Séquençage des polysomes et intégration multi-omiques : Lien entre la traduction, la transcriptomique et la protéomique

Séquençage des polysomes (Polysome-seq) est la technique de référence pour étudier l'efficacité de la traduction. Elle sépare les ARNm de traduction actifs liés à ≥2 ribosomes par centrifugation sur gradient de densité de saccharose. Contrairement au Ribo-seq (qui capture des fragments protégés par les ribosomes, RPFs), Polysome-seq se concentre sur les ARNm liés aux polysomes, évaluant directement l'activité de traduction et la capacité de traduction des ARN non codants.

Caractéristiques clés de Polysome-seq :

• Quantification de l'efficacité de la traduction : le score de polyribosome (PS) est calculé sur la base du rapport entre l'ARNm lié aux polyribosomes et l'ARNm total, reflétant l'activité de traduction.

• Surveillance dynamique : Capture des arrêts de ribosomes, des événements de collision et des changements de traduction induits par le stress (par exemple, le stress oxydatif augmente la proportion d'ARNm monomériques).

• Détection des ARN non codants : Détecte la traduction de régions atypiques (par exemple, lncRNA/circRNA) par le biais de la liaison des ribosomes.

Exemple de profilage des polysomes (Ye Y et al., 2021)

Cadre d'intégration multi-omiques

Pour relier les couches de transcription, de traduction et de régulation post-traductionnelle, le Polysome-seq doit être intégré avec RNA-seq (transcriptomique) et protéomique (telles que LC-MS/MS ou DIA-MS) pour construire un pipeline d'analyse en biologie des systèmes et élucider les goulets d'étranglement de l'expression génique et les réseaux de régulation.

Stratégies d'intégration

• Normalisation des données :
  • RNA-seq : Fournit des informations sur l'abondance des transcrits et le splicing alternatif.
  • Polysome-seq : Quantifie l'efficacité de la traduction (TE = ARNm polyribosomal / ARNm total).
  • Protéomique : Mesure de l'abondance des protéines et des modifications post-traductionnelles (MPT).

Méthodes analytiques clés

• Analyse de corrélation : Compare les niveaux d'ARNm issus du séquençage d'ARN avec l'abondance des protéines provenant de la protéomique pour identifier la régulation post-transcriptionnelle.

• Réseaux de co-expression : Corrèle les valeurs TE de Polysome-seq avec les données RNA-seq et de protéomique pour cartographier les voies hautement actives en traduction (comme les réponses au stress).

• Modélisation par équations structurelles (SEM) : Quantification des contributions de la régulation transcriptionnelle et traductionnelle à l'expression des protéines.

Stratégie d'intégration multi-omiques

Analyse combinée avec le transcriptome

Wu J et al. ont isolé des ARNm liés aux ribosomes (non-polysome, polysome léger et polysome lourd) en utilisant profilage des polysomesCombiné avec l'analyse RNA-seq, ils ont découvert que l'inhibition de l'EPRS (par exemple, en utilisant l'inhibiteur spécifique PRS HF) réduisait significativement la proportion de gènes riches en proline (PRRs, tels que le collagène, LTBP2 et SULF1) dans les polysomes lourds (haute activité de traduction), démontrant que leur efficacité de traduction est régulée par l'EPRS.

Quatre-vingt-trois gènes PRR ont été identifiés (tableau en ligne IX/X). Ces gènes sont régulés à la baisse par l'HF au niveau post-transcriptionnel et constituent une part importante de la MEC et des molécules de signalisation sécrétoires, ce qui en fait des cibles clés pour la fibrose myocardique.

L'analyse intégrée de polysome-seq et RNA-seq a montré qu'EPRS, en régulant l'efficacité de la traduction des gènes PRR (tels que le collagène, LTBP2 et SULF1), devient un moteur clé de la fibrose cardiaque, fournissant une base pour une thérapie anti-fibrotique ciblant EPRS ou ses effecteurs en aval (comme SULF1).

