Benzo[a]pyrène et polyarthrite rhumatoïde : une étude computationnelle intégrée

Résumé

Cette étude a utilisé une approche intégrée de toxicologie computationnelle pour étudier systématiquement le lien entre l’exposition au benzo[a]pyrène et la polyarthrite rhumatoïde. L’analyse a identifié cinq gènes cibles principaux, révélé leur enrichissement dans des voies immunitaires clés et validé la liaison stable à la protéine BaP, élucidant ainsi les mécanismes moléculaires potentiels de la polyarthrite rhumatoïde (PR) induite par des polluants environnementaux.

Résumé

Les hydrocarbures aromatiques polycycliques (HAP), polluants environnementaux omniprésents, sont considérés comme des facteurs environnementaux importants contribuant à la pathogenèse de la PR. Le benzo[a]pyrène (BaP), un composant clé des HAP, peut être associé à l’apparition de la PR ; cependant, le mécanisme toxicologique sous-jacent reste à élucider complètement. Dans cette étude, nous avons systématiquement comblé cette lacune de connaissances en utilisant une approche intégrée combinant toxicologie des réseaux, apprentissage automatique et amarrage moléculaire. Initialement, une analyse toxicologique en réseau a été réalisée basée sur la structure moléculaire de BaP. En intégrant et en filtrant les informations ciblées issues de plusieurs bases de données, 15 gènes cibles potentiels liés à la PR de BaP ont finalement été identifiés, et leur réseau d’interaction a été construit. Les analyses d’enrichissement GO et KEGG ont révélé que ces gènes étaient significativement enrichis dans des processus biologiques tels que la migration des leucocytes et la transduction du signal des cellules immunitaires, et étaient associés aux voies de signalisation des récepteurs NF-κB et T, entre autres. Des analyses topologiques ultérieures utilisant la base de données STRING et le logiciel Cytoscape ont sélectionné cinq gènes principaux (LCK, ZAP70, ITK, GZMA et ITGAL), dont l’importance a été renforcée par l’apprentissage automatique. Les résultats du docking moléculaire et de la simulation de la dynamique moléculaire ont indiqué que BaP présente une forte affinité de liaison pour les produits protéiques de ces gènes cibles, entraînant la formation de complexes conformationnellement stables. En résumé, cette étude utilise une approche computationnelle intégrée pour élucider les mécanismes potentiels par lesquels le BaP peut contribuer au développement de la PR, offrant ainsi une base théorique pour de futures recherches sur la prévention et le traitement de la PR associée aux polluants environnementaux.

Introduction

La PR est une maladie auto-immune courante caractérisée par une synovite chronique et la formation du pannus, qui entraînent la destruction progressive du cartilage et de l’érosion osseuse. Ces changements pathologiques entraînent des dysfonctionnements articulaires, un risque accru de fractures pathologiques et, en fin de compte, un handicap, altissant gravement la qualité de vie des personnes^{concernées 1}. Bien que l’étiologie de la PR ne soit pas entièrement comprise, sa pathogenèse est généralement attribuable aux effets combinés de facteurs génétiques (par exemple, sous-types de gènes HLA-DR4 et HLA-DR1) et environnementaux (par exemple, tabagisme, consommation d’alcool, infection par le virus Epstein-Barr, exposition à la pollution de l’air⁾². Des études épidémiologiques ont établi une association significative entre les HAP dus à la pollution de l’air et un risque accru d’apparition de la PR³.

Les HAP sont des polluants atmosphériques courants issus de la combustion incomplète de substances telles que le charbon, le pétrole, le gaz naturel et le tabac, et sont considérés comme des médiateurs environnementaux importants de la pathogenèse de la PR. Ils peuvent se lier au complexe récepteur des hydrocarbures aryliques (RAH) dans les cellules immunitaires, ce qui conduit à l’exposition des signaux de localisation nucléaire et à la translocation conséquente du complexe ligand–RHA dans le noyau. Dans le contexte de la pathogenèse de la PR, la RHA liée à l’HAP agit comme un capteur environnemental central qui provoque la dysrégulation immunitaire via des voies interconnectées. À l’activation, l’AHR forme des hétérodimères avec ARNT et module l’expression du gène CYP, initiant une cascade^{inflammatoire 4}. Cette activation de l’AHR perturbe simultanément l’équilibre entre les lymphocytes T pro-inflammatoires et régulateurs : d’une part, elle déclenche l’axe de signalisation AHR/Jag1/Notch, renforçant ainsi la libération⁵ des cytokines des cellules Th17. En revanche, l’AHR se lie directement au promoteur GOT1 pour augmenter l’expression de GOT1, ce qui induit l’hyperméthylation du locus FOXP3 et suprime la différenciation^{Treg 6}. Le déséquilibre Th17/Treg qui en résulte favorise un environnement pro-inflammatoire. De plus, l’activation de l’AHR amplifie encore les réponses de type Th2 en augmentant l’expression de CCR8 et des cytokines telles que IL-4 et IL-13, qui perpétuent collectivement l’inflammation synoviale et les lésions^{tissulaires 7}. Ainsi, l’activation de la RHA sert de centre qui relie l’exposition environnementale à la PAH à la dysrégulation Th17/Treg/Th2, établissant un pont mécaniste entre le génotype, les facteurs environnementaux et la pathologie de la PR.

