CODE GÉNÉTIQUE

GENCODE est un projet scientifique de recherche sur le génome et fait partie du projet de développement ENCODE (ENCyclopedia Of DNA Elements).

Le consortium GENCODE a été initialement formé dans le cadre de la phase pilote du projet ENCODE pour identifier et cartographier tous les gènes codant pour des protéines dans les régions ENCODE (environ 1 % du génome humain). Compte tenu du succès initial du projet, GENCODE vise désormais à créer une « encyclopédie des gènes et des variantes de gènes ».

Le résultat sera un ensemble d'annotations incluant tous les loci codants pour les protéines avec des variantes transcrites alternativement , les loci non codants avec des preuves de transcription et des pseudogènes .

GENCODE progresse actuellement vers ses objectifs dans la phase 2 du projet.

La version la plus récente des annotations du jeu de gènes humains est Gencode 36, avec une date de gel de décembre 2020. Cette version utilise le dernier assemblage du génome humain de référence GRCh38 .

La dernière version pour les annotations du jeu de gènes de souris est Gencode M25, également avec une date de gel en décembre 2020.

Depuis septembre 2009, GENCODE est l'ensemble de gènes humains utilisé par le projet Ensembl et chaque nouvelle version de GENCODE correspond à une version d'Ensembl.

Septembre 2003

Le projet a été conçu en trois phases : phase pilote, phase de développement technologique et phase de production. La phase pilote du projet ENCODE visait à étudier en profondeur, par des moyens informatiques et expérimentaux, 44 régions totalisant 30 Mb de séquence représentant environ 1 % du génome humain. Dans le cadre de cette étape, le consortium GENCODE a été formé pour identifier et cartographier tous les gènes codant pour les protéines dans les régions ENCODE. Il a été envisagé que les résultats des deux premières phases soient utilisés pour déterminer la meilleure voie à suivre pour analyser les 99 % restants du génome humain dans une phase de production rentable et complète.

2005 Avril
La première version de l'annotation des 44 régions ENCODE a été gelée le 29 avril 2005 et a été utilisée lors du premier atelier du projet d'évaluation de l'annotation du génome ENCODE (E-GASP). La version 1 de GENCODE contenait 416 loci connus, 26 nouveaux loci CDS (séquence d'ADN codante), 82 nouveaux loci de transcription, 78 loci putatifs, 104 pseudogènes traités et 66 pseudogènes non traités.

2005 Octobre
Une deuxième version (version 02) a été gelée le 14 octobre 2005, contenant des mises à jour suite à des découvertes issues de validations expérimentales utilisant les techniques RACE et RT-PCR . La version 2 de GENCODE contenait 411 loci connus, 30 nouveaux loci CDS, 81 nouveaux loci de transcription, 83 loci putatifs, 104 pseudogènes traités et 66 pseudogènes non traités.

Juin 2007
Les conclusions du projet pilote ont été publiées en juin 2007. Les résultats ont souligné le succès du projet pilote pour créer une plateforme réalisable et de nouvelles technologies pour caractériser les éléments fonctionnels du génome humain, ce qui ouvre la voie à l'ouverture de la recherche vers des études à l'échelle du génome.

Octobre 2007
Un nouveau financement faisait partie des efforts du NHGRI visant à étendre le projet ENCODE à une phase de production sur l'ensemble du génome ainsi qu'à des études pilotes supplémentaires.

2012 Septembre
En septembre 2012, le consortium GENCODE a publié un article majeur discutant des résultats d'une version majeure - GENCODE Release 7, qui a été gelée en décembre 2011.

En 2018
, l'un des derniers ajouts au projet GENCODE a été la piste CRISPR/Cas9 sur les assemblages d'organismes humains et modèles. CRISPR est une technique d'édition du génome qui utilise des séquences d'ARN qui se lient avec succès à la région éditée avec une spécificité élevée. La nouvelle piste a été conçue pour aider à la recherche de phrases guides appropriées en répertoriant les sites de liaison potentiels pour le complexe CRISPR/Cas9 qui sont proches des régions transcrites, ou à moins de 200 pb de l'une d'elles. Pour chaque site, la piste fournit des séquences guides possibles ainsi qu'un ensemble de scores d'efficacité et de spécificité prédits pour ces séquences guides. Elle fournit également des informations sur les cibles hors cible potentielles, regroupées par le nombre de non-concordances entre la cible hors cible et le guide.

2020
Parmi les autres réalisations, on peut citer l'achèvement de la première annotation manuelle du génome de référence de la souris, le début d'une coopération avec les bases de données d'annotation de référence RefSeq et Uniprot en vue d'obtenir une convergence des annotations, et l'amélioration de l'annotation des lncRNAs grâce à la découverte de nouveaux loci et de nouvelles transcriptions sur les loci existants. De plus, compte tenu de la pandémie de COVID-19 en 2020, il est apparu nécessaire de soutenir la recherche en réponse à la situation, c'est pourquoi GENCODE a examiné et amélioré l'annotation d'un ensemble de gènes codant pour des protéines associées à l'infection par le SARSCoV-2.

