Fermer Le Menu
    Le blog d'une maman

    ADN à 6 lettres : la paire de bases passe-t-elle le test?

    CamPar Mise à jour:Aucun commentaire15 Minutes de Lecture
    Vibrant closeup of a colorful molecular model illustrating abstract scientific concepts.
    Photo de Steve A Johnson sur Pexels.

    L’ADN naturel fonctionne avec quatre lettres, A, T, C et G. Des équipes testent une troisième paire de bases pour porter cet alphabet à six lettres, avec une question précise : peut-on stocker et recopier davantage d’informations sans perdre la fidélité du système?

    Le mot « alphabet » change ensuite de domaine. En génomique statistique, il désigne une famille de modèles comme BayesA, BayesB ou le BLUP. Rien à voir avec l’ajout de deux molécules dans l’ADN : même vocabulaire, problèmes différents. Le jargon a parfois la délicatesse d’une notice de lave-vaisselle.

    A, T, C et G font de la place

    Dans l’ADN naturel, les quatre nucléotides s’organisent en deux paires de bases : A avec T, et C avec G. Les travaux sur l’alphabet génétique cherchent à ajouter un cinquième et un sixième nucléotide capables de former une paire de bases non naturelle, ou UBP pour unnatural base pair.

    La difficulté ne consiste pas uniquement à fabriquer deux molécules qui s’associent. La paire doit être reconnue par une ADN polymérase, insérée face à son partenaire, puis recopiée lorsque le brin s’allonge. Les chercheurs évaluent donc la stabilité du double brin, la vitesse d’insertion, la fidélité de la copie et la capacité à poursuivre l’extension.

    Dans Expansion of the Genetic Alphabet: A Chemist’s Approach to Synthetic Biologypublié le 20 février 2018 dans Accounts of Chemical Researchles auteurs décrivent près de vingt ans de recherche. Les bases étudiées sont principalement hydrophobes. Leur association repose sur des interactions hydrophobes et d’empilement, au lieu de reproduire exactement les liaisons hydrogène des paires naturelles.

    La paire dTPT3-dNaM passe le contrôle technique

    A molecular model with black, white, blue, orange, and yellow spheres on a black surface
    Photo de Terry Vlisidis sur Unsplash.

    Une étude publiée le 15 septembre 2014 dans Nucleic Acids Research a utilisé un crible fondé sur la PCR pour comparer environ 3 600 paires de bases non naturelles. Le séquençage après plusieurs cycles de copie permettait de mesurer quelles paires étaient conservées avec une fidélité suffisante.

    La paire dTPT3-dNaM apparaît comme la candidate la plus prometteuse de ce crible. Plusieurs autres paires sont presque aussi bien recopiées et obtiennent de meilleurs résultats que d5SICS-dNaM, une paire déjà étudiée. Les résultats indiquent aussi qu’un accepteur de liaison hydrogène longtemps considéré comme nécessaire n’est pas indispensable dans toutes les configurations.

    L’article de 2018 revient sur l’examen de centaines de nucléotides et de milliers de paires candidates. Cette progression a conduit à une famille de paires reconnues par des ADN polymérases et utilisées pour créer des organismes semi-synthétiques capables de stocker et de récupérer davantage d’informations génétiques. Le statut de candidate reste toutefois lié au système et aux conditions de l’expérience.

    Une nouvelle lettre n’est utile que si la machinerie sait la recopier avec assez de fidélité.

    Le copié-collé, version polymérase

    Pour suivre une paire non naturelle, il faut regarder toute la séquence de copie. Elle doit d’abord trouver sa place dans le double brin. L’ADN polymérase sélectionne ensuite le bon nucléotide triphosphate, l’insère en face du partenaire, puis ajoute les nucléotides suivants. Les essais mesurent la vitesse de ces étapes et les erreurs de mésappariement avec les bases naturelles.