Dans l’atmosphère, les HAP existent sous forme de mélanges complexes, le BaP servant de constituant clé. Chez les macrophages humains, BaP peut induire la production de CXCL8 (IL-8) en favorisant la liaison de l’AHR au promoteur CXCL8, induisant ainsi l’expression des facteurs chimiotactiques^{neutrophiles 8}. De plus, le BaP peut augmenter l’expression du Slug dans les synoviocytes de type fibroblaste (FLS) chez les patients atteints de PR de manière dépendant de la dose, ce qui aggrave la progression de^{l’arthrite 9}. Chez les souris de type sauvage, BaP favorise l’activation de l’ostéoclast (OC) médiée par le facteur Activateur du Récepteur Facteur Nucléaire kappaB Ligand (RANKL) en induisant l’activité enzymatique CYP1A1, conduisant finalement à une perte^{osseuse 10}. Cependant, le mécanisme précis sous-jacent au rôle de la toxicité par la BaP dans la pathogenèse de la PR reste incertain. Nous émettons l’hypothèse que le BaP favorise la pathogenèse de la PR en interagissant directement avec les principales protéines cibles liées au système immunitaire et en perturbant de multiples voies de signalisation impliquées dans l’activation des cellules T, l’équilibre Th17/Treg et la production de cytokines inflammatoires, reliant ainsi l’exposition environnementale à BaP à l’inflammation synoviale et à la destruction des articulations. La toxicologie des réseaux est plus adaptée que les méthodes expérimentales traditionnelles à voie unique pour cette étude, car le BaP agit probablement sur plusieurs cibles immunitaires et voies qui s’entrecroisent. Comparée aux approches expérimentales conventionnelles qui examinent généralement une voie ou plusieurs cibles à la fois, la toxicologie des réseaux permet une vision globale des interactions multi-cibles et des effets systémiques, bien que ses prédictions dépendent de la base de données et nécessitent une validation expérimentale.

Les recherches existantes sur le rôle de la BaP dans l’AR se limitent principalement à des voies uniques ou à des descriptions mécanistiques linéaires, manquant d’analyse intégrée des caractéristiques régulatrices multi-cibles et multi-niveaux. Les recherches existantes sur le rôle de la BaP dans l’AR se limitent principalement à des voies uniques ou à des descriptions mécanistiques linéaires, manquant d’analyse intégrée des caractéristiques régulatrices multi-cibles et multi-niveaux. Par conséquent, des approches holistiques telles que la toxicologie des réseaux sont nécessaires pour démêler le lien complexe entre l’exposition à la bactérie à la polyarthrite^rhumatoïde 11,12,13. Néanmoins, il existe une rareté d’études toxicologiques en réseau concernant les maladies induites par les polluants environnementaux. La nouveauté de cette étude réside dans l’intégration de la toxicologie des réseaux, de l’apprentissage automatique et du docking moléculaire pour étudier systématiquement la pathogenèse de la PR médiée par BaP, plutôt que de se concentrer sur une seule voie ou des cibles isolées. Il identifie les gènes clés du hub grâce à une analyse topologique combinée à l’apprentissage automatique et, pour la première fois, fournit une validation au niveau moléculaire des modes de liaison et de la stabilité thermodynamique entre BaP et les produits de chaque gène central. En identifiant systématiquement les mécanismes moléculaires potentiels par lesquels le BaP peut favoriser la survenue et le développement de la PR, cette étude computationnelle vise à fournir une base théorique pour comprendre les déclencheurs environnementaux de l’AR et pour développer des stratégies thérapeutiques ciblées. Comparée aux analyses traditionnelles à voie unique, cette approche intégrée permet une évaluation systématique des interactions multi-cibles, offrant une applicabilité plus large à l’étude des mécanismes complexes des maladies environnementales. Il convient toutefois de noter que notre méthode privilégie les gènes centraux à haute confiance par l’intersection et l’analyse topologique, ce qui peut involontairement exclure des gènes candidats biologiquement pertinents qui ne répondent pas simultanément aux seuils de sélection. De futures études pourraient explorer des stratégies complémentaires, telles que l’application de l’apprentissage automatique à l’ensemble de cibles prédites, l’intégration d’autres données omiques, ou la validation expérimentale ciblée, afin de confirmer et d’approfondir nos résultats.