Les gènes pro-riches sont des cibles de traduction préférentielles de l'EPRS (Wu J et al., 2020)

Wang Z et al., utilisant l'analyse des multimères (centrifugation sur gradient de saccharose pour séparer les multimères) combinée avec le séquençage d'ARN, ont trouvé que le mutant ospus1-1 (perte de fonction d'OsPUS1) présentait les éléments suivants à basse température :

• Assemblage anormal des ribosomes des chloroplastes (profil de multimer montrant des défauts de ribosome) et activité de traduction réduite (proportion diminuée de plusieurs multimères) ;

• rRNA mature réduit, précurseur rRNA accumulé et biosynthèse des ribosomes inhibée.

L'analyse RNA-seq et l'analyse d'expression différentielle (edgeR) ont montré que dans le mutant ospus1-1, l'expression des gènes liés à la photosynthèse était régulée à la baisse (inhibition de la croissance), tandis que l'expression des gènes de réponse au stress était régulée à la hausse (induite par l'accumulation de ROS) ;

La détection des ROS a révélé une accumulation sévère d'espèces réactives de l'oxygène (ROS) chez le mutant à basses températures, perturbant l'homéostasie cellulaire et dérangeant davantage le réseau d'expression génique (par le biais de la régulation de la signalisation rétrograde des gènes nucléaires). Le séquençage SeqHB-LMPCR a confirmé la liaison d'OsPUS1 à l'ARNr précurseur des chloroplastes (pré-ARNr) ;

La RT-PCR quantitative a validé des gènes exprimés différemment (tels que les gènes de stress) ;

L'analyse de l'ontologie génique (TBtools) a révélé qu'OsPUS1 régule des voies telles que la biosynthèse des ribosomes et la traduction.

L'intégration du séquençage des polysomes et des technologies multi-omiques a montré qu'OsPUS1, en médiant la modification Ψ de l'ARNr des chloroplastes, maintient la fonction des ribosomes et l'efficacité de la traduction, équilibrant la croissance et la réponse au stress, et est un régulateur clé de l'adaptation du riz aux basses températures. Cette découverte fournit une nouvelle cible pour améliorer la tolérance au froid des cultures (comme la régulation de l'expression d'OsPUS1 ou la modification de l'ARNr).

L'homéostasie du transcriptome et du translatome est affectée chez les mutants de riz ospus1-1 à basse température (Wang Z et al., 2022)

(2) Association protéomique

Li Q et al., grâce à une analyse de multimères (centrifugation sur gradient de saccharose pour séparer l'ARNm lié aux ribosomes), combinée avec qRT-PCR et protéomique, ont découvert que : lorsque YTHDF1 était surexprimé, l'ARNm ATG2A/ATG14 était enrichi dans les multimères (haute activité de traduction), et l'efficacité de la traduction augmentait significativement ; après knockdown/élimination de YTHDF1, l'efficacité de la traduction d'ATG2A/ATG14 diminuait, et l'expression de la protéine liée à l'autophagie (LC3) diminuait.

Essais ChIP et des essais de rapporteurs à double luciférase ont confirmé que dans des conditions hypoxiques, HIF-1α se lie directement au promoteur de YTHDF1, activant sa transcription (YTHDF1 est fortement exprimé dans les tissus HCC et est associé à un mauvais pronostic).

MeRIP-seq et RIP a montré que YTHDF1 améliore la stabilité et la traduction de l'ARNm ATG2A/ATG14 en reconnaissant le site de modification m6A (l'analyse de la stabilité de l'ARN a montré que la demi-vie de l'ARNm ATG2A/ATG14 était raccourcie après la réduction de YTHDF1). Le séquençage des polysomes et l'intégration multi-omique indiquent que YTHDF1 est un régulateur clé de l'autophagie induite par l'hypoxie dans le CHC. Il active ATG2A/ATG14 par une traduction dépendante de m6A, favorisant la progression maligne. YTHDF1 pourrait servir de biomarqueur pronostique et de cible thérapeutique pour le CHC (par exemple, en inhibant YTHDF1 ou ses gènes d'autophagie en aval).

