Modèles Stochastiques de la Biologie Moléculaire

Philippe Robert INRIA

Programme :

Ce cours présente plusieurs modèles mathématiques fondamentaux de la biologie moléculaire où les phénomènes aléatoires jouent un rôle-clé. Aucune notion de biologie n’est prérequise.

On s’intéressera tout d’abord à l’expression du gène, i.e. la production de protéines dans les cellules prokaryotes (comme les bactéries). En raison du milieu désordonné du cytoplasme de ces cellules, les expériences montrent une grande variabilité du nombre de protéines d’un type donné dans les cellules d’une même culture. Les modèles dans ce contexte ont pour objectif d’identifier les paramètres de la cellule qui permettent de contrôler la variabilité de la production de protéines.

La deuxième partie s’intéressera aux phénomènes de polymérisation dans un cadre biologique. Certaines protéines à l’intérieur de la cellule ont la propriété de pouvoir s’assembler en longues fibres appelées polymères. De nombreux processus biologiques utilisent ces mécanismes qui contribuent au bon fonctionnement des cellules, pour l’élaboration du cytosquelette notamment. Dans certains cas cependant ces phénomènes peuvent être pathologiques, dans les cellules nerveuses notamment où des maladies comme celle d’Alzheimer semblent être liées à ce type de mécanismes. On observe dans les expériences in vitro que, au bout d’un temps très variable suivant les expériences, la concentration en polymères passe de la valeur 0 à une valeur élevée. Les modèles probabilistes utilisés ont pour objet de pouvoir expliquer la variabilité des phénomènes observé et d’étudier l’impact des différents paramètres sur la variance du temps de polymérisation.

Les méthodes probabilistes présentées utilisent plusieurs types de techniques

• Calcul stochastique pour les processus ponctuels de Poisson marqués
• Théorèmes limite pour les processus de sauts markoviens.
• Méthodes d’homogénéisation.

qui seront rappelées lors du cours.

(1) Introduction.

• Introduction au calcul stochastique pour les processus ponctuels de Poisson marqués. Rappels sur les martingales associées aux proces- sus markoviens de sauts.
• Convergence en distribution des processus de sauts markoviens. Homogénéisation des processus de Markov.
• Modèles probabilistes des phénomènes chimiques. Loi d’action de masse, équations de Michaelis-Menten.

(2) Expression du Gène.

• Modèles markoviens et non-markoviens de la production de protéi- nes. Existence et caractérisation de la loi invariante de la concen- tration d’une protéine d’un type donné. Étude de la variance à l’équilibre.
• Compétition pour les ressources de la cellule dans la production de protéines : un modèle de champs moyen.
• Étude de l’impact de l’auto-régulation de la production de protéines sur la variabilité du nombre de protéines : méthodes d’homogénéi- sation.

(3) Modèles de la Polymérisation.

• Un modèle simplifié de la polymérisation avec deux espèces de polymères. Théorèmes central-limite fonctionnels.
• Variations sur les renormalisations des taux de polymérisation.
• Impact des phénomènes de nucléation.

Références

[1] David F. Anderson and Thomas G. Kurtz, Stochastic analysis of biochemical systems, Mathematical Biosciences Institute Lecture Series. Stochastics in Biological Systems, vol. 1, Springer, Cham ; MBI Mathematical Biosciences Institute, Ohio State University, Columbus, OH, 2015. MR 3363610

[2] Marie Doumic, Sarah Eugène, and Philippe Robert, Asymptotics of stochastic protein assembly models, SIAM Journal on Applied Mathematics 76 (2016), no. 6, 2333–2352.

[3] Vincent Fromion, Emanuele Leoncini, and Philippe Robert, Stochastic gene expression in cells : A point process approach, SIAM Journal on Applied Mathematics 73 (2013), no. 1, 195–211.

[4] T.G. Kurtz, Averaging for martingale problems and stochastic approximation, Applied Stochastic Analysis, US-French Workshop, Lecture notes in Control and Information sciences, vol. 177, Springer Verlag, 1992, pp. 186–209.

[5] Nicolaas Godfried Van Kampen, Stochastic processes in physics and chemistry, vol. 1, Elsevier, 1992.