Modélisation, analyse et réduction des systèmes biologiques

• Main Author: Casagranda, Stefano
• Other Authors: Côte d'Azur
• Language: en
• Published: 2017
• Subjects: Modèles biologiques; Systèmes dynamiques; Analyse de processus; Réduction de modèles; Calibration de modèles; Expression des gènes; Biological models; Dynamical systems; Process analysis; Model reduction; Model calibration; Gene expression
• Online Access: http://www.theses.fr/2017AZUR4049/document

Cette thèse porte sur la modélisation, l'analyse et la réduction de modèles biologiques, notamment de réseaux de régulation génique chez la bactérie E. coli. Différentes approches mathématiques sont utilisées. Dans la 1ère partie de la thèse, on modélise, analyse et réduit avec des outils classiques un modèle de transcription-traduction de grande dimension de l'ARN polymérase (RNAP) chez E. coli. Dans la 2de partie, l'introduction d'une nouvelle méthode appelée Analyse de Processus Principaux (PPA) nous permet d'analyser des modèles de haute dimension, en les décomposant en processus biologiques dont l'activité est évaluée pendant l'évolution du système. L'exclusion des processus inactifs réduit la dynamique du modèle à ses principaux mécanismes. La méthode est appliquée à des modèles d'horloge circadienne, de toxicologie endocrine et de voie de signalisation ; on teste également sa robustesse aux variations des conditions initiales et des paramètres. Dans la 3ème partie, on présente un modèle ODE de la machinerie d'expression génique de cellules d'E. coli dont la croissance est contrôlée par un inducteur de la synthèse de RNAP. On décrit notre contribution au développement du modèle et analyse par PPA les mécanismes essentiels du réseau de régulation. Dans une dernière partie, on modélise spécifiquement la réponse de RNAP à l'ajout d'inducteur et estime les paramètres du modèle à partir de données de cellules individuelles. On discute l'importance de considérer la variabilité entre cellules pour modéliser ce processus : ainsi, la moyenne des calibrations sur chaque cellule apparaît mieux représenter les données moyennes observées que la calibration de la cellule moyenne. === This thesis deals with modeling, analysis and reduction of various biological models, with a focus on gene regulatory networks in the bacterium E. coli. Different mathematical approaches are used. In the first part of the thesis, we model, analyze and reduce, using classical tools, a high-dimensional transcription-translation model of RNA polymerase in E. coli. In the second part, we introduce a novel method called Principal Process Analysis (PPA) that allows the analysis of high-dimensional models, by decomposing them into biologically meaningful processes, whose activity or inactivity is evaluated during the time evolution of the system. Exclusion of processes that are always inactive, and inactive in one or several time windows, allows to reduce the complex dynamics of the model to its core mechanisms. The method is applied to models of circadian clock, endocrine toxicology and signaling pathway; its robustness with respect to variations of the initial conditions and parameter values is also tested. In the third part, we present an ODE model of the gene expression machinery of E. coli cells, whose growth is controlled by an external inducer acting on the synthesis of RNA polymerase. We describe our contribution to the design of the model and analyze with PPA the core mechanisms of the regulatory network. In the last part, we specifically model the response of RNA polymerase to the addition of external inducer and estimate model parameters from single-cell data. We discuss the importance of considering cell-to-cell variability for modeling this process: we show that the mean of single-cell fits represents the observed average data better than an average-cell fit.