    La stabilité d’un double brin ne suffit pas à prévoir le comportement de la polymérase. L’article de 2018 décrit une progression des méthodes, depuis les analyses cinétiques in vitro jusqu’aux tests pré-état stationnaire, aux essais par PCR et aux évaluations dans des systèmes vivants. Une structure stable peut donc échouer au moment de la copie. La chaussette passe dans la machine, mais le programme reste bloqué.

    BLUP : l’alphabet qui ne se lit pas dans l’ADN

    Le terme « alphabet » revient dans la prédiction génomique, mais aucune base chimique supplémentaire n’est ajoutée. Les chercheurs modifient la manière de calculer les liens génétiques entre individus à partir de marqueurs, souvent des SNP. Le gBLUP, pour genomic best linear unbiased predictionutilise une matrice de parenté construite avec ces marqueurs afin d’estimer une valeur génétique.

    Dans Expanding the BLUP alphabet for genomic prediction adaptable to the genetic architectures of complex traitspublié en décembre 2018 dans Heredityles chercheurs proposent deux variantes. Le sBLUP utilise l’algorithme SUPER pour remplacer les marqueurs disponibles par des nucléotides quantitatifs estimés, les QTNs, dans le calcul de la parenté. Le cBLUP regroupe les individus selon leur parenté et utilise ces groupes comme effets aléatoires.

    Les analyses, menées sur des données simulées et des jeux de données issus d’expériences, montrent que les performances varient selon l’architecture génétique du caractère. Pour des caractères contrôlés par un petit nombre de gènes, le sBLUP obtient de meilleurs résultats que le Bayesian LASSO. Pour des caractères à faible héritabilité, le cBLUP dépasse le gBLUP et le Bayesian LASSO. Ces comparaisons ne désignent donc pas un modèle gagnant dans toutes les situations.

    BayesA, BayesB : les lettres font la queue

    Le « Bayesian alphabet » rassemble plusieurs modèles de régression. BayesA, BayesB, BayesC et le Bayesian LASSO n’attribuent pas le même poids aux marqueurs génétiques. Ils diffèrent notamment par les distributions a priori utilisées pour représenter leurs effets. Ici, « alphabet » signifie une collection d’options statistiques, pas un code nouveau inscrit dans les chromosomes.

    Le réseau neuronal veut aussi sa place dans le cahier

    A medical professional working on a computer in a laboratory setting, focusing on data analysis.
    Photo de Tima Miroshnichenko sur Pexels.

    Une étude publiée dans G3 en octobre 2021 présente NN-Bayes. La méthode associe les modèles de l’alphabet bayésien à un réseau neuronal : les SNP sont reliés à des noeuds cachés par des relations issues de modèles bayésiens, puis ces noeuds sont reliés de manière non linéaire au caractère mesuré.

    Cette organisation permet de représenter des relations non linéaires, comme la dominance ou l’épistasie, tout en conservant des outils d’interprétation. Les chercheurs estiment les effets des marqueurs avec des méthodes de Monte-Carlo par chaînes de Markov, puis utilisent notamment la probabilité d’inclusion postérieure pour étudier les associations.

    Dans les simulations intégrant la dominance et l’épistasie, NN-Bayes obtient de meilleures performances que les modèles linéaires classiques pour la prédiction génomique et les études d’association. Dans le jeu de données sur le soja, sa précision est également supérieure. Pour quatre autres espèces, elle est comparable à celle des modèles linéaires, ce que les auteurs présentent comme pouvant s’expliquer par la petite taille des échantillons. Un réseau neuronal ne fabrique pas les données qui manquent.

    Pas la même copie, pas le même alphabet

    Expression Ce qu’elle désigne Question posée
    Alphabet génétique Des bases naturelles et des paires non naturelles Peut-on stocker et recopier davantage d’informations dans l’ADN?
    Alphabet bayésien Une famille de modèles statistiques Comment attribuer des effets aux marqueurs génétiques?
    Alphabet BLUP Des variantes de calcul de la parenté génomique Comment adapter la prédiction à l’architecture d’un caractère?
    NN-Bayes Un modèle bayésien associé à un réseau neuronal Comment représenter des relations non linéaires tout en gardant des indicateurs interprétables?

