Dans les cellules des eucaryotes, la transcription des gènes est contrôlée par une pléthore de complexes protéiniques. Cependant, la plupart de nos connaissances fondamentales sur la régulation de la transcription viennent des expériences biochimiques ou des expériences d’immunofluorescences utilisant des cellules fixées. Par conséquent, beaucoup d’efforts ont été consacré récemment pour obtenir des informations sur les mouvements dynamiques ou sur l’assemblage des facteurs de transcription directement dans des cellules vivantes. Nous avons développé une stratégie de marquage, appelé « versatile antibody-based imaging approach » (VANIMA), dans laquelle des anticorps marqués avec un fluorochrome sont introduit dans des cellules vivantes pour visualiser spécifiquement des protéines endogènes ou des modifications post-traductionnelle. Nous avons pu montrer que VANIMA peut être utilisé pour étudier des processus dynamique des mécanismes fondamental de la biologie y compris les facteurs de la machinerie de transcription ainsi que les modifications des histones dans des cellules vivantes de cancer humaine en utilisant la microscopie conventionnelle ou à super-résolution. Dans l’avenir VANIMA va servir comme un outil valable pour révéler les dynamiques des processus endogènes en biologie y compris la transcription directement dans des cellules vivantes individuelles. / In eukaryotic cells, gene transcription is controlled by a plethora of protein complexes. However, most of our basic knowledge about transcription regulation originate from biochemical experiments or immunofluorescence experiments using fixed cells. Consequently, many efforts have been devoted recently to obtain information about the dynamic movements or assembly of transcription factors directly from living cells. Therefore, we developed a labeling strategy, named versatile antibody-based imaging approach (VANIMA), in which fluorescently labeled antibodies are introduced into living cells to image specific endogenous proteins or posttranslational modifications. We were able to show that VANIMA can be used to study dynamical processes of fundamental biological mechanisms including factors of the transcription machinery as well as histone modifications in living human cancer cells using conventional or super-resolution microscopy. Hence, in the future VANIMA will serve as a valuable tool to uncover the dynamics of endogenous biological processes including transcription directly in single living cells.

Nous nous proposons d'étudier la gestion du bruit stochastique d'expression génique. On s'intéresse plus particulièrement à la dynamique du bruit lors de la réponse cellulaire. Comment évolue le bruit? Quels sont les mécanismes en jeux? Quelle est l'importance du bruit dans le fonctionnement cellulaire? Pour répondre à ces questions, nous nous appuyons sur le réseau de régulation génétique qui gère la réponse au stress nutritionnel chez E. Coli. L'étude du comportement dynamique de ce réseau, au niveau d'une population de bactéries, a été initiée et est portée par la forte collaboration de deux équipes de la région : une de bio-informaticiens (l'équipe de Hidde de Jong de l'INRIA Rhône-Alpes) et la deuxième de biologistes (l'équipe de Hans Geiselmann, Laboratoire d'Adaptation et Pathogénie des Micro-organismes). En profitant donc de l'expérience et de la compréhension acquise par ces équipes, nous étudions les réponses individuelles de chaque bactérie lors de la transition entre état de stress nutritionnel, et état de croissance exponentielle. Le bruit d'expression génique est quantifié dans des nœuds clés du réseau de régulation. Pour ce faire, les bactéries sont suivies individuellement par microscopie de fluorescence sur plusieurs générations. Les données de fluorescence collectées sur cellules uniques permettent d'étudier la variabilité inter-cellulaire. Cette variabilité est quantifiée tout le long de la réponse: à chaque instant, on connaît la distribution des densités de fluorescence cellulaire dans la population de cellules. Et le suivi des lignées individuelles permet de travailler sur une population de cellules saines: les individus malades ou morts qui ne se divisent pas, sont écartés. En réduisant ainsi les phénomènes cellulaires en jeux, on réduit le nombre de paramètres. Les sources de bruit sont moins nombreuses, et il est plus facile de comprendre les mécanismes en jeux. Les informations de lignage cellulaire permettent aussi d'étudier la variabilité introduite par la phase du cycle cellulaire: les événements de division cellulaire peut être artificiellement synchronisés. Le bruit est alors étudié sur une population en phase lors de la division. Cette étude montre que le bruit sondé n'est pas dominé par les différences dans la phase du cycle cellulaire. On peut donc modéliser nos cellules sans tenir compte des différences introduites par le cycle cellulaire. Le modèle testé est simplifié aux étapes de transcription-traduction-maturation. Les paramètres du modèle sont inférés de nos données expérimentales, et le modèle est testé à travers des simulations.