Protocole

Déclaration d’éthique
Cette étude n’a pas impliqué directement de participants humains ni de sujets animaux.

Acquisition de cibles BaP
BaP se caractérisait par l’intégration de données provenant de plusieurs bases de données. La base de données PubChem (https://pubchem.ncbi.nlm.nih.gov/) a été interrogée en utilisant le mot-clé « Benzo[a]pyrène » pour obtenir sa structure chimique et sa structure 2D canonique (chaîne SMILES : C1=CC=C2C3=C4C(=CC2=C1)C=CC5=C4C(=CC=C5)C=C3)¹⁴. Les cibles potentielles de BaP ont été récupérées dans les bases de données ChEMBL (https://www.ebi.ac.uk/chembl/), SEA (https://sea.bkslab.org/) et PharmMapper (http://lilab-ecust.cn/pharmmapper)^{15, 16, 17}. Toutes les cibles prédites étaient limitées au protéome d’Homo sapiens. La liste complète des cibles BaP prédites (n = 474) est fournie dans le tableau supplémentaire S1. Le flux de travail analytique complet est représenté de manière schématique dans la Figure 1.

Figure 1. Organigramme de l’analyse des ensembles de données dans cet article, illustrant le flux de travail global incluant l’acquisition de données, le prétraitement, l’analyse d’expression différentielle, la construction de réseaux et les étapes de validation. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Acquisition de cibles liées à la RA
Dans cette étude, cinq ensembles de données sur la PR ont été acquis à partir de la base de données NCBI Gene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/gds/) en utilisant les mots-clés « Rheumatoid arthritis » et « Homo sapiens ^»18. Sur la base de la taille du jeu de données et du plan expérimental, GSE77298 (RA : 16 échantillons ; Témoins : 7 échantillons), GSE1919 (AR : 5 échantillons ; témoins : 5 échantillons), et GSE55235 (AR : 10 échantillons ; Témoin : 10 échantillons) formaient l’ensemble d’entraînement pour identifier les gènes exprimés différiellement (DEG), tandis que GSE12021 (AR : 24 échantillons ; témoins : 13 échantillons) et GSE55457 (AR : 13 échantillons ; Témoin : 10 échantillons) servaient de jeu de validation. Plus de détails sur ces ensembles de données, tels que les plateformes, les échantillons et les séries GSE, se trouvent dans le Tableau 1.

Les données ont été standardisées à l’aide de l’outil en ligne GEO2R, générant des matrices d’expression transformées en log2 pour des analyses ultérieures. Pour éliminer les interférences provenant de différents lots expérimentaux, les biais systématiques entre ensembles de données ont été corrigés à l’aide de la fonction ComBat du package SVA basée sur un cadre empirique paramétrique de Bayes. L’analyse des composantes principales (ACP) a ensuite été utilisée pour vérifier l’effet de correction, montrant une amélioration significative du regroupement entre les échantillons par lots, confirmant ainsi la suppression effective des effets par lots. La matrice de données fusionnée et corrigée a été utilisée pour l’analyse différentielle ultérieure.

Série GSE	Échantillons	Quai	Groupe
GSE77298	16 RA et 7 commandes	GPL570	Cohorte de formation
GSE1919	5 RA et 5 commandes	GPL91	Cohorte de formation
GSE55235	10 RA et 10 commandes	GPL96	Cohorte de formation
GSE12021	24 RA et 13 commandes	GPL96	Cohorte de validation
GSE55457	13 RA et 10 commandes	GPL9	Cohorte de validation

Tableau 1 : Résumé des cinq ensembles de données GEO utilisés dans cette étude.
Le tableau fournit le numéro d’accession GEO (série GSE), la composition de l’échantillon (nombre de patients atteints de polyarthrite rhumatoïde et de témoins sains), l’identifiant de plateforme (GPL) pour chaque jeu de données et l’affectation soit à la cohorte de formation, soit à la cohorte de validation.

