Stage Master

L’analyse protéomique est, au même titre que la génomique et la transcriptomique, un outil incontournable pour l’étude des systèmes biologiques complexes et s’est révélée particulièrement prometteuse pour la découverte et validation de biomarqueurs de pathologies [1-4]. Une révolution de l’instrumentation de la spectrométrie de masse (MS) permet aujourd’hui d’analyser des protéomes complexes et d’identifier et de quantifier plusieurs milliers de protéines en quelques heures d’analyses LC-MS/MS (acquises sur des couplages chromatographie liquide-spectrométrie de masse LC-MS/MS). Récemment, un nouveau mode d’acquisition Data Independent (DIA) a été introduit promettant de combiner les avantages des stratégies quantitatives globales classiques de type data dependent acquisition (DDA) et ciblées de type selected reaction monitoring ou parallel reaction monitoring [5]. En parallèle des progrès instrumentaux, des outils bioinformatiques adaptés au traitement de ces données de nouvelle nature doivent être développés.

Notre laboratoire est spécialisé depuis 20 ans dans le développement de méthodes d’analyses LC- MS/MS pour la caractérisation de protéines et nous avons, depuis 2010, élargi notre champ de compétences en priorisant la création d’une petite équipe d’info-/bioinfo-rmaticiens au sein du laboratoire. Ce choix s’est révélé capital dans notre développement et nous a permis de proposer des approches analytiques innovantes, accompagnées des outils de traitement des données adaptés, pour répondre aux questionnements qui nous sont soumis par des collaborateurs biologistes ou cliniciens [6- 7].

Dans ce contexte, l’objectif de ce travail de master sera double :
- Acquérir un jeu de données LC-MS/MS parfaitement maitrisé composé d’un extrait cellulaire
total dans lequel un mélange de 48 protéines standards recombinantes sera ajouté dans des quantités variables mais connues. Ces acquisitions seront réalisées en mode DIA sur deux instruments : un Quadrupole Orbitrap (Q-Exactive HF-X, Thermo Fisher Scientific) et un Quandrupole Tube de Vol (Q-TOF, TimsTOF Pro, Bruker Daltonics), ce dernier incluant une dimension supplémentaire de séparation des ions par mobilité ionique.
- Ces jeux de données maitrisés permettront d’évaluer et d’optimiser plusieurs solutions logicielles en cours de développement et dédiées au traitement de données DIA, à savoir Spectronaut (Biognosys, Suisse) et DIA-NN[8].

1. Ayala-Nunez, N. V., G. Follain, F. Delalande, A. Hirschler, E. Partiot, G. L. Hale, B. C. Bollweg, J. Roels, M. Chazal, F. Bakoa, M. Carocci, S. Bourdoulous, O. Faklaris, S. R. Zaki, A. Eckly, B. Uring- Lambert, F. Doussau, S. Cianferani, C. Carapito, F. M. J. Jacobs, N. Jouvenet, J. G. Goetz and R. Gaudin (2019). "Zika virus enhances monocyte adhesion and transmigration favoring viral dissemination to neural cells." Nat Commun 10(1): 4430.
2. Carapito, R., C. Carapito, A. Morlon, N. Paul, A. S. Vaca Jacome, G. Alsaleh, V. Rolli, O. Tahar, I. Aouadi, M. Rompais, F. Delalande, A. Pichot, P. Georgel, L. Messer, J. Sibilia, S. Cianferani, A. Van Dorsselaer and S. Bahram (2018). "Multi-OMICS analyses unveil STAT1 as a potential modifier gene in mevalonate kinase deficiency." Ann Rheum Dis 77(11): 1675-1687.
3. Fornecker,L.M.,L.Muller,F.Bertrand,N.Paul,A.Pichot,R.Herbrecht,M.P.Chenard,L.Mauvieux, L. Vallat, S. Bahram, S. Cianferani, R. Carapito and C. Carapito (2019). "Multi-omics dataset to decipher the complexity of drug resistance in diffuse large B-cell lymphoma." Sci Rep 9(1): 895.
4. Schleiss, C., R. Carapito, L. M. Fornecker, L. Muller, N. Paul, O. Tahar, A. Pichot, M. Tavian, A. Nicolae, L. Miguet, L. Mauvieux, R. Herbrecht, S. Cianferani, J. N. Freund, C. Carapito, M. Maumy- Bertrand, S. Bahram, F. Bertrand and L. Vallat (2021). "Temporal multiomic modeling reveals a B- cell receptor proliferative program in chronic lymphocytic leukemia." Leukemia 35(5): 1463-1474.
5. Bons, J., G. Husson, M. Chion, M. Bonnet, M. Maumy-Bertrand, F. Delalande, S. Cianferani, F. Bertrand, B. Picard and C. Carapito (2021). "Combining label-free and label-based accurate
quantifications with SWATH-MS: Comparison with SRM and PRM for the evaluation of bovine
muscle type effects." Proteomics 21(10): e2000214.
6. Bouyssie, D., A. M. Hesse, E. Mouton-Barbosa, M. Rompais, C. Macron, C. Carapito, A. Gonzalez de Peredo, Y. Coute, V. Dupierris, A. Burel, J. P. Menetrey, A. Kalaitzakis, J. Poisat, A. Romdhani, O. Burlet-Schiltz, S. Cianferani, J. Garin and C. Bruley (2020). "Proline: an efficient and user-friendly software suite for large-scale proteomics." Bioinformatics 36(10): 3148-3155.
7. Carapito, C., A. Burel, P. Guterl, A. Walter, F. Varrier, F. Bertile and A. Van Dorsselaer (2014). "MSDA, a proteomics software suite for in-depth Mass Spectrometry Data Analysis using grid computing." Proteomics 14(9): 1014-1019.
8. Demichev, V., C. B. Messner, S. I. Vernardis, K. S. Lilley and M. Ralser (2020). "DIA-NN: neural networks and interference correction enable deep proteome coverage in high throughput." Nat Methods 17(1): 41-44.