Nous nous proposons d'étudier la gestion du bruit stochastique d'expression génique. On s'intéresse plus particulièrement à la dynamique du bruit lors de la réponse cellulaire. Comment évolue le bruit? Quels sont les mécanismes en jeux? Quelle est l'importance du bruit dans le fonctionnement cellulaire? Pour répondre à ces questions, nous nous appuyons sur le réseau de régulation génétique qui gère la réponse au stress nutritionnel chez E. Coli. L'étude du comportement dynamique de ce réseau, au niveau d'une population de bactéries, a été initiée et est portée par la forte collaboration de deux équipes de la région : une de bio-informaticiens (l'équipe de Hidde de Jong de l'INRIA Rhône-Alpes) et la deuxième de biologistes (l'équipe de Hans Geiselmann, Laboratoire d'Adaptation et Pathogénie des Micro-organismes). En profitant donc de l'expérience et de la compréhension acquise par ces équipes, nous étudions les réponses individuelles de chaque bactérie lors de la transition entre état de stress nutritionnel, et état de croissance exponentielle. Le bruit d'expression génique est quantifié dans des nœuds clés du réseau de régulation. Pour ce faire, les bactéries sont suivies individuellement par microscopie de fluorescence sur plusieurs générations. Les données de fluorescence collectées sur cellules uniques permettent d'étudier la variabilité inter-cellulaire. Cette variabilité est quantifiée tout le long de la réponse: à chaque instant, on connaît la distribution des densités de fluorescence cellulaire dans la population de cellules. Et le suivi des lignées individuelles permet de travailler sur une population de cellules saines: les individus malades ou morts qui ne se divisent pas, sont écartés. En réduisant ainsi les phénomènes cellulaires en jeux, on réduit le nombre de paramètres. Les sources de bruit sont moins nombreuses, et il est plus facile de comprendre les mécanismes en jeux. Les informations de lignage cellulaire permettent aussi d'étudier la variabilité introduite par la phase du cycle cellulaire: les événements de division cellulaire peut être artificiellement synchronisés. Le bruit est alors étudié sur une population en phase lors de la division. Cette étude montre que le bruit sondé n'est pas dominé par les différences dans la phase du cycle cellulaire. On peut donc modéliser nos cellules sans tenir compte des différences introduites par le cycle cellulaire. Le modèle testé est simplifié aux étapes de transcription-traduction-maturation. Les paramètres du modèle sont inférés de nos données expérimentales, et le modèle est testé à travers des simulations. / We aim to investigate the management of the stochastic noise in gene expression and more precisely the study of noise in dynamical cellular responses. How the noise varies following a perturbation? What mechanisms are at play? How important is noise in the cellular function? To answer these questions, we are interested in the genetic regulatory network that handles the nutritional stress response in E. Coli. The noise of gene expression is quantified in a key node of the network control. For that bacteria are followed individually by fluorescence and phase contrast microscopy over several generations. This variability between cells is quantified throughout the response to the nutritional perturbation: at every moment, we know the density distribution of cellular fluorescence in the cell population. And monitoring of individual lines allows us to take into account only the population of healthy cells: individuals that do not divide neither grow, are discarded. Thereby reducing other sources of variability (e.g. cellular phenomena) we reduce the number of parameters. Noise sources are less numerous, and it is easier to understand the mechanisms at play. Also the information on cell lineage allow to study the variability introduced by the phase of the cell cycle: the events of cell division can be artificially synchronized. This study shows that the noise sounded is not dominated by differences in the phase of the cell cycle. We can therefore model our cells regardless of the differences introduced by the cell cycle. The tested model is simplified to the steps of transcription-translation-maturation. The model parameters are inferred from our experimental data and the model is tested through simulations.