Analyse pondérée du réseau de co-expression génique (WGCNA)
WGCNA a été utilisé pour évaluer les caractéristiques du réseau de co-expression des DEG associés à^{l’AR 19}. Sur la base de la matrice d’expression corrigée par effet de batch, le prétraitement des données a d’abord été effectué : les gènes à faible variance avec un écart-type inférieur à 0,5 ont été retirés, tandis que la qualité des échantillons et des gènes a été évaluée à l’aide d’une fonction d’évaluation de bons échantillons et gènes. Par la suite, un regroupement hiérarchique a été appliqué pour identifier et supprimer les échantillons d’outliers. Pour construire un réseau de co-expressions pondéré, une fonction d’évaluation systématique des valeurs de puissance à seuil doux a été utilisée pour évaluer systématiquement les valeurs de puissance à seuil souple allant de 1 à 20. Puissance = 12 a été choisie comme seuil doux optimal (topologie sans échelle indice d’ajustement R2 = 0,90), garantissant que la topologie du réseau respecte un critère sans échelle. Sur la base de cette valeur de puissance, une matrice d’adjacence a été construite, et la matrice de chevauchement topologique (TOM) a été calculée. Les gènes étaient regroupés hiérarchiquement, et un algorithme dynamique de découpe d’arbre était utilisé pour identifier les modules géniques initiaux. Par la suite, des modules similaires ont été fusionnés par le regroupement des propres modules eux, aboutissant à un réseau robuste de modules géniques. Toutes les analyses étaient réalisées avec un package R dédié pour l’analyse pondérée des réseaux de co-expressions afin d’assurer la fiabilité et la reproductibilité de la construction du réseau. Une analyse de l’intersection entre les gènes centrals DEG/WGCNA et les cibles BaP prédites a été réalisée afin d’identifier les cibles principales de BaP associées à la pathogenèse de la PR, qui ont été visualisées à l’aide d’un logiciel de diagramme de Venn.

Identification des cibles associées à BaP associées à la pathogenèse de la PR
L’analyse d’intersection a été réalisée à l’aide d’un package R pour les diagrammes de Venn afin d’identifier les cibles de BaP qui chevauchent la pathogenèse de l’AR. Ces éléments ont été importés dans la base de données STRING pour construire un réseau d’interaction protéine-protéine (IPP), avec l’espèce réglée sur « Homo sapiens » et le score de confiance en interaction fixé à > 0,7 pour garantir une fiabilité réseau^{élevée de 20}. Ce seuil a été choisi car il correspond à un niveau de « confiance élevé » dans la base de données STRING, qui équilibre la rétention des interactions biologiquement pertinentes tout en minimisant les faux positifs généralement associés à des scores de confiance plus faibles. Un seuil de > 0,7 a été largement adopté dans les études de toxicologie en réseau pour privilégier les associations protéiques robustes et reproductibles. Le fichier TSV résultant a été téléchargé depuis la base de données d’interaction protéine-protéine (STRING) et importé dans un logiciel de visualisation réseau (Cytoscape) pour la visualisation réseau. Les protéines centrales du réseau ont été identifiées à partir des résultats de classement générés par l’algorithme Degree dans le plugin CytoHubba et ont été utilisées pour des analyses ultérieures.

Analyse d’enrichissement KEGG et GO
Les abréviations des gènes associés à la modulation de BaP et à la pathogenèse de la PR ont été converties en identifiants Entrez à l’aide de l'« org ». Hs.eg.db » en version R. Par la suite, l’analyse d’enrichissement des voies KEGG a été réalisée à l’aide de l’outil clusterProfiler, avec un seuil de signification fixé à 0,05. Par contre, l’annotation fonctionnelle GO couvrait les trois grandes catégories GO : Processus biologique (BP), Composante cellulaire (CC) et Fonction moléculaire (MF), et était réalisée à l’aide de la fonction enrichitGO, avec des seuils de valeurs P et de valeurs q fixées à 0,05. Il convient de noter qu’aucune correction par tests multiples n’a été appliquée, car l’objectif principal de cette analyse exploratoire était de maximiser la découverte de voies biologiques potentiellement pertinentes et de termes fonctionnels, générant ainsi un ensemble plus large d’hypothèses testables pour une validation expérimentale future. Enfin, les résultats de l’analyse d’enrichissement ont été affichés graphiquement à l’aide des fonctions de barres et de dotplot du package enrichplot.