Les principaux participants du projet GENCODE sont restés relativement cohérents tout au long de ses différentes phases, le Wellcome Trust Sanger Institute dirigeant désormais les efforts globaux du projet.

Un résumé des principales institutions participantes à chaque phase est présenté ci-dessous :

Source :

• Paul Flicek (chercheur principal), EMBL European Bioinformatics Institute, Cambridge, Royaume-Uni
• Roderic Guigo (PI), Centre de Regulació Genòmica (CRG), Barcelone, Catalogne, Espagne
• Manolis Kellis (PI), Massachusetts Institute of Technology (MIT), Cambridge, MA, États-Unis
• Mark B. Gerstein (PI), Université Yale, New Haven, Connecticut, États-Unis
• Benedict Paten (PI), Université de Californie, Santa Cruz, Californie, États-Unis
• Michael Tress, Centre national espagnol de recherche sur le cancer (CNIO), Madrid, Espagne
• Jyoti Choudhary, Institut de recherche sur le cancer (ICR), Londres, Royaume-Uni

Depuis sa création, GENCODE a publié 36 versions des annotations de l'ensemble des gènes humains (hors mises à jour mineures).

Les principales statistiques récapitulatives de l'annotation la plus récente de l'ensemble de gènes humains GENCODE ( version 36, gel de décembre 2020 ) sont présentées ci-dessous :

Grâce aux progrès des technologies de séquençage (telles que RT-PCR-seq), à la couverture accrue des annotations manuelles (groupe HAVANA) et aux améliorations des algorithmes d'annotation automatique utilisant Ensembl, la précision et l'exhaustivité des annotations GENCODE ont été continuellement affinées au fil des itérations de ses versions.

Une comparaison des statistiques clés des trois principales versions de GENCODE jusqu'en 2014 est présentée ci-dessous. Il est évident que même si la couverture, en termes de nombre total de gènes découverts, augmente régulièrement, le nombre de gènes codant pour des protéines a en fait diminué. Cela est principalement attribué à de nouvelles preuves expérimentales obtenues à l'aide de clusters CAGE (Cap Analysis Gene Expression) , de sites PolyA annotés et de hits de peptides .

• Version 7 (gel de décembre 2010, GRCh37) - Ensembl 62
• Version 10 (gel de juillet 2011, GRCh37) - Ensembl 65
• Version 20 (gel d'avril 2014, GRCh38) - Ensembl 76

• 
  Comparaison des versions humaines de GENCODE (transcriptions)
• 
  Comparaison des versions humaines de GENCODE (gènes)
• 
  Comparaison des versions humaines de GENCODE (traductions)

Les loci putatifs peuvent être vérifiés par des expériences en laboratoire et les prédictions informatiques sont analysées manuellement. Actuellement, pour garantir qu'un ensemble d'annotations couvre l'intégralité du génome plutôt que seulement les régions qui ont été annotées manuellement, un ensemble de données fusionnées est créé à l'aide d'annotations manuelles de HAVANA, ainsi que d'annotations automatiques de l'ensemble de gènes annotés automatiquement d'Ensembl. Ce processus ajoute également des prédictions CDS complètes uniques de l'ensemble de codage des protéines Ensembl dans les gènes annotés manuellement, afin de fournir l'annotation la plus complète et la plus à jour possible du génome.

Les transcriptions Ensembl sont des produits du système d'annotation automatique de gènes Ensembl (un ensemble de pipelines d'annotation de gènes), appelé Ensembl gene build. Toutes les transcriptions Ensembl sont basées sur des preuves expérimentales et le pipeline automatisé s'appuie donc sur les ARNm et les séquences de protéines déposés dans des bases de données publiques par la communauté scientifique.

Il existe plusieurs groupes d'analyse au sein du consortium GENCODE qui gèrent des pipelines qui aident les annotateurs manuels à produire des modèles dans des régions non annotées et à identifier les éventuelles annotations manuelles manquantes ou incorrectes, notamment les loci complètement manquants, les isoformes alternatives manquantes, les sites d'épissage incorrects et les biotypes incorrects. Ces informations sont renvoyées aux annotateurs manuels à l'aide du système de suivi AnnoTrack. Certains de ces pipelines utilisent des données provenant d'autres sous-groupes ENCODE, notamment les données RNASeq, la modification des histones et les données CAGE et Ditag. Les données RNAseq sont une nouvelle source de preuves importante, mais générer des modèles génétiques complets à partir de celles-ci est un problème difficile. Dans le cadre de GENCODE, un concours a été organisé pour évaluer la qualité des prédictions produites par divers pipelines de prédiction RNAseq (voir RGASP ci-dessous). Pour confirmer les modèles incertains, GENCODE dispose également d'un pipeline de validation expérimentale utilisant le séquençage de l'ARN et RACE.

