Les régions fonctionnelles non codantes du génome humain contiennent des éléments de régulation de la transcription et de l’épissage, des gènes à ARN (acide ribonucléique) et des régions permettant l’attachement des chromosomes à la matrice. La régulation de la transcription permet de réguler quels gènes seront transcrits et en quelle quantité. La régulation de l’épissage permet l’épissage alternatif, c’est-à-dire le choix de la ou des protéine(s) qui seront exprimée(s) à partir d’un seul gène.

Toutes les cellules somatiques d’un même individu partagent le même matériel génétique. Ainsi, les régions génomiques fonctionnelles non codantes sont celles qui gèrent l’expression différentielle des protéines entre les cellules différentes d’un même individu.

On estime que ces régions représenteraient 3,5% du génome humain. Un autre 1,5% du génome serait constitué de gènes codant des protéines. Ce qui donne un total de 5% du génome formé par des régions fonctionnelles.

La recherche menée par Dr Mathieu Blanchette et ses collègues s’insère dans ce domaine. Le but étant de trouver où sont ces régions fonctionnelles non codantes et quels sont leurs rôles.

2 Conservé donc fonctionnel

L’hypothèse sur laquelle se fonde tous les travaux faits par cette équipe est qu’une mutation affecte différemment la probabilité de survie et de reproduction d’un individu selon que celle-ci survienne dans une région fonctionnelle ou non fonctionnelle. Une mutation dans une région fonctionnelle modifie l’individu le plus souvent en diminuant ses chances de survie et de reproduction. Alors qu’une mutation dans une région non fonctionnelle ne modifie pas le phénotype de l’individu. Ses chances de survie et de reproduction sont conservées.

Une mutation chez un individu qui peut se reproduire et donc transmettre son matériel génétique est conservée plus facilement qu’une mutation chez un individu qui ne se reproduira pas et ne transmettra donc pas son matériel génétique. C’est pourquoi les régions fonctionnelles accumulent des mutations à un taux moindre que les régions non fonctionnelles. Ce phénomène est bien illustré en traçant deux graphiques de la fréquence en fonction du degré de conservation pour des régions du génome, un graphique pour des régions probablement non fonctionnelles (les régions répétées) et un autre pour des régions couvrant tout le génome.

La courbe du graphique pour les régions non fonctionnelles est déplacée vers la gauche par rapport à celle du graphique pour l’ensemble des régions. Cela indique que les régions non fonctionnelles sont moins conservées.

3 Exemple de conservation

Passons à un exemple célèbre pour démontrer que les régions fonctionnelles sont souvent conservées. L’ARN ribosomal est une région très importante du génome. Il code pour des composantes essentielles des ribosomes. Même chez des espèces divergentes, cet ARN ribosomal est remarquablement bien conservé (1).

4 Projet ENCODE

Maintenant que le génome humain est séquencé, il devient intéressant d’interpréter les séquences. Le projet ENCODE concentre les efforts de séquençage et d’annotation sur un groupe de loci représentant 1% du génome humain. Dr Blanchette et ses collègues se sont attardés sur la région autour du gène CFTR (le gène muté dans la fibrose kystique du pancréas) faisant partie de ce 1%.

Ils y ont cherché les séquences conservées entre 13 vertébrés dont l’homo sapiens. Ils ont utilisé les séquences souvent incomplètes de cette région des organismes étudiés. Ils ont utilisé un arbre phylogénétique dont les branches sont valués par les taux de mutations neutres.

5 Algorithmes

5.1 Score de parcimonie

Nous avons besoin d’une façon de calculer si des régions spécifiques sont conservées entre les différentes espèces étudiées. Pour le faire, nous allons utiliser les scores de parcimonie.