Validation des gènes de base basée sur l’apprentissage automatique
Pour évaluer la capacité prédictive des gènes de base associés à BaP et AR, et pour maintenir la transparence des modèles, nous avons mis en place un flux de travail systématique basé sur l’apprentissage automatique. En utilisant les profils d’expression des gènes centraux sélectionnés, des modèles prédictifs ont été construits avec 11 algorithmes d’apprentissage automatique distincts : régression lasso (LR), Support Vector Machine (SVM), forêt aléatoire (RF), glmBoost, modèle linéaire généralisé par étapes (GLM), régression de crête, filet élastique (Enet), machine à amplification de gradient (GBM), analyse discriminante linéaire (LDA), eXtreme Gradient Boosting (XGBoost) et Naïve Bayes. Les hyperparamètres ont été optimisés par validation croisée en cinq parties, avec un échantillonnage stratifié utilisé pour diviser les données en ensembles d’entraînement et de validation internes. Une graine aléatoire fixe (set.seed(123)) était utilisée tout au long du flux de travail de l’apprentissage automatique pour garantir la reproductibilité de la division des données, des folds croisés et de l’entraînement des modèles. Les hyperparamètres clés pour chaque algorithme sont fournis dans le tableau supplémentaire S2. La performance du modèle a été évaluée à l’aide de plusieurs métriques, notamment l’aire sous la courbe (AUC), la précision et le score F1. Pour remédier aux limites inhérentes aux approches à modèle unique, nous avons appliqué une stratégie d’ensemble empilé intégrant les prédictions des modèles de base les plus performants. Reconnaissant la nature « boîte noire » de nombreux modèles d’apprentissage automatique, nous avons utilisé l’algorithme SHapley Additive ExPlanations (SHAP) pour quantifier la contribution de chaque gène aux prédictions. L’ampleur et la direction des valeurs SHAP ont été utilisées pour interpréter l’importance des gènes dans les décisions de classification, améliorant ainsi l’interprétabilité des résultats du modèle.

Amarrage moléculaire de BaP avec des cibles centrales
Pour étudier les caractéristiques de liaison entre BaP et les produits géniques principaux, des simulations d’amarrage moléculaire ont été réalisées. La structure tridimensionnelle de BaP (ligand) a été obtenue au format SDF à partir de la base de données PubChem. Les structures protéiques correspondant aux cibles principales ont été extraites de la base de données protéiques RCSB (https://www.rcsb.org/) au format PDB, sélectionnées selon leurs identifiants UniProt, avec une préférence pour les structures contenant des ligands co-cristallisés ou des coordonnées à haute résolution. Avant l’amarrage, la préparation des protéines était réalisée à l’aide de PyMol, durant laquelle les molécules d’eau, les ligands co-cristallisés et les composants non protéiques tels que les ions étaient retirés pour éviter toute interférence²¹. Pour les protéines dont les ligands co-cristallisés sont dans leurs structures PDB d’origine, le centre du site actif a été défini à l’aide des coordonnées atomiques du ligand lié. Pour les protéines sans ligands co-cristallisés, le centre du site actif a été déterminé sur la base des coordonnées des résidus clés rapportés dans la littérature comme critiques pour l’activité catalytique ou la liaison aux inhibiteurs. La grille d’amarrage était centrée sur les coordonnées définies du site actif, avec une boîte cubique de dimensions 25 × 25 × 25 Å appliquée à chaque cible. Cette taille standard de boîte de 25 Å assure une couverture complète de chaque site actif avec une marge suffisante pour l’échantillonnage des ligands tout en évitant un coût computationnel excessif. Tous les calculs d’amarrage étaient effectués avec AutoDock Vina (version 1.2.5). La conformation présentant le score de Vina le plus favorable a été choisie comme mode de liaison représentatif, et l’énergie de liaison correspondante a été enregistrée. Des poses de liaison tridimensionnelles ont été générées avec PyMol (version 2.5.7), et des diagrammes d’interaction bidimensionnels ont été produits avec Discovery Studio (version 2021) pour visualiser les interactions clés, y compris les liaisons hydrogène et les contacts hydrophobes.

