Gene expression is a fundamental process in the cell and is made up of two parts – the information flow from DNA to RNA, and from RNA to protein. Here, we examined specific sub-processes in Escherichia coli gene expression using newly available tools that permit genome-wide analysis. We begin our studies measuring mRNA and protein abundances in single cells by single-molecule fluorescence microscopy, and then focus our attention to studying RNA generation and degradation by high throughput sequencing. The details of the dynamics of gene expression can be observed from fluctuations in mRNA and protein copy numbers in a cell over time, or the variations in copy numbers in an isogenic cell population. We constructed a yellow fluorescent fusion protein library in E. coli and measured protein and mRNA abundances in single cells. At below ten proteins per cell, a simple model of gene expression is sufficient to explain the observed distributions. At higher expression levels, the distributions are dominated by extrinsic noise, which is the systematic heterogeneity between cells. Unlike proteins which can be stable over many hours, mRNA is made and degraded on the order of minutes in E. coli. To measure the dynamics of RNA generation and degradation, we developed a protocol using high throughput sequencing to measure steady-state RNA abundances, RNA polymerase elongation rates and RNA degradation rates simultaneously with high nucleotide-resolution genome-wide. Our data shows that RNA has similar lifetime at all positions throughout the length of the transcript. We also find that our polymerase elongation rates measured in vivo on a chromosome are generally slower than rates measured on plasmids by other groups. Studying nascent RNA will allow further understanding of RNA generation and degradation. To this end, we have developed a labeling protocol with a nucleoside analog that is compatible with high throughput sequencing.

No description available.

Les télomères sont raccourcis à chaque cycle de réplication de l’ADN à cause du problème de réplication des extrémités. Leur longueur dicte la capacité proliférative des cellules eucaryotes. Des télomères trop courts, aillant atteints la limite de Hayflick, feront entrer les cellules en sénescence réplicative. Pourtant dans les cellules progénitrices ainsi que 90% des cellules cancéreuses la longueur des télomères est maintenue par un complexe ribonucléoprotéique, la télomérase. L’assemblage de ce complexe ainsi que son recrutement aux télomères son des processus dynamiques sous le contrôle d’une régulation fine. Toutefois, comment cette régulation à un impact sur la dynamique de la télomérase dans le noyau n’est toujours pas complétement compris. Dans ce projet nous avons développé une nouvelle méthode se basant sur le système MS2 permettant d’observer pour la première des particules uniques d’ARN de télomérase (hTR) par microscopie à fluorescence sur cellules cancéreuse humaines vivantes. Le suivi en temps réel de ces particules aux télomères a permis de révéler que la télomérase scanne activement les télomères via des interactions courtes avec la protéine télomérique TPP1. Des interactions plus stables nécessaires à l’allongement des télomères peuvent être formées grâce à l’appariement entre hTR et l’ADN simple brin du télomère sous contrôle du domaine OB-fold de la protéine télomérique POT1. Le suivi de ces particules au cours du cycle cellulaire a révélé que ces interactions ne sont pas restreintes à la phase S, la phase d’élongation des télomères. La mesure de la dynamique de hTR dans les corps de Cajal (CBs) couplé à des expériences de photo-activation ont pu montrer que hTERT joue un rôle dans la sortie de hTR des CBs. Enfin des mesures d’intensités de fluorescence de hTR aux télomères montrent qu’une seule particule est recruté sur un télomère en phase S. / Telomeres are shortened at each DNA replication cycle, due to the end replication problem. Their length dictates the proliferative capacity of eukaryotic cells. Too short telomeres, reaching the Hayflick limit, will lead the cells to replicative senescence. However, in stem cells and 90% of cancer cells telomere length is maintained by a ribonucleoproteic complex named telomerase. The assembly of this complex and its recruitment to telomeres are process under a fine regulation. Yet, how this regulation impacts the nuclear dynamics of telomerase is not fully understood. In this project, we developed a new method based on the MS2 system to image for the first time telomerase RNA (hTR) particles in living human cancer cells by fluorescence microscopy. The real time tracking of these particles at telomeres revealed that telomerase actively scan all telomeres by short interactions with the TPP1 shelterin protein. Long stable interaction needed for telomere elongation can be made by the pairing of hTR template and single stranded telomeric DNA under the control of the OB-fold domains of the shelterin protein POT1. By tracking telomerase particle during the cell cycle, we revealed that telomerase recruitment to telomeres is not restricted to S phase, when telomeres are elongated. By measuring the dynamics of hTR in Cajal bodies (CBs) with photo-activation and photo-bleaching technics we showed that hTERT play a role in the hTR exit from CBS. Finally, fluorescence intensity measures of hTR at telomeres showed the recruitment of only one particle on a telomere.