Un score de parcimonie est un score minimal représentant les changements biologiques au travers d’une spéciation comme, par exemple, une arête dans un arbre de phylogénie. Lorsque nous avons un arbre de phylogénie, il est possible de calculer un score qui représente les changements les plus probables (qui ont un coût faible) qui se sont produits pendant l’évolution. Ce score peut être calculé en n’ayant comme informations que les caractéristiques des espèces observables aujourd’hui. Les caractéristiques seront les nucléotides de la région CFTR. Il faut, de plus, que l’arbre phylogénique donne de l’information sur la distance entre les espèces. La distance représente la probabilité qu’un nucléotide se transforme en un autre lorsqu’il s’est produit une spéciation entre deux espèces ayant un ancêtre commun.

Voici un exemple où nous allons vérifier le nombre minimal de mutations qui peuvent mener à l’évolution du nucléotide en rouge.

Nous pouvons constater que l’évolution minimale donnant ces nucléotides a commencé avec un nucléotide T qui a muté vers un C chez l’ancêtre du babouin.

Voici un score de parcimonie de 3 mutations.

Nous pouvons constater que le nucléotide est plus conservé dans l’exemple avec une mutation que dans le dernier exemple, où le nombre de mutations nécessaires est plus élevé. Ceci indique que l’évolution est plus aléatoire dans le dernier cas et que la structure est probablement mieux conservée dans le cas où il n’y a qu’une seule mutation.

Notons également que s’il nous manque de l’information sur une espèce à un certain nucléotide, il ne sera pas considéré dans le score de parcimonie. Les trous (gaps) dans une séquence ne seront pas considérés. Voici un exemple, où le score de parcimonie est probablement inférieur à la réalité.

5.2 Score de parcimonie attendu

Pour savoir si une région est conservée entre plusieurs espèces, nous devons savoir quel est le score de parcimonie auquel nous nous attendons si l’évolution a modifié des nucléotides d’une façon aléatoire, soit une évolution neutre. En calculant la valeur pour une évolution neutre, il nous sera possible de comparer cette valeur avec un score de parcimonie trouvé pour les espèces étudiées.

Pour calculer le score de parcimonie attendu, nous pouvons utiliser des formules mathématiques à partir d’un arbre donné ou nous pouvons faire des essais aléatoires de mutations qui nous donnerons un score de parcimonie attendu.

Voici un arbre d’évolution qui nous donne, sur chaque arête, la probabilité qu’un nucléotide soit modifié. Notons que la probabilité qu’un nucléotide soit modifié est généralement dépendante de la distance séparant deux espèces.

À partir de cet arbre, nous pouvons faire des essais aléatoires de mutations pour un nucléotide. Voici un exemple d’une évolution possible qui tient en compte les probabilités qu’un nucléotide soit modifié à chaque spéciation.

Dans cet exemple, nous constatons que le nucléotide a muté 9 fois. Le score de parcimonie, étant une borne inférieure expliquant comment l’évolution s’est produite, sera, en réalité, plus bas que 9. Comme nous ne devrions pas avoir d’information sur les espèces ancestrales, nous devons tenir compte que des espèces qui sont situés dans les feuilles. Nous devons ensuite reconstruire l’arbre avec un minimum de mutations en ne tenant compte que des feuilles.

Cet arbre nous montre que le score de parcimonie tiré de l’arbre aléatoire précédent n’est pas de 9 mutations comme nous l’aurions souhaité, mais de 4 mutations. Il a été possible de reconstruire l’arbre avec seulement 4 mutations. C’est ce genre de score de parcimonie que nous allons utiliser pour savoir à quel score de parcimonie nous devrions nous attendre.

En faisant plusieurs essais, nous obtenons une courbe indiquant le nombre de mutations auquel nous devrions nous attendre dans une évolution neutre.

Nous constatons qu’il est normal d’obtenir un score de parcimonie de 4 ou plus. Un score de parcimonie de 2 serait intéressant pour un nucléotide, mais il faut aussi considérer que nous obtiendrons quelques fois, par hasard, des scores de parcimonie inférieurs à 4 même pour une évolution neutre.