La MeRIP-seq et la protéomique ont identifié des cibles potentielles de YTHDF1 dans le HCC (Li Q et al., 2021)

Bhaduri U et al., en utilisant le séquençage des polysomes et l'ARN-seq, ont découvert que le silençage de TRIM8 entraînait :

• régulation significative à la hausse de l'lncRNA MALAT1 liant les multisomes (MALAT1 interagit avec miR-561 pour réguler TOP2A, et son knockdown induit un arrêt en G0/G1) ;

• activité de traduction altérée, affectant l'efficacité de traduction des gènes d'autophagie tels que ATG2A/ATG14 (les changements d'expression protéique ont été vérifiés par LC-MS/MS).

L'analyse de scRNA-seq et de l'expression différentielle a montré que la déplétion de TRIM8 perturbe la voie de régulation du cycle cellulaire de la réplication chromosomique, affectant l'expression génique dans les phases G0/G1/S/G2/M (telles que les protéines TOP2A et du complexe MCM) ;

La cytométrie en flux (BrdU/7-AAD) a confirmé que le silençage de TRIM8 a conduit à une hétérogénéité du cycle cellulaire et à une accumulation dans la phase G0/G1 (en accord avec l'arrêt induit par la surexpression de MALAT1). La protéomique LC-MS/MS a identifié des protéines exprimées de manière différentielle régulées par TRIM8 (telles que CEP170 et les composants du complexe MCM), enrichies dans la voie du centrosome/du fuseau.

RT-qPCR+ChIP la régulation transcriptionnelle/traductionnelle des gènes cibles (tels que MALAT1 et TOP2A) par TRIM8 a été davantage validée, et des essais de cicatrisation des plaies ont montré que TRIM8 influence la migration cellulaire.

Le séquençage des polysomes et l'intégration multi-omiques ont révélé que TRIM8 agit comme un régulateur clé de plusieurs étapes de la mitose (réplication des centrosomes-réplication des chromosomes-cytokinèse) en régulant l'efficacité de traduction des ARN liés aux polysomes (tels que MALAT1), en maintenant l'expression des gènes du cycle cellulaire (TOP2A/MCM) et en assemblant les cils primaires, fournissant une base pour la thérapie du cancer (comme le ciblage de l'axe régulateur TRIM8-mitose).

Étude protéomique différentielle (LC-MS/MS) et translatomique (profilage des polysomes avec RNA-seq) lors du silençage de TRIM8 dans des cellules RPE (Bhaduri U et al., 2025)

(3) Intégration avec le Groupe des Modificateurs Épigénétiques

Chen Z et al., grâce au séquençage d'ARNm associé à plusieurs ribosomes (TE = FPKM de l'ARNm multi-ribosome / FPKM de l'ARN total) combiné à la qPCR, ont découvert que :

• Après la réduction de METTL1/WDR4, la proportion des ARNm cibles (tels que les gènes contenant des codons liés au m7G) a diminué dans les multi-ribosomes (activité de traduction élevée), et l'efficacité de la traduction a été considérablement réduite ;

• L'overexpression de METTL1 de type sauvage (mutant de mort non catalytique) a augmenté l'efficacité de traduction des ARNm cibles et a favorisé la progression du CHC.

Quantification par LC-MS de la modification de l'ARNt : Après la réduction de METTL1, le pourcentage de modification m7G de l'ARNt a diminué (par exemple, réduction de la modification m7G dans l'ARNt-LysCTT) ;

La séquençage TRAC-seq (séquençage de réduction et de clivage de l'ARNt m7G) a identifié des sites de modification m7G (par exemple, les positions 46-48 dans l'ARNt-LysCTT), et l'enrichissement des ARNt modifiés par m7G a été vérifié par une qPCR d'immunoprécipitation anti-m7G.

Intégration multi-omique : L'analyse des données TCGA a montré que METTL1/WDR4 est fortement exprimé dans le CHC et est associé à un stade avancé et à une faible survie ; l'ARN-seq/protéomique a validé les changements dans l'expression des gènes cibles (tels que les gènes liés à la prolifération et à la migration).

