Soutenance de thèse de Ammar SABIR CHEEMA

Les cellules dendritiques (DCs) sont des cellules immunitaires innées spécialisées dans la détection de signaux de danger et leur intégration pour l'activation et la polarisation fonctionnelle des cellules immunitaires effectrices, afin de combattre les infections et le cancer. Les DCs sont dotées d’une plasticité fonctionnelle qui résulte de deux caractéristiques. Premièrement, les DCs incluent des types cellulaires distincts avec des fonctions différentes. Deuxièmement, chaque type de DC est lui-même plastique. Il exprime des récepteurs de reconnaissance de l'immunité innée, chacun capable de détecter différents signaux d'entrée. Selon les signaux reçus, un type de DC adoptera un état d'activation particulier et délivrera des signaux de sortie adaptés pour combattre le pathogène. Les progrès récents dans la technologie de séquençage ont permis d'analyser des échantillons biologiques au niveau de la cellule unique, et donc d'étudier les systèmes biologiques à une résolution beaucoup plus fine que par le passé. Le développement de nouveaux outils bioinformatiques a été déterminant pour le traitement et l'analyse des données ainsi que pour l'interprétation des résultats. Pendant mon doctorat, j'ai utilisé la transcriptomique sur cellules uniques pour étudier les états d'activation des types de DCs, leurs relations dynamiques et leur régulation moléculaire. Dans un premier temps, j'ai développé un pipeline bioinformatique utilisant des outils pré-existants afin de mieux identifier, par séquençage de l'ARN sur cellules uniques (scRNA-seq), les types de DCs et leurs états d'activation. Ce pipeline a permis de séparer efficacement les DCs conventionnelles de type 1 activées (cDC1) des cDC2 activées, deux populations cellulaires connues pour converger transcriptionnellement lors de leur activation. Il a également permis de comprendre l’impact de conditions physiopathologiques sur la trajectoire d'activation des cDC1. Ce pipeline, dédié à l'identification des populations cellulaires et à l'inférence des trajectoires d'activation, a été développé de manière à simplifier la reproductibilité des analyses à d'autres fins. Dans un deuxième temps, ce pipeline a été utilisé pour mieux comprendre le rôle des cDC1 dans un modèle murin de mélanome. J’ai ainsi analysé des données scRNA-seq de cDC1 associées à la tumeur provenant d'animaux WT ou mutants. Couplée à de l’expérimentation à la paillasse, cette analyse bioinformatique a contribué à déterminer comment l'activation de l'IRF1 dépendant de NF-κB dans les cDC1 promeut leur activité antitumorale. Enfin, j'ai cherché à générer un modèle computationnel du réseau moléculaire régulant la production d'interféron de type I (IFN-I) par les DCs plasmacytoïdes (pDCs) pendant une infection virale. Les pDCs sont des cellules productrices professionnelles d'IFN-I, des cytokines antivirales clés. Cette production est étroitement régulée dans l'espace et dans le temps, et conduit à la protection de l'hôte. Cependant, une altération de cette régulation conduit à diverses maladies auto-immunes et inflammatoires. Par conséquent, une meilleure compréhension des mécanismes régulant la production d'IFN-I par les pDCs pourrait aider à prévenir ou à traiter ces maladies. Par une étude bibliographique, j'ai généré une carte moléculaire répertoriant les molécules impliquées dans la production d'IFN-I par les pDCs. Dans une perspective future, la carte moléculaire sera complétée par de nouvelles molécules candidates déduites de l'analyse du réseau de régulation des gènes (GRN) sur nos données de scRNA-seq de pDC provenant de souris infectées par le cytomégalovirus murin (MCMV). Ensuite, un modèle logique basé sur ce réseau de régulation sera conçu, afin de déduire les différents états d'activation que les pDCs peuvent adopter au cours de leur activation. Ce modèle nous permettra de prédire les résultats de perturbations définies sur le réseau, que mes collègues expérimentalistes pourront tester à la paillasse.

Dendritic cells (DCs) are innate immune cells specialized in sensing danger signals and translating this information for the activation and functional polarization of effector immune cells, to fight infections and cancer. DCs are functionally plastic and this functional plasticity of DCs results from two key characteristics. First, DCs encompass distinct cell types that are specialized in different functions. Second, each DC type is itself plastic. It expresses a specific array of innate immune recognition receptors each able to sense different input signals. Depending on the precise combination of input signals received, a given DC type will undergo a particular activation state, to deliver a customized set of output signals activating effector immune cells in the way the best suited to fight the threat faced by the organism. Recent advances in the sequencing technology enabled to analyze biological samples at the single cell level, and hence to study biological systems at a much finer resolution than in the past. The development of new bioinformatics tools has been instrumental for the data processing and analysis as well as for the interpretation of the results generated by such technology. During my PhD, I used single cell transcriptomics to study the activation states of DC types, their dynamical relationships and their molecular regulation. In the first step, I developed a bioinformatic pipeline using previously existing tools in order to better identify and characterize DC types and their activation states upon analysis of single cell RNA sequencing (scRNA-seq) data. This pipeline allowed to efficiently separate activated type 1 conventional DCs (cDC1) from activated type 2 conventional DCs (cDC2), two distinct cell populations which are known to converge transcriptionally upon their activation. It also helped understanding the effect of different pathophysiological conditions on the activation trajectory of cDC1. This pipeline, especially dedicated to the identification of cell populations and to the inference of activation trajectories, has been developed using a technology which simplifies the reproducibility of our analyses to other purposes. In the second step this pipeline was used to better understand the role of cDC1 in a mouse model of melanoma. I focused on the analysis of scRNA-seq data of tumor-associated cDC1 from WT or mutant animals. Coupled with wetlab experiments, this computational analysis contributed to determine how NF-κB-dependent IRF1 activation in cDC1 drives their antitumor activity. In the third and final step, I aimed at generating a computational model of the molecular network regulating the production of type I interferon (IFN-I) by plasmacytoid DCs (pDCs) during a viral infection. pDCs are professional producers of IFN-I, which are key antiviral cytokines. This production is tightly regulated in space and time and leads to the protection of the host. However, alteration in this regulation leads to various autoimmune/inflammatory diseases. Hence, better understanding the mechanisms regulating IFN-I production by pDCs could help prevent or treat these diseases. Using literature mining, I generated a molecular map encompassing the molecules involved in the production of IFN-I by pDCs. As a future perspective, the molecular map needs to be completed with candidate novel molecules inferred from gene regulatory network (GRN) analysis of our pDC scRNA-seq data from mice infected with murine cytomegalovirus (MCMV). Then, a logical model based on this regulatory network will be designed, to infer the various activation states that pDCs can adopt during the course of their activation. This model will allow us predicting the outcomes of defined perturbations of the network, that my colleagues will test experimentally.