Ajoutons qu’il est intéressant d’inclure dans les calculs aléatoires un coût pour transformer un certain nucléotide en un certain autre. Ces coûts peuvent être stockés dans une matrice de coûts et peuvent affecter la façon dont les nucléotides changent modifiant ainsi la courbe des scores de parcimonie attendus.

5.3 Score de parcimonie observé

Après avoir obtenu une courbe des scores de parcimonie attendus, nous devons calculer les scores de parcimonie observés pour chaque nucléotide. Nous allons les calculer de la même façon que dans l’exemple donné plus haut.

Si les espèces ont les nucléotides tels que donnés dans l’exemple, nous obtenons un score de parcimonie de 4. Notons que nous devons connaître l’arbre d’évolution pour calculer le score de parcimonie attendu. Il n’est pas nécessaire de connaître les probabilités qu’un nucléotide change pour chaque arête pour calculer un score de parcimonie observé, car nous ne calculons que le nombre de mutation. Nous devons connaître les probabilités seulement pour faire le calcul des scores de parcimonie attendus.

5.4 Surprise

Une fois que les scores de parcimonie observés et attendus sont calculés, nous devons également vérifier si des régions de l’ADN sont conservées. Pour ce faire, nous allons calculer une surprise. La surprise est une représentation numérique indiquant si nous devons considérer une région de l’ADN comme étant conservée. La surprise ne garantit pas que la région est réellement conservée, car elle peut, dans certain cas, être due au hasard. Voici un exemple où nous considérons la probabilité d’obtenir un certain score de parcimonie.

Le score de parcimonie observé ici est 2. Le p-value est de 0,01. Le p-value est la probabilité d’obtenir cette valeur de score de parcimonie ou un score inférieur. Le p-value est calculé selon l’aire sous la courbe allant de 0 jusqu’au score de parcimonie observé. Le p-value est une bonne façon de représenter la surprise. Plus le p-value est élevé, plus la probabilité d’obtenir cette valeur de score de parcimonie, ou une valeur inférieure, par hasard est élevée.

Notons qu’il est également nécessaire d’avoir plusieurs espèces pour avoir une courbe de parcimonie qui permet d’avoir une bonne surprise. Si les espèces sont trop proche l’une de l’autre, il sera difficile d’avoir une surprise élevée (un p-value bas).

Voici un exemple où le score de parcimonie ne sera pas très utile si l’on considère les mutations au niveau de l’ADN seulement.

Même avec un score de parcimonie de 0 ou 1, le p-value sera très élevé. C’est pour cette raison que nous devons considérer plusieurs espèces assez éloignées.

5.5 Fenêtre coulissante

La surprise ne peut pas être calculée sur un seul nucléotide, alors nous la calculons sur 25 nucléotides. Ceci nous permet d’éviter d’avoir une surprise élevée due au hasard, mais nous pouvons perdre certaines informations comme une petite séquence très conservée qui a une utilité importante mais qui est entourée de régions ayant une surprise très faible.

Voici la formule utilisée pour calculer la surprise sur 25 nucléotides.

En prenant des séquences de nucléotides, nous pouvons observer les régions conservées. Voici un exemple de régions conservées pour le gène CORTBP2.

Lorsque ParsPVal est élevé, il indique une bonne surprise. On peut constater que plusieurs régions sont conservées à l’extérieur des régions codantes (indiquées par les blocs sous RefSeq Genes). Il serait intéressant de faire des expériences sur ces régions pour savoir si elles ont une utilité.

5.6 Implémentation

Un programme permettant de calculer les scores de parcimonie est disponible. Ce programme se nomme «FootPrinter» et il a été programmé par Mathieu Blanchette. Nous avons utilisé ce programme, avec un second programme qui permet de calculer les scores de parcimonie selon les fenêtres coulissantes, pour obtenir les résultats présentés plus loin.