Le séquençage des polysomes et l'intégration multi-omiques indiquent que METTL1/WDR4 améliore l'efficacité de la traduction des ARNm contenant des codons préférés m7G en catalysant la modification des tRNA m7G, entraînant le phénotype malin du CHC et fournissant une base pour la thérapie du CHC ciblant la modification des tRNA m7G.

METTL1 régule le méthylome m7G des tRNA, l'expression des tRNA et la traduction globale des mRNA (Chen Z et al., 2021)

Lu X et al., grâce au profilage multisomal (combiné avec qRT-PCR), ont découvert que : lorsque YTHDF1 était surexprimé, l'ARNm SLC7A11 était enrichi dans des complexes multisomaux (activité de traduction élevée), et l'efficacité de la traduction était significativement augmentée ; après la réduction de YTHDF1, l'efficacité de la traduction de SLC7A11 a diminué, l'expression de la protéine anti-ferroptose GPX4 a diminué, et les niveaux de ferroptose ont augmenté.

L'essai de rapporteur à double luciférase et le ChIP-PCR ont confirmé qu'en conditions hypoxiques, HIF-1α se lie directement au promoteur de YTHDF1, activant ainsi sa transcription (YTHDF1 est fortement exprimé dans les NPC et est associé à l'anti-ferroptose).

essais RIP a montré que YTHDF1 reconnaît le site de modification m6A de l'ARNm SLC7A11 (prévu par SRAMP) grâce à son domaine YTH, améliorant la stabilité et la traduction de l'ARNm.

Les essais de stabilité de l'ARN (traitement à l'actinomycine D) ont indiqué que la réduction de l'expression de YTHDF1 a raccourci la demi-vie de l'ARNm SLC7A11 (dégradation accélérée).

Les essais de stabilité des protéines (traitement au CHX) ont montré que YTHDF1 favorise l'accumulation de la protéine SLC7A11 (une traduction améliorée compense la dégradation).

Le séquençage des polysomes et l'intégration multi-omiques ont révélé que YTHDF1 est un régulateur clé de la traduction en aval de HIF-1α, activant SLC7A11 par une traduction dépendante de m6A et maintenant la voie anti-ferroptose systémique Xc⁻-GSH-GPX4, fournissant une nouvelle cible pour la thérapie de l'IVDD (comme la régulation de l'axe HIF-1α-YTHDF1-SLC7A11).

YTHDF1 favorise la traduction de l'ARNm SLC7A11 lors de sa liaison (Lu X et al., 2024)

Défis et orientations futures

• Limitations techniques :

• La séquence de polysomes repose sur un grand nombre de cellules (≥1×10⁷), ce qui limite son application dans les échantillons rares.

• Le séquençage à lecture courte (tel que Ribo-seq) est sensible au biais de distribution des ribosomes, nécessitant une combinaison avec des techniques de séquençage long pour analyser des ORFs complexes.

• Directions de la frontière :

• Translationomique spatiale : Combinaison de techniques de transcriptomique spatiale pour analyser l'hétérogénéité translationnelle dans le microenvironnement tissulaire.

• Intégration de l'intelligence artificielle : Utilisation de l'apprentissage profond pour prédire des réseaux régulateurs de traduction, tels que des modèles de fusion de données multi-omiques basés sur des GNN.

Résumé

Le séquençage des polysomes et l'intégration multi-omiques offrent une perspective panoramique pour analyser la régulation translationnelle, démontrant de fortes capacités analytiques allant des mécanismes moléculaires (tels que la modification de l'ARN et la dynamique des ribosomes) aux processus physiologiques et pathologiques (tels que la réponse au stress et la tumorigenèse). Les efforts futurs doivent surmonter les goulets d'étranglement technologiques et approfondir le développement d'algorithmes croisés omiques pour révéler pleinement la complexité de la régulation translationnelle.

Les gens demandent aussi

Comment intégrer des données multi-omiques ?

L'intégration des données multi-omiques implique généralement l'utilisation de méthodes computationnelles pour combiner et analyser des données provenant de différentes couches moléculaires (par exemple, génomique, transcriptomique, protéomique) pour découvrir des informations biologiques complètes.