Simulation de dynamique moléculaire
Des simulations de dynamique moléculaire ont été réalisées avec Gromacs 2025.3, en utilisant les complexes dérivés de l’amarrage comme structures de départ. Les atomes de protéines ont été modélisés avec le champ de force AMBER14SB, et les molécules d’eau ont été représentées à l’aide du modèle TIP3P. Chaque complexe protéine-ligand a été solvé dans une boîte d’eau cubique, avec une distance minimale de 1 nm entre la surface protéique et la frontière de la boîte. Des ions sodium ou chlorure étaient ajoutés selon les besoins pour obtenir l’électroneutralité du système. Une minimisation d’énergie initiale a été réalisée à l’aide d’une combinaison d’algorithmes de descente la plus raide et d’algorithmes de gradient conjugué, chacun pouvant parcourir jusqu’à 10 000 pas. Les interactions électrostatiques à longue portée étaient calculées via la méthode Particle-Mesh Ewald (PME), tandis qu’une distance de coupure de 1,0 nm était appliquée à la fois aux interactions de van der Waals et à courte portée. Après minimisation d’énergie, les systèmes ont été progressivement équilibrés sous des conditions NVT (volume et température constants) et NPT (pression et température constantes). Des séries de production de 100 ns ont ensuite été réalisées sous température et pression constantes, avec un écart de 0,002 ps (2 fs) et un total de 50 000 000 d’étapes. Chaque simulation a été effectuée une fois (sans réplication), l’objectif principal étant d’évaluer la stabilité des complexes de liaison dans des conditions standard. La température était maintenue à l’aide du thermostat V-rescale, et la pression contrôlée avec le barostat Parrinello–Rahman. Tout au long de la simulation, un seuil de 1,0 nm a été appliqué de manière constante pour les interactions non liées. Pour évaluer la stabilité et la flexibilité structurelles, nous avons calculé l’écart quadratique moyen (RMSD) des positions atomiques, la fluctuation quadratique moyenne (RMSF) par résidu, le rayon de gyration (Rg) comme mesure de la compacité structurelle, et la surface accessible au solvant (SASA). Tous les graphiques ont été générés avec QtGrace.

Résultats

Acquisition de cibles BaP
Les données concernant la structure moléculaire de BaP ont été obtenues à partir de la base de données PubChem (Figure 2A). Les cibles biologiques potentielles de BaP ont été systématiquement prédites en intégrant des informations provenant de trois bases de données complémentaires — ChEMBL, PharmMapper et SEA — permettant l’identification de 474 cibles potentielles (Figure 2B).

...

Discussion

La PR est une maladie auto-immune complexe résultant de l’interaction entre la susceptibilité génétique et les facteurs environnementaux. Parmi de nombreux facteurs de risque environnementaux, les HAP, l’un des polluants atmosphériques les plus courants, sont considérés comme un lien important reliant l’exposition environnementale à l’apparition de la PR. Des études antérieures ont révélé de manière préliminaire que les HAP peuvent influencer l’équilibre de la différenciation des cellule...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
AutoDock Vina	https://vina.scripps.edu	1.2.5 (SCR_011958)	Logiciel d’amarrage moléculaire
clusterProfiler (paquet R)	https://bioconductor.org/packages/clusterProfiler	4.10.0 (SCR_016884)	Package R pour l’analyse d’enrichissement
CytoHubba (plugin Cytoscape)	https://apps.cytoscape.org/apps/cytohubba	0.1	Plugin pour l’identification des gènes hub (algorithme de degré)
Cytoscape	https://cytoscape.org	3.10.1 (SCR_003032)	Logiciel de visualisation de réseau
Studio de découverte	Dassault Systè ; mes BIOVIA	2021	Logiciels pour la génération de diagrammes d’interaction 2D
enrichplot (paquet R)	https://bioconductor.org/packages/enrichplot	1.22.0 (SCR_021165)	Package R pour la visualisation des résultats d’enrichissement
GROMACS	https://www.gromacs.org	2025.3 (SCR_014565)	Logiciels de simulation de dynamique moléculaire
limma (paquet R)	https://bioconductor.org/packages/limma	3.58.1 (SCR_010943)	Package R pour l’analyse d’expression différentielle
org. Hs.eg.db (colis R)	https://sourceforge.net/projects/grace/	0.2.6	Outil de tracé pour l’analyse de trajectoire
R (environnement de programmation)	https://www.r-project.org	4.3.1 (SCR_001905)	Logiciels de calcul statistique
Base de données STRING	https://string-db.org	12 (SCR_005223)	Base de données d’interactions protéine-protéine
venn (paquet R)	https://cran.r-project.org/package=venn	1.11	R package pour la génération de diagrammes de Venn
WGCNA (forfait R)	https://cran.r-project.org/package=WGCNA	1,72 (SCR_003302)	Package dédié R pour l’analyse pondérée des réseaux de co-expressions