Nous avons expliqué le principe des scores de parcimonie pour obtenir un score pour un seul nucléotide à la fois. Notons qu’il est plus performant de calculer des scores de parcimonie en traitant des chaînes de caractères plutôt que des nucléotides simples. Cette méthode de calcul est utilisée dans le programme «FootPrinter». Les distances entre les chaînes sont calculées avec la distance de Hamming qui représente le nombre minimum de substitutions pour qu’une chaîne soit transformée en une autre.

Pour ceux qui veulent utiliser le programme «FootPrinter», il faut fournir en paramètre un arbre de phylogénie où les distances sont la probabilité qu’un nucléotide change d’un nœud à un autre dans l’arbre et des séquences de nucléotides dans un format FASTA.

L’algorithme possède une complexité O(n*min(l*k*(3k)^d/2, k*(4^k+l))) où n est le nombre de taxa, l est la longueur de la séquence complète à traitée, k est la longueur d’une chaîne traitée (une partie de la séquence) et d est la distance maximale que l’on peut atteindre avant de laisser tomber cette séquence.

Pour ceux qui voudraient savoir comment l’algorithme, implémenté dans le programme «FootPrinter», fonctionne en détail, je suggère de lire le document «Algorithms for phylogenetic footprinting» que l’on peut trouver sur le site Internet de M. Mathieu Blanchette en suivant le lien suivant : http://www.cs.washington.edu/homes/blanchem/papers.html. De plus, le document contient les temps d’exécution du programme sur un ordinateur dans différentes situations.

Le programme «FootPrinter» qui exécute le calcul des scores de parcimonie se trouve sur le site http://bio.cs.washington.edu/software.html.

6 Résultats

Dr Blanchette et ses collègues ont trouvé des régions conservées parmi des exons connus et des régions non codantes. La figure 1 représente la proportion des régions conservées selon leur localisation.

Figure 1: Diagramme circulaire représentant la proportion des régions conservées du grand CFTR selon leur localisation. Intronic nonRep : régions introniques non répétitives, Intergenic nonRep : Régions intergéniques non répétitives, Coding exons : exons codants, UTRs : régions non traduites et Repeats : répétitions.

6.1 Exons

La conservation inter-espèce au niveau des exons est habituellement nette. La figure 2a le montre.

La figure 2b montre la conservation inter-espèce au niveau d’un gène soumis à un mécanisme d’épissage alternatif. Autour de l’exon étant la cible de l’épissage alternatif (parfois présent dans l’ARN messager et dans la protéine et parfois absent), la région génomique est bien conservée. Ce qui mène à l’hypothèse que cette région est fonctionnelle et que sa fonction est la régulation de l’épissage alternatif de ce gène.

Figure 2. Conservation inter-espèce au niveau de deux gènes. En haut de chaque graphique, on voit les exons (bandes verticales bleues). En bas, on voit des mesures de la conservation (pics rouges). RefSeqGenes : gènes bien annotés selon le NCBI. ParsPValHMM : valeurs-p de parcimonie avec un modèle de Markov caché. (a) Gène CAPZA2. (b) Gène ST7.

6.2 Régions non codantes

Passons aux régions non codantes mais conservées. Comme l’indique la figure 1, certaines furent détectées.

Certaines régions conservées contiennent un groupe de possibles sites de liaison de facteurs de transcription. La figure 3 donne l’exemple d’un intron du gène MET. Les sites de liaison de facteurs de transcription sont importants pour la régulation de la transcription.