Quels sont les concepts de la génomique, de la transcriptomique, de la protéomique et de la métabolomique ?

La génomique étudie l'ensemble de l'ADN d'un organisme, la transcriptomique analyse toutes les molécules d'ARN, la protéomique examine l'ensemble des protéines, et la métabolomique se concentre sur le profil complet des métabolites de petites molécules.

Quelle est la différence entre transcriptomique et la protéomique ?

La transcriptomique étudie l'ensemble complet des transcrits d'ARN pour évaluer l'expression génique, tandis que la protéomique se concentre sur l'ensemble des protéines pour déterminer leur abondance, leurs modifications et leurs fonctions.

Quels sont les défis de l'intégration des données multi-omiques ?

Cependant, l'intégration des données multi-omiques présente des défis importants en raison de la haute dimensionnalité, de l'hétérogénéité, des lacunes expérimentales et de la fréquence des valeurs manquantes à travers les types de données.

Qu'est-ce que l'intégration multi-omique ?

L'intégration des données multi-omiques est un terme qui désigne le processus de combinaison et d'analyse des données provenant de différentes sources expérimentales omiques, telles que la génomique, la transcriptomique, les essais de méthylation, et séquençage de microARNparmi d'autres.

Références

1. Wu J, Subbaiah KCV, Xie LH, Jiang F, Khor ES, Mickelsen D, Myers JR, Tang WHW, Yao P. La glutamyl-prolyl-tRNA synthétase régule la synthèse de protéines pro-fibrotiques riches en proline pendant la fibrose cardiaque.. Circ Res. 2020 28 août ;127(6) :827-846.
2. Wang Z, Sun J, Zu X, Gong J, Deng H, Hang R, Zhang X, Liu C, Deng X, Luo L, Wei X, Song X, Cao X. La pseudouridylation de l'ARN ribosomal des chloroplastes contribue à l'acclimatation aux basses températures chez le riz.. Nouveau Phytol. Déc 2022 ; 236(5) : 1708-1720.
3. Li Q, Ni Y, Zhang L, Jiang R, Xu J, Yang H, Hu Y, Qiu J, Pu L, Tang J, Wang X. L'expression induite par HIF-1α du lecteur m6A YTHDF1 stimule l'autophagie induite par l'hypoxie et la malignité du carcinome hépatocellulaire en favorisant la traduction d'ATG2A et d'ATG14.. Signal Transduct Target Ther. 2021 fév. 23;6(1):76.
4. Bhaduri U, Di Venere E, Squeo GM, Gemma G, Tamiro F, Avolio R, Senatore E, Salvemini L, Di Paola R, Licastro D, Iacobucci I, Tretola V, Salerno P, Feliciello A, Monti M, Giambra V, Merla G. Le rôle dynamique de TRIM8, une nouvelle protéine ciliaire, durant les différentes étapes de la mitose.. Cell Death Dis. 2025 oct. 7;16(1):707.
5. Chen Z, Zhu W, Zhu S, Sun K, Liao J, Liu H, Dai Z, Han H, Ren X, Yang Q, Zheng S, Peng B, Peng S, Kuang M, Lin S. METTL1 favorise l'hépatocarcinogenèse via m⁷Contrôle de la traduction dépendant de la modification de l'ARNt G. Clin Transl Med. 2021 déc;11(12):e661.
6. Lu X, Li D, Lin Z, Gao T, Gong Z, Zhang Y, Wang H, Xia X, Lu F, Song J, Xu G, Jiang J, Ma X, Zou F. L'expression induite par HIF-1α du lecteur m6A YTHDF1 inhibe la ferroptose des cellules du nucleus pulposus en favorisant la traduction de SLC7A11.. Cellule du vieillissement. 2024 sep;23(9):e14210.
7. Kozlova A, Sarygina E, Ilgisonis E, Tarbeeva S, Ponomarenko E. La carte du translatome : RNC-Seq vs. Ribo-Seq pour le profilage des lignées cellulaires HBE, A549 et MCF-7. Int J Mol Sci. 2024 oct. 12 ; 25(20) : 10970.