mitochondriaux dans le fonctionnement métabolique de la mitochondrie a été longtemps ignoré étant donnée l’absence de changement de l’acide aminé dans la protéine. A la différence des gènes nucléaires [1], ces variants ADNmt ne sont pas pris en compte lors d’un diagnostic de maladies mitochondriales.

Nos résultats préliminaires ont mis en évidence un enrichissement des sSNV pour une cohorte de 100 patients porteurs de la variation pathogène m.3243A>G situé au niveau de l’ARNtLeu de l’ADN mitochondrial par rapport à une population contrôle, modifiant ainsi potentiellement l’optimisation des codons chez ces patients. Ce variant pathogène est largement associé à une grande variabilité phénotypique (syndrome neurovasculaire MELAS, diabète et surdité, cardiomyopathie, intolérance exercice…) et cette variabilité ne peut pas être expliquée uniquement par le niveau variable d’hétéroplasmie de ce variant.

Nous souhaitons poursuivre l’analyse et comparer en détail la distribution des sSNV au sein des génomes mitochondriaux de ces patients afin de confirmer un enrichissement significatif pour des gènes/loci du génome mitochondrial. Les données de 100 patients seront comparées aux bases de données populationnelles telles que Genbank, GnomAD ou Helix (total de 300 000 séquences) accessibles via la base de données Mitomap et à notre base de données interne de contrôles du laboratoire. Les sSNV ou gènes ainsi identifiés seront analysés en fonction des phénotypes observés et stratifiés selon la sévérité clinique des patients. Ce travail devrait permettre d’identifier l’impact possible de ces sSNV sur la variabilité phénotypique communément associée aux maladies mitochondriales.

L’étudiant aura pour mission d’analyser les données clinico-génétiques de patients porteurs de la mutation m.3243A>G pour mettre en évidence des variants d’intérêt ayant eu pour conséquence une modification de l’optimisation de codons. L’étudiant vérifiera l’intégrité des variation mitochondriales et leur annotation, et utilisera des outils statistiques.

Compétences requises :

• Une bonne maîtrise de R et/ou de python, ainsi que des librairies d’analyse de données génétiques et biostat

• Bases de statistiques

• Intérêt pour la génétique humaine

• Connaissance des formats de fichiers bioinformatiques (vcf, json, fastx, bed, bam/sam)

• Aptitude à travailler sous linux/ubuntu

References

[1] Kim A, Le Douce J, Diab F, Ferovova M, Dubourg C, Odent S, Dupé V, David V, Diambra L, Watrin E, de Tayrac M. Synonymous variants in holoprosencephaly alter codon usage and impact the Sonic Hedgehog protein. Brain. 2020 Jul 1;143(7):2027-2038. doi: 10.1093/brain/awaa152. PMID: 32542401.

[2] Lareau et al, Codon affinity in mitochondrial DNA shapes evolutionary and somatic fitness. https://doi.org/10.1101/2023.04.23.537997. BioRxiv

Liens utiles :

Projet MITOMICS : https://www.univ-angers.fr/fr/recherche/actualites/actualites-2021/l-universite-d-angers-au-coeur-de-l-innovation-sur-les-maladies-rares.html

Réseau MitoDiag :  https://www.mitodiag.fr/network