Figure 3. Une région de 600-pb située à l’intérieur d’un intron du gène MET. Cette région contient un groupe de possibles sites de liaison pour les facteurs de transcription indiqués. La barre orange délimite la position d’une séquence conservée entre plusieurs espèces. Noter que cette séquence conservée entre plusieurs espèces est flanquée d’une séquence intronique de 4,6 kb en amont et de 26 kb en aval. Deux des sites de liaison au facteur de transcription HFH (hepatocyte nuclear factor homolog : homologue du facteur nucléaire hépatocytaire) se superposent. Il n’y a donc que six occurrences indépendantes de ce facteur de transcription. Binding Sites : sites de liaison, MCS(« Multi-Species Conserved Sequence ») : séquences conservées entre plusieurs espèces, bp : paires de bases et p53 (un anti-oncogène(4)).

D’autres régions conservées concernent des éléments structuraux d’ARN. Le logiciel QRNA a été utilisé sur chaque région conservée. 29 de ces 904 régions ont une structure secondaire d’ARN conservée.

12 de ces 29 régions sont localisées dans une région non traduite 3’ ou 5’. La région non traduite 5’ (5’ UTR) est la partie de l’ARN messager en amont du codon d’initiation de la traduction. La région non traduite 3’ (3’ UTR) est la partie de l’ARN messager en aval du codon de terminaison de la traduction. La figure 4 illustre l’exemple de la conservation inter-espèce de la région non traduite 3’ du gène CAV1. Cet exemple montre la possibilité de l’existence d’une fonction pour cette région non codante. Cet exemple montre la possibilité de l’existence d’une fonction pour cette région non codante.

Figure 4. Mesure de la conservation de la région 3’ non traduite du gène CAV1 et illustration de la structure secondaire d’ARN de la région indiquée par une accolade. Région traduite (bleu), région de l’ARN messager non traduite (turquoise), adénine (A), cytosine (C), guanine (G) et uracile (U).

10 des 29 régions conservées inter-espèces possédant possiblement des éléments structuraux d’ARN sont situées dans des introns. Les introns sont les parties du gène éliminées de l’ARN mature (4). Dr Blanchette et ses collègues ont posé la condition supplémentaire suivante aux séquences dites introniques. La région intronique doit être à moins de 2 kb d’un exon. La figure 5 donne l’exemple d’une séquence intronique conservée dans un intron du gène ST7. Les nucléotides de cette région sont parfaitement conservés sauf un au bout d’une épingle à cheveux (hairpin). Cette conservation suggère une fonction importante peut-être liée à l’épissage.

Figure 5. Mesure de la conservation pour une séquence intronique située dans un intron du gène ST7. Une illustration de la structure secondaire d’ARN de la région indiquée par une accolade est donnée. Base position : position du nucléotide.

Des régions introniques contenant des éléments structuraux d’ARN loin des exons ont aussi été identifiées. La figure 6 présente l’exemple d’une telle séquence située en plein milieu des exons 1 et 2 du gène ST7.

Figure 6. Illustration de la structure secondaire d’ARN d’une région conservée entre plusieurs espèces. Cette région est au milieu exact des introns 1 et 2 du gène ST7. 100 bp conserved stem : tige conservée d’environ 100 pb, 1^st: premier et 2^nd: deuxième.

7 Notre expérience

7.1 Introduction et données

Nous avons appliqué la même méthode à une autre séquence. Il s’agit de la séquence du gène codant le précurseur de la protéine 29 du reticulum endoplasmique (aussi appelée protéine luminale du reticulum endoplasmique Erp28). Le nom de ce gène dans le NCBI est C12orf18. Nous avons utilisé une longue séquence en 5’ du gène et une courte séquence en 3’ du gène. La longueur totale est 11,672 kb.

Des séquences orthologues sont connues au moins pour la souris et le rat (8). Nous avons utilisé les séquences sur les génomes de l’humain, de la souris et du rat sur le NCBI. En comparant ces trois séquences, nous avons cherché des régions conservées. L’arbre utilisé par le logiciel «FootPrinter» était le même que celui de la conférence que nous avons élagué des branches inutiles. Il est illustré à la figure 7.

Nous avons aligné ces séquences par ClustalW.

