Abstract :
[en] Cells use translation regulation to adapt rapidly and efficiently to changing environmental conditions, such as nutrient availability or the presence of toxins. Cancer cells exploit every level of this regulation, from translation initiation and elongation to RNA metabolism, to adjust protein synthesis rapidly and support proliferation, survival, metastasis, immune evasion, and therapy resistance.
Recent advances have revealed that translational control is not merely a passive downstream consequence of oncogenic signalling, but an active driver of tumour evolution. Alterations in mRNA sequence features, tRNA abundance and modifications, ribosome composition, and translation-associated signalling pathways such as the integrated stress response collectively shape selective translation programmes that promote cancer cell fitness under hostile conditions, including hypoxia, nutrient deprivation, and treatment-induced stress.
As research focus has shifted from genomic to transcriptomic and, more recently, to translatomic and multi-omic datasets, the volume and complexity of available data have grown accordingly. Translation regulation is a highly complex, multidimensional process involving a large variety of molecular players. Interpreting this data therefore requires the development of dedicated \emph{in silico} approaches capable of integrating multi-level features with functional translational outputs.
This thesis presents two such approaches. The first is a suite of bioinformatic tools designed to (a) decipher the codon and amino acid contexts associated with the translation regulation of specific transcripts, and (b) interrogate patient databases to link translation regulation to patient survival, phenotype, genotype, and other clinical parameters. The second is a machine learning-based approach built to analyse translatomics data and identify the sequence determinants underlying selective translation programmes.
These tools have significantly advanced our understanding of translation reprogramming in cancer, establishing strong links between translation regulation and treatment resistance, ferroptosis, tumour metabolism, and metastasis. We further show that a reliable prediction model of translation reprogramming can be built from relatively simple sequence information. Importantly, we uncovered a recurrent signature of translation remodelling within the sequences of regulated transcripts, whereby the translation of highly optimised transcripts with high UTR GC content is downregulated in favour of non-optimised transcripts with lower UTR GC content in response to major stress.
%Together, these results strengthen translation regulation as an actionable target in cancer and open the door to new treatment opportunities for cancers that have so far proven resistant to therapy. Additionally, our machine learning model provides a scaffold for building more specialised approaches that will advance our understanding of cancer biology, and demonstrates that shallow learning models still have a place in research.
Together, these findings provide a framework for studying translation regulation with increased resolution and demonstrate how computational approaches can uncover its functional consequences in cancer. By revealing translation as a critical determinant of tumour behaviour and therapeutic response, this work identifies translation regulation as a promising source of novel therapeutic opportunities. In parallel, our machine learning framework establishes a robust foundation for future predictive models and illustrates the continued relevance of interpretable shallow learning methods in biomedical research.
[fr] Les cellules utilisent la régulation de la traduction pour s'adapter rapidement et efficacement aux changements environnementaux, telles que la disponibilité des nutriments et la présence de toxines. Les cellules cancéreuses exploitent chaque niveau de cette régulation, depuis l'initiation et l'élongation de la traduction jusqu'au métabolisme des ARN, dans le but d'ajuster la synthèse des protéines et de soutenir, entre autres, la survie, la métastase, et la résistance aux molécules thérapeutiques.
Des avancées récentes dans le domaine ont révélé que le contrôle de la traduction n'est pas qu'une conséquence passive de la signalisation oncogénique, mais bien un moteur actif de l'évolution des tumeurs. Des altérations dans la séquence des ARN messagers, l'abondance et les modifications des ARN de transfert, la composition des ribosomes, et des voies de signalisation associées à la traduction telles que la réponse intégrée au stress (ISR) façonnent collectivement les programmes de traduction qui favorisent la santé des cellules cancéreuses face aux conditions hostiles telles que la privation en nutriments et le stress induit par les traitements.
L'intérêt de la recherche s'est progressivement déplacé de la génomique à la transcriptomique et, plus récemment, aux données translatomiques et multi-omiques. En accord avec cette évolution, le volume et la complexité des données disponibles ont augmenté. La régulation de la traduction est un phénomène multi-dimensionnel qui implique une grande variété d'acteurs moléculaires. L'interprétation de ces données nécessite donc le développement d'approches \emph{in silico} dédiées et capables d'intégrer des variables à plusieurs niveaux avec des résultats traductionnels fonctionnels.
Cette thèse présente deux approches de ce type. La première est une suite d'outils bioinformatiques conçus pour (a) déchiffrer le contexte des codons et acides aminés associés à la régulation de la traduction de transcrits spécifiques et (b) interroger les bases de données de patients et lier cette régulation à la survie, au phénotype, au génotype, et à d'autres paramètres cliniques. La seconde est une approche basée sur l'apprentissage machine, conçue pour l'analyse de données translatomiques et l'identification des déterminants de séquence sous-jacents aux programmes de traduction sélective.
Ces outils ont permis d'avancer notre compréhension de la reprogrammation de la traduction par le cancer en reliant la régulation traductionnelle à la résistance au traitement, à la ferroptose, au métabolisme tumoral et aux métastases. Nous démontrons en outre qu'il est possible de créer un modèle fiable de prédiction de la reprogrammation de la traduction en utilisant des informations de séquence relativement simples. Enfin, nous avons découvert une signature récurrente de remodelage de la traduction par laquelle la traduction de transcrits hautement optimisés, avec un haut contenu en GC dans leurs UTR, est réprimée au profit de transcrits moins optimisés, en réponse à un stress majeur.
Ensemble, ces résultats renforcent l'idée que la régulation de la traduction est une cible exploitable dans le traitement du cancer, et ouvrent la voie à de nouvelles possibilités de traitement pour des cancers qui se sont, jusqu'à présent, révélés résistants à la thérapie. De plus, notre modèle d'apprentissage machine fournit un cadre permettant de construire des approches plus spécialisées, qui permettront de faire progresser notre compréhension de la biologie du cancer, et démontre que les modèles d'apprentissage dit superficiel ont encore leur place dans la recherche.