La dynamique structurelle des biomolécules est intimement liée à leur fonction, mais très coûteuse à étudier expériementalement. Pour cette raison, de nombreuses méthodologies computationnelles ont été développées afin de simuler la dynamique structurelle biomoléculaire. Toutefois, lorsque l'on s'intéresse à la modélisation des effects de milliers de mutations, les méthodes de simulations classiques comme la dynamique moléculaire, que ce soit à l'échelle atomique ou gros-grain, sont trop coûteuses pour la majorité des applications. D'autre part, les méthodes d'analyse de modes normaux de modèles de réseaux élastiques gros-grain (ENM pour "elastic network model") sont très rapides et procurent des solutions analytiques comprenant toutes les échelles de temps. Par contre, la majorité des ENMs considèrent seulement la géométrie du squelette biomoléculaire, ce qui en fait de mauvais choix pour étudier les effets de mutations qui ne changeraient pas cette géométrie. Le "Elastic Network Contact Model" (ENCoM) est le premier ENM sensible à la séquence de la biomolécule à l'étude, ce qui rend possible son utilisation pour l'exploration efficace d'espaces conformationnels complets de variants de séquence. La présente thèse introduit le pipeline computationel ENCoM-DynaSig-ML, qui réduit les espaces conformationnels prédits par ENCoM à des Signatures Dynamiques qui sont ensuite utilisées pour entraîner des modèles d'apprentissage machine simples. ENCoM-DynaSig-ML est capable de prédire la fonction de variants de séquence avec une précision significative, est complémentaire à toutes les méthodes existantes, et peut générer de nouvelles hypothèses à propos des éléments importants de dynamique structurelle pour une fonction moléculaire donnée. Nous présentons trois exemples d'étude de relations séquence-dynamique-fonction: la maturation des microARN, le potentiel d'activation de ligands du récepteur mu-opioïde et l'efficacité enzymatique de l'enzyme VIM-2 lactamase. Cette application novatrice de l'analyse des modes normaux est rapide, demandant seulement quelques secondes de temps de calcul par variant de séquence, et est généralisable à toute biomolécule pour laquelle des données expérimentale de mutagénèse sont disponibles. / The dynamics of biomolecules are intimately tied to their functions but experimentally elusive, making their computational study attractive. When modelling the effects of thousands of mutations, time-stepping methods such as classical or enhanced sampling molecular dynamics are too costly for most applications. On the other hand, normal mode analysis of coarse-grained elastic network models (ENMs) provides fast analytical dynamics spanning all timescales. However, the vast majority of ENMs consider backbone geometry alone, making them a poor choice to study point mutations which do not affect the equilibrium structure. The Elastic Network Contact Model (ENCoM) is the first sequence-sensitive ENM, enabling its use for the efficient exploration of full conformational spaces from sequence variants. The present work introduces the ENCoM-DynaSig-ML computational pipeline, in which the ENCoM conformational spaces are reduced to Dynamical Signatures and coupled to simple machine learning algorithms. ENCoM-DynaSig-ML predicts the function of sequence variants with significant accuracy, is complementary to all existing methods, and can generate new hypotheses about which dynamical features are important for the studied biomolecule's function. Examples given are the maturation efficiency of microRNA variants, the activation potential of mu-opioid receptor ligands and the effect of point mutations on VIM-2 lactamase's enzymatic efficiency. This novel application of normal mode analysis is very fast, taking a few seconds CPU time per variant, and is generalizable to any biomolecule on which experimental mutagenesis data exist.