Figure 7. Arbre phylogénétique ayant servi de modèle d’évolution neutre.

7.2 Calculs et logiciels utilisés

Pour obtenir les résultats, nous avons utilisé plusieurs logiciels dont certains sont faits maison. Pour faire l’alignement des différentes espèces, nous avons utilisé ClustalW. Nous devions transformer les résultats de ClustalW en format FASTA pour l’utiliser dans le logiciel «FootPrinter». Nous avons créé un programme maison capable de transformer des données venant de ClustalW en format FASTA. Ensuite, nous avons utilisé «FootPrinter» pour obtenir les score de parcimonie et de p-value des différents acides nucléiques. Les p-value étant calculés pour un nucléotide à la fois, nous avons créé un logiciel qui permet d’obtenir les scores de p-value pour des fenêtres de 25 nucléotides selon la formule suivante.

Pour simplifier le traitement, ce programme donne des résultas dans un format texte délimité. Les résultats pouvaient être importés directement dans le logiciel «Excel». Nous avons utilisé «Excel» pour obtenir le graphique montré plus bas. Notons que la partie du graphique montrant la position des exons a été obtenue par un second programme donnant un fichier texte délimité dont les résultats ont aussi été importés dans «Excel». Ce programme prenait l’alignement tiré de ClustalW et calculait la position réelle des exons en tenant compte des gaps ajoutés. Nous avons trouvé la position des exons ainsi que leur taille sans gaps sur le site du NCBI.

7.3 Nos résultats

Finalement, nous avons obtenu la surprise (ou degré probable de conservation) pour chaque position de la séquence humaine alignée (donc contenant des gaps). Un gap est considéré comme occupant une position au même titre qu’un nucléotide.

Un logiciel maison a permis de trouver des positions particulières sur la séquence avec gaps en connaissant la longueur des sous-séquences correspondantes. Les sous-séquences en question énumérées du 5’ vers le 3’ sont: la région proximale 5’, l’exon 1, l’intron 1, l’exon 2, l’intron 2, l’exon 3, la région non-traduite 3’ et la région distale 3’. Nous connaissons donc les positions limites entre ces régions de la séquence génomique. Cela nous a permis de réaliser la figure 8.

Figure 8. Lien entre la conservation inter-espèces et la localisation des exons pour la région englobant le gène C12orf18 chez l’humain. (En haut.) Localisation des exons sur la séquence contenant des gaps. Les exons sont disposés de 5’ vers 3’ c’est-à-dire exon 1, exon 2 et exon 3. (En bas.) Degré probable de conservation en fonction de la position du nucléotide sur la séquence avec des gaps. La séquence est représentée du 5’ vers le 3’.

7.4 Interprétation

Le résultat le plus évident en observant la figure 8 est la conservation des exons 2 et 3. Nous ne savons pas pourquoi l’exon 1 n’est pas conservé alors que les deux autres exons le sont. Les exons sont des régions codantes donc importantes. Il est habituel qu’ils soient remarquablement bien conservés.

La figure 9 présente un graphique complet du score de conservation en fonction de la position selon la séquence humaine alignée (contenant des gaps).

Figure 9. Score de conservation entre la région englobant le gène humain C12orf18 et ses orthologues chez la souris et le rat en fonction de la position du nucléotide sur la séquence humaine alignée (contenant des gaps). (Chute 1.) Première chute du score conservation dans la région 3’. Voir le texte. (Chute 2.) Deuxième chute du score de conservation dans la région 3’. Voir le texte.

Nous savons que la région non-traduite 3’ (après l’exon 3) s’étend des positions 12 630 à 12 797. Les figures 8 et 9 illustrent la conservation de cette région. Selon le fichier des résultats, on remarque une première chute du score de conservation dans la région 3’ autour de la position 12 785. Ce qui correspond environ à la fin de la région non-traduite 3’. Nous pouvons en conclure que la région 3’ non-traduite est bien conservée entre ces espèces.

