Search

La protéine Miz-1 (ZBTB17) est un facteur de transcription poly-doigts de zinc à domaine BTB/POZ. Cette protéine contient 13 doigts de zinc (ZFs) dont 12 sont en tandem. Elle a comme fonction la régulation transcriptionnelle de gènes cibles par sa liaison aux sites d’initiation de la transcription (TSS). Miz-1 fut d’abord découverte comme étant en mesure d’inhiber l’activation transcriptionnelle causée par l’oncogène c-Myc via une interaction protéine-protéine médiée par le domaine Mid2 (c-Myc interacting domain-2) de Miz-1. Miz-1 est généralement impliquée dans la régulation transcriptionnelle de gènes en lien avec le cycle cellulaire. Plus particulièrement, Miz-1 régule et inhibe la transcription d’inhibiteurs de kinase cycline-dépendant (CDK). Miz-1 participe aussi à la régulation de l’autophagie et à la maturation des cellules T. La séquence consensus de Miz-1 contient 21 paires de bases. Ceci implique qu’au maximum 7 ZFs sont impliqués dans la liaison. Cependant, l’identité du ou des sous-ensemble(s) de ZFs qui participe(nt) à la liaison de cette séquence reste à découvrir. Notre groupe de recherche se penche sur la caractérisation dynamique et structurale des sous-ensembles de ZFs responsables de la reconnaissance de la séquence consensus depuis une décennie. La structure, la dynamique et les propriétés de liaison à l’ADN des ZFs 1 à 10 ont déjà été déterminées par notre groupe de recherche. Collectivement, nos résultats pointent vers un rôle important des ZFs 7-12. Par conséquent, ce mémoire porte sur la caractérisation manquante des ZFs 10 à 12 et la découverte de leur implication dans la liaison de Miz-1 à sa séquence consensus. La structure primaire des ZFs 10 à 12 est particulièrement intéressante et diffère de la structure primaire d’un ZF canonique. En effet, la présence d’une histidine (vs phénylalanine ou tyrosine) en N-terminal du ZF10 et la présence d’un linker de séquence DNIRP (vs TGEKP) entre le ZF 10 et 11 détonnent par rapport au modèle du ZF c

Résumé : Les méthodes de détection de similarités de sites de liaison servent entre autres à la prédiction de fonction et à la prédiction de cibles croisées. Ces méthodes peuvent aider à prévenir les effets secondaires, suggérer le repositionnement de médicament existants, identifier des cibles polypharmacologiques et des remplacements bio-isostériques. La plupart des méthodes utilisent des représentations basées sur les atomes, même si les champs d’interaction moléculaire (MIFs) représentent plus directement ce qui cherche à être identifié. Nous avons développé une méthode bio-informatique, IsoMif, qui détecte les similarités de MIF entre différents sites de liaisons et qui ne nécessite aucun alignement de séquence ou de structure. Sa performance a été comparée à d’autres méthodes avec des bancs d’essais, ce qui n’a jamais été fait pour une méthode basée sur les MIFs. IsoMif performe mieux en moyenne et est plus robuste. Nous avons noté des limites intrinsèques à la méthodologie et d’autres qui proviennent de la nature. L’impact de choix de conception sur la performance est discuté. Nous avons développé une interface en ligne qui permet la détection de similarités entre une protéine et différents ensembles de MIFs précalculés ou à des MIFs choisis par l’utilisateur. Des sessions PyMOL peuvent être téléchargées afin de visualiser les similarités identifiées pour différentes interactions intermoléculaires. Nous avons appliqué IsoMif pour identifier des cibles croisées potentielles de drogues lors d’une analyse à large échelle (5,6 millions de comparaisons). Des simulations d’arrimage moléculaire ont également été effectuées pour les prédictions significatives. L’objectif est de générer des hypothèses de repositionnement et de mécanismes d’effets secondaires observés. Plusieurs exemples sont présentés à cet égard., Methods that detect binding site similarities between proteins serve for the prediction of function and the identification of potential off-targets. These methods can help prevent side-effects, suggest drug repurposing and polypharmacological strategies and suggest bioisosteric replacements. Most methods use atom-based representations despite the fact that molecular interaction fields (MIFs) represents more closely the nature of what is meant to be identified. We developped a computational algorithm, IsoMif, that detects MIF similarities between binding sites. We benchmark IsoMif to other methods which has not been previously done for a MIF-based method. IsoMif performed best in average and more consistently accross datasets. We highlight limitations intrinsic to the methodology or to nature. The impact of design choices on performance is discussed. We built a freely available web interface that allows the detection of similarities between a protein and pre-calculated MIFs or user defined MIFs. PyMOL sessions can be downloaded to visualize similarities for the different intermolecular interactions. IsoMif was applied for a large-scale analysis (5,6 millions of comparisons) to predict offtargets of drugs. Docking simulations of the drugs in the binding site of their top hits were performed. The primary objective is to generate hypotheses that can be further investigated and validated regarding drug repurposing opportunities and side-effect mechanisms.

Résumé : Malgré l’apport de nouvelles armes thérapeutiques, le cancer du sein reste la première cause de décès par cancer chez la femme de moins de 65 ans. Le cancer du sein dit «triple-négatif», un sous-type représentant environ 10 % des cancers du sein, est caractérisé par l’absence de récepteurs hormonaux aux oestrogènes et à la progestérone et aussi par l’absence d’expression du récepteur de croissance HER-2. Ce type de cancer considéré comme étant le plus agressif des cancers du sein, possède un profil clinique défavorable avec un haut risque de rechute métastatique. Les seuls outils thérapeutiques disponibles actuellement contre ce type de cancer sont la chimiothérapie et la radiothérapie, qui s’avèrent être très toxiques pour le patient et ne ciblent pas de manière spécifique la tumeur. Il a été ainsi démontré qu’il existe au sein du kinome (i.e. l’ensemble des protéines kinases du génome humain), 26 protéines kinases surexprimées dans le cancer du sein dit «triple-négatif» et dont le rôle s’avère être critique dans la croissance de ces cellules cancéreuses. Nous avons utilisé différentes méthodes computationnelles développées au sein de notre laboratoire afin de caractériser le site de liaison de l’ensemble de ces 26 protéines kinases. Plus précisément, nous avons calculé les similitudes entre les protéines kinases à plusieurs niveaux: 1. séquence globale, 2. séquence des sites de liaison, 3. structure des sites de liaison et 4. profils de liaison. Nous avons utilisé des outils de visualisation de données afin de mettre en évidence ces similarités. Le profil de liaison de 38 molécules inhibitrices a été déterminé pour un ensemble de 290 protéines kinases humaines, incluant 15 des protéines kinases appartenant à notre sous-ensemble de protéines d'intérêt. Ces profils de liaison sont utilisés pour définir les similarités fonctionnelles entre les protéines kinases d'intérêt, en utilisant le coefficient tau de corrélation des rangs de Kendall ([tau]). Nous avons