Pour GENCODE 7, les modèles de transcription se voient attribuer un niveau de support élevé ou faible en fonction d'une nouvelle méthode développée pour évaluer la qualité des transcriptions.

La version actuelle du jeu de gènes humains GENCODE (GENCODE Release 20) comprend des fichiers d'annotation (aux formats GTF et GFF3), des fichiers FASTA et des fichiers METADATA associés à l'annotation GENCODE sur toutes les régions génomiques (chromosomes/patchs/échafaudages/haplotypes de référence). Les données d'annotation sont référencées sur les chromosomes de référence et stockées dans des fichiers séparés qui incluent : l'annotation des gènes, les caractéristiques PolyA annotées par HAVANA, les pseudogènes (rétrotransposés) prédits par les pipelines Yale et UCSC, mais pas par HAVANA, les longs ARN non codants et les structures d'ARNt prédites par tRNA-Scan. Quelques exemples de lignes au format GTF sont présentés ci-dessous :

Les colonnes dans les formats de fichier GENCODE GTF sont décrites ci-dessous.

Description du format du fichier GTF GENCODE. Colonnes GTF standard séparées par des tabulations

Description des paires clé-valeur dans la 9ème colonne du fichier GTF GENCODE (format : clé « valeur »)

Le site Web GENCODE contient également un navigateur de génome pour l'homme et la souris, où vous pouvez accéder à n'importe quelle région génomique en indiquant le numéro de chromosome et la position de début et de fin (par exemple 22:30,700,000..30,900,000), ainsi que l'identifiant de transcription ENS (avec/sans version), l'identifiant du gène ENS (avec/sans version) et le nom du gène. Le navigateur est propulsé par Biodalliance.

La définition d'un « gène » n'a jamais été une question triviale, de nombreuses définitions et notions ayant été proposées au fil des années depuis la découverte du génome humain. Au début du XXe siècle, les gènes étaient conçus comme des unités distinctes de l'hérédité, puis comme le modèle de la synthèse des protéines, et plus récemment, comme un code génétique transcrit en ARN. Bien que la définition d'un gène ait beaucoup évolué au cours du siècle dernier, elle reste un sujet difficile et controversé pour de nombreux chercheurs. Avec l'avènement du projet ENCODE/GENCODE, des aspects encore plus problématiques de la définition ont été découverts, notamment l'épissage alternatif (où une série d'exons sont séparés par des introns), les transcriptions intergéniques et les schémas complexes de régulation dispersée, ainsi que la conservation non génique et l'abondance de gènes d'ARN non codants. Alors que GENCODE s'efforce de construire une encyclopédie des gènes et des variantes génétiques, ces problèmes ont représenté un défi croissant pour le projet GENCODE afin de proposer une notion actualisée de gène.

Le projet génome humain était un effort de recherche international visant à déterminer la séquence du génome humain et à identifier les gènes qu'il contient. Le projet a été coordonné par les National Institutes of Health et le ministère américain de l'Énergie. Parmi les autres contributeurs figuraient des universités des États-Unis et des partenaires internationaux du Royaume-Uni, de France, d'Allemagne, du Japon et de Chine. Le projet génome humain a officiellement débuté en 1990 et s'est achevé en 2003, soit 2 ans avant la date prévue.

Ensembl fait partie du projet GENCODE.

L'un des principaux domaines de recherche du projet GENCODE était d'étudier la signification biologique des longs ARN non codants (lncRNA). Pour mieux comprendre l'expression des lncRNA chez l'homme, un sous-projet a été créé par GENCODE pour développer des plateformes de microarray personnalisées capables de quantifier les transcriptions dans l'annotation lncRNA GENCODE. Un certain nombre de conceptions ont été créées à l'aide du système eArray d'Agilent Technologies , et ces conceptions sont disponibles dans un format Agilent personnalisé standard.

Le projet RGASP (RNA-seq Genome Annotation Assessment Project) est conçu pour évaluer l'efficacité de diverses méthodes informatiques pour l'analyse de données de séquences d'ARN de haute qualité. Les principaux objectifs du RGASP sont de fournir une évaluation impartiale de l'alignement de l'ARN-seq, des logiciels de caractérisation des transcriptions (découverte, reconstruction et quantification) et de déterminer la faisabilité des annotations automatisées du génome basées sur le séquençage du transcriptome.

Le RGASP est organisé dans un cadre de consortium calqué sur l'atelier de prédiction des gènes EGASP (ENCODE Genome Annotation Assessment Project), et deux séries d'ateliers ont été menées pour aborder différents aspects de l'analyse RNA-seq ainsi que l'évolution des technologies et des formats de séquençage. L'une des principales découvertes des séries 1 et 2 du projet a été l'importance de l'alignement des lectures sur la qualité des prédictions génétiques produites. Par conséquent, une troisième série d'ateliers RGASP est actuellement en cours (en 2014) pour se concentrer principalement sur la cartographie des lectures sur le génome.