La poly-adénylation est l’adjonction d’une extrémité poly-adénylée (poly-A) à l’extrémité 3’ de l’ARN messager. Elle se produit durant la maturation de l’ARN messager et seulement chez les eucaryotes (4). La grande région du C12orf18 contient un signal de poly-adénylation situé environ 300 pb après la fin de l’exon 3 (8). Ce signal est bien conservé entre les espèces étudiées (8). Cette position correspond environ à la position 13 131 sur notre séquence alignée (avec gaps). Selon le fichier des résultats et la figure 9, on remarque une deuxième chute du score de conservation dans la région 3’ autour de la position 13 135. Ce qui correspond environ à l’emplacement approximatif du signal de poly-adénylation. Nous pouvons en conclure que le signal de poly-adénylation est bien conservé.

La conservation du signal de poly-adénylation et de la région non-traduite mais transcrite en 3’ peut indiquer un patron similaire de régulation de l’épissage et de stabilité de l’ARN messager (8).

7.5 Critique de nos résultats

Ce que nos résultats ne permettent pas d’étudier facilement est la conservation des sites de liaison aux facteurs de transcription. Ces sites sont trop petits comparativement à la fenêtre coulissante. Pourtant, Dr Blanchette a réussi à en étudier dans certains cas. Voir la figure 3. Certains de ces sites sont conservés dans la régions 5’ proximale du gène C12orf18 selon la littérature (8).

7.6 Conclusion

Nous pouvons conclure que l’algorithme fonctionne bien sur notre jeu de données puisqu’il permet d’identifier comme conservées des régions dont la conservation a été prouvée par d’autres moyens (8). Notre expérience montre que l’algorithme fonctionne aussi pour une région beaucoup plus petite (environ 1 gène) que le CFTR étudié par Dr Blanchette et ses collègues.

L’algorithme nous a permis d’identifier des régions conservées dans la grande région du gène C12orf18: l’exon 2, l’exon 3, la région 3’ non-traduite et la région précédant le signal de poly-adénylation. De plus, il nous a donné un indice sur une fonction possiblement conservée de la région 3’ non-codante (la région 3’ non-traduite et la signal de poly-adénylation). La fonction en question serait un certain patron (nous ne savons pas lequel) de régulation de la maturation et de stabilité de l’ARN messager du gène C12orf18 partagé par l’humain, la souris et le rat.

8 Bibliographie

1. Woese 87.

2. Blanchette, M. Detection and Characterization of Non-Coding Functional Regions of the Human Genome. Conférence.

3. Margulies, E. H., Blanchette, M., NISC Comparative Sequencing Program, Haussler, D. and Green, E. D. 2003. Identification and Characterization of Multi-Species Conserved Sequences. Genome Research,vol. 13, 2003, 2507-2518.)

4. Bernot, A. Analyse de Génomes, Transcriptomes et Protéomes (3^e édition). Éd. Dunod (2001).

5. Blanchette, M. and Tompa, M. FootPrinter: a program designed for phylogenetic footprinting. Nucleic Acids Research, vol. 31, no. 13, 2003, 3840-3842.

6. Blanchette, M. and Tompa, M. Discovery of Regulatory Elements by a Computational Method for Phylogenetic Footprinting. Genome Research, vol. 12, no. 5, May 2002, 739-748.

7. Blanchette, M., Schwikowski, B., and Tompa, M. Algorithms for Phylogenetic Footprinting. Journal of Computational Biology, vol. 9, no. 2, 2002, 211-223.

Sargsyan, E., Baryshev, M., Backlund, M., Sharipo, A., Mkrtchian, S. Genomic organization and promoter characterization of the gene encoding a putative endoplasmic reticulum chaperone, Erp29. Gene, vol. 285, 2002, 127-139.

Remerciements

Mathieu Blanchette.

Alexandre McGrath pour le fond d’écran.