Éponges à microARN, artificielles ou naturelles, dans le contexte de la transformation tumorale
Notice bibliographique
Résumé
La sénescence se caractérise par un arrêt en phase G1/S du cycle cellulaire et peut être induit par une variété de stress tels que des télomères trop courts, l’activation d’oncogène ou encore à cause de stress oxydatifs. Cette réponse cellulaire s’accompagne de profonds changements au niveau de l’expression génique et les ARN non codants sont d’importants acteurs de ceux-ci. Bien que cette catégorie d’ARN ait longtemps été considérée comme un sous-produit non fonctionnel de la transcription, on sait maintenant qu’ils sont impliqués dans une pléthore de fonctions essentielles à l’homéostasie de la cellule. Les microARN (miR), de petits ARN non codants d’une vingtaine de nucléotides, sont souvent diminués ou surexprimés dans les maladies, soulignant leurs rôles importants dans le développement de celles-ci. C’est le cas notamment de deux oncomirs, miR-19 et miR-155, qui s’accumulent de manière aberrante dans les cancers hématopoïétiques. En condition normale, STAT5A, qui est souvent dérégulé dans ces cancers, induit SOCS1 qui agit comme un frein sur cette voie de signalisation afin de prévenir une prolifération incontrôlée. Des travaux conduits dans notre laboratoire montrent que SOCS1 est aussi impliqué dans la sénescence, car il est capable d’activer p53, un important suppresseur tumoral. SOCS1 peut être ciblé par les deux oncomirs et nos résultats montrent qu’une inhibition de ces derniers à l’aide d’éponges artificielles favorisait l’accumulation d’un p53 actif. De plus, en intégrant le ribozyme à tête de marteau dans la conception des éponges, nous avons créé une nouvelle génération d’outils (éponges catalytiques) qui sont plus efficaces. Effectivement, l’utilisation de ces éponges contre miR-155 résultait en une diminution de la prolifération, de formation de colonie ainsi que de la migration de cellule de myélome multiple. En second lieu, nous nous sommes penchés sur l’étude d’éponges naturelles dans le contexte de la sénescence. Il existe en effet quelques exemples de lARNnc (Long Non-Coding RNA) qui peuvent agir de la sorte pour un miR donné. Nous pensons que c’est par ce mécanisme de régulation que miR-146a, un miR impliqué dans la réponse anti-inflammatoire, peut s’accumuler dans la sénescence induite par RAS sans toutefois sembler être pleinement actif. Effectivement, les cellules sénescentes sécrètent une variété de facteurs pro-inflammatoires. À l’aide d’une nouvelle technique nommée miR-CLIP, nous avons pu étudier l’interactome de miR-146a et avons identifié plusieurs lARNnc qui selon des outils de prédiction, semblent s’hybrider de manière extensive en région 3’ du miR. Ceci est requis pour l’initiation d’un TDMD (Target-Directed miR Degradation) et nous avons donc investigué la possibilité d’un tel évènement dans la régulation de miR-146a. Nos résultats montrent que la surexpression de XXBAC-B444P24.13 mène à une diminution des niveaux de miR-146a qui n’est pas due à une baisse de sa transcription. Bien que le premier article illustre les avantages d’une éponge catalytique artificielle, le second article suggère que cette stratégie pourrait déjà être en place dans les systèmes biologiques, et ce, de manière naturelle. En effet, une fois miR-146a lié à XXBAC-B444P24.13, ce dernier induirait la dégradation du miR par un TDMD. Ceci ouvre donc la porte au développement d’outils qui pourraient être plus performants à des niveaux d’expression plus bas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».