Dans le passé, Nichols et al. (Cell, 2010) ont criblé une collection de mutants de déletion d’Escherichia coli (~4000 gènes) dans ~324 conditions. L’utilisation de la taille des colonies comme indicateur de croissance, leur a permis de définir des phénotypes robustes pour ~50% des mutants, conduisant ainsi à de nouvelles idées biologiques. Cependant, 50% des gènes restants n’ont pas donné de réponse significative.J’ai souhaité dépasser les limitations du précédent criblage en augmentant le crible dans 2 directions : tout d’abord, j’ai augmenté le nombre et la complexité des conditions de stress dans le but d’imiter les contraintes d'origine naturelle. Puis, j’ai adapté le test «rouge Congo» afin de tester la formation de biofilm.J’ai ainsi généré deux ensembles de données, contenant ~2 millions de phénotypes de croissance et de biofilm, dans approximativement 250 conditions de stress simples et complexes. Les données ont révélé des phénotypes pour ~80% des mutants testés, la majorité d'entre eux provenant de conditions de stress complexes et de la mesure de biofilm. L'utilisation de ces phénotypes a permis la construction d’un réseau connectant les complexes de protéines connus avec ~500 gènes de fonction inconnue.De plus, la mesure de biofilm a permis d’identifier de nouveaux acteurs impliqués dans la formation de biofilm. Les données obtenues grâce au test «rouge Congo» ont également révélé que de nombreux enzymes régulant les niveaux de ci-di-GMP servent de senseurs pour différents signaux entrants impliqués dans cette même voie. L’identité des signaux entrants a été révélée par les phénotypes spécifiques à une condition. / In the past, Nichols et al. probed a knock out collection of E. coli across 324 conditions. Using colony size as a proxy for fitness allowed them to define robust phenotypes (5% FDR) for about 50% of the knockouts, leading to novel insights into E. coli’s biology. The remaining 50% of the genes did not yield a significant response even when growth was probed in such diverse conditions.I address the limitations of this previous high-throughput screen by expanding the screen design it in 2 directions: First, I increased the number and complexity of conditions to mimic naturally occurring stresses. Second, I adapted the Congo-red assay to probe biofilm formation in parallel to growth. I was able to generate two datasets that consist of more than 2 million growth and biofilm phenotypes across ~250 simple and complex stresses. The datasets revealed phenotypes for ~80% of the knockouts probed (5% FDR) with the large majority of them originating from complex stresses and the biofilm readout. Using these phenotypes, I generated a high-confident network connecting known protein complexes with >500 uncharacterized genes. In addition, the biofilm readout captured dozens of new players involved in biofilm formation. Even further, the color dataset revealed that the multiple enzymes regulating the levels of ci-di-GMP, serve as sensors for different input signals that feed into the same pathway. Identity of the input signals was revealed by the condition-specific phenotypes.

Les leucémies myéloïdes aiguës (LMA) consistent en un groupe de cancers agressifs causés par une accumulation de mutations génétiques et épigénétiques survenant dans les cellules souches ou progénitrices de la moelle osseuse. Il s’agit d’un groupe de maladies très hétérogène, caractérisé par un grand nombre de combinaisons d’altérations qui perturbent à la fois les voies de signalisation qui y sont exprimées, leur sensibilité aux différents traitements et le pronostic des patients. Le déploiement des technologies de séquençage de nouvelle génération au courant de la dernière décennie a permis l’exploration à une échelle sans précédent du paysage mutationnel et transcriptomique de différents cancers, incluant les LMA. Dans le cadre de nos travaux, nous avons voulu tester l'hypothèse selon laquelle les LMA se déclinent en plusieurs sous-groupes génétiques caractérisés chacun par des mutations distinctes et une expression génique dérégulée, ainsi qu’une réponse différentielle à des molécules qui pourraient représenter de nouvelles stratégies thérapeutiques. Nous avons testé cette hypothèse au sein de la cohorte Leucegene, qui comprend un grand nombre de LMA primaires analysées par le séquençage du transcriptome, et nous avons analysé les différences entre les différents sous-groupes en les analysant un à la fois. Cette étude des différents sous-groupes nous a permis de disséquer le profil génomique, transcriptomique et les sensibilités aux petites molécules de sept sous-groupes génétiques, représentant environ la moitié des cas de LMA de l’adulte. Notre approche a permis de découvrir plusieurs nouvelles mutations spécifiques aux différents sous-groupes, dont certaines ont été validées dans des cohortes indépendantes. Nous avons également confirmé que les gènes différentiellement exprimés dans les sous-groupes sont plus informatifs que les signatures d'expression non supervisées pour identifier les biomarqueurs de la maladie. Nous avons ainsi identifié dans la majorité des sous-groupes des gènes représentant un biomarqueur d'intérêt, ayant une pertinence fonctionnelle ou pronostique. Ces données ont également mené à des criblages chimiques ciblés qui ont identifié de nouvelles vulnérabilités dépendant du contexte génétique. Au-delà de ces observations, nos travaux pourraient avoir une portée translationnelle tandis que le séquençage de nouvelle génération est de plus en plus utilisé en clinique. La combinaison avec d’autres modalités de séquençage et l’incorporation de technologies émergentes aideront à poursuivre la dissection génomique, transcriptomique et chimique de la LMA et l’approche utilisée pourra même éventuellement s’appliquer à d’autres types de cancers. / Acute myeloid leukemias (AML) are a group of cancers caused by an accumulation of genetic and epigenetic mutations occurring in the stem or progenitor cells of the bone marrow. They represent a very heterogeneous group of diseases, characterized by a large number of combinations of alterations which disrupt to varying degrees key networks in these cells, their sensitivity to treatments and the prognosis of the patients. The deployment of next-generation sequencing technologies over the past decade has enabled exploration on an unprecedented scale of the mutational and transcriptomic landscape of various cancers, including AML. As part of our work, we tested the hypothesis according to which AMLs comprise several genetic subgroups, each characterized by distinct mutations and deregulated gene expression profiles, as well as a differential response to molecules that could represent novel therapies. We tested this hypothesis in the Leucegene cohort, which includes a large number of primary AMLs analyzed by transcriptome sequencing, which we explored one subgroup after the other, dissecting the genomic, transcriptomic or small molecule sensitivities profile of seven AML subgroups representing approximately half of adult AML cases. Our approach has allowed us to discover several new mutations specific to different subgroups, some of which have been validated in independent cohorts. We also confirmed that genes differentially expressed in subgroups are more informative than unsupervised expression signatures, and we identified genes representing potential biomarkers, or having a functional or prognostic relevance in the majority of subgroups. Generated data also led to targeted chemical screens performed on primary AML cells, which identified new context-dependent vulnerabilities. Beyond these observations, our work could have a translational scope while next-generation sequencing is paving its way in the clinic. The combination with other Omics and the incorporation of emerging technologies will help to further the multi-dimensional dissection of these groups and additional ones, as the presented approach could be applied to additional disease subsets and cancer types.