    Pour décoder une annonce sur un alphabet génétique élargi, trois vérifications suffisent à éviter les raccourcis. Les nouvelles lettres sont-elles réellement incorporées dans l’ADN? Dans quel organisme ou système expérimental la copie a-t-elle été testée? Les chercheurs mesurent-ils la stabilité, la fidélité, la vitesse d’insertion ou la poursuite de l’extension?

    Six lettres font un titre accrocheur. En laboratoire, elles doivent surtout réussir leur contrôle de copie dans le contexte exact où elles ont été testées.

    Sources et références scientifiques
    1. Expansion of the Genetic Alphabet: A Chemist’s Approach to Synthetic Biology – PMC. Accounts of chemical research. DOI: 10.1021/acs.accounts.7b00403 · PMID: 29198111.
    2. Leduc S.The Mechanisms of Life; Rebman Company: New York, 1911. [Google Scholar].
    3. Benner S. A.; Karalkar N. B.; Hoshika S.; Laos R.; Shaw R. W.; Matsuura M.; Fajardo D.; Moussatche P. Alternative Watson-Crick synthetic genetic systems. Cold Spring Harbor Perspect. Biol. 2016, 8, a023770. 10.1101/cshperspect.a023770. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1101/cshperspect.a023770.
    4. Moran S.; Ren R. X.; Kool E. T. A thymidine triphosphate shape analog lacking Watson-Crick pairing ability is replicated with high sequence selectivity. Proc. Natl. Acad. Sci. U. S. A. 1997, 94, 10506-10511. 10.1073/pnas.94.20.10506. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1073/pnas.94.20.10506.
    5. Hirao I.; Kimoto M.; Yamashige R. Natural versus artificial creation of base pairs in DNA: origin of nucleobases from the perspectives of unnatural base pair studies. Acc. Chem. Res. 2012, 45, 2055-2065. 10.1021/ar200257x. [DOI] [PubMed] [Google Scholar]. doi:10.1021/ar200257x.
    6. Malyshev D. A.; Dhami K.; Lavergne T.; Chen T.; Dai N.; Foster J. M.; Correa I. R. Jr.; Romesberg F. E. A semi-synthetic organism with an expanded genetic alphabet. Nature 2014, 509, 385-388. 10.1038/nature13314. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/nature13314.
    7. Zhang Y.; Lamb B. M.; Feldman A. W.; Zhou A. X.; Lavergne T.; Li L.; Romesberg F. E. A semisynthetic organism engineered for the stable expansion of the genetic alphabet. Proc. Natl. Acad. Sci. U. S. A. 2017, 114, 1317-1322. 10.1073/pnas.1616443114. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1073/pnas.1616443114.
    8. Zhang Y.; Ptacin J. L.; Fischer E. C.; Aerni H. R.; Caffaro C. E.; San Jose K.; Feldman A. W.; Turner C. R.; Romesberg F. E. A semi-synthetic organism that stores and retrieves increased genetic information. Nature 2017, 10.1038/nature24659. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/nature24659.
    9. Hwang G. T.; Hari Y.; Romesberg F. E. The effects of unnatural base pairs and mispairs on DNA duplex stability and solvation. Nucleic Acids Res. 2009, 37, 4757-4763. 10.1093/nar/gkp467. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1093/nar/gkp467.
    10. Petruska J.; Goodman M. F.; Boosalis M. S.; Sowers L. C.; Cheong C.; Tinoco I. Jr Comparison between DNA melting thermodynamics and DNA polymerase fidelity. Proc. Natl. Acad. Sci. U. S. A. 1988, 85, 6252-6256. 10.1073/pnas.85.17.6252. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1073/pnas.85.17.6252.
    11. Ogawa A. K.; Wu Y. Q.; McMinn D. L.; Liu J. Q.; Schultz P. G.; Romesberg F. E. Efforts toward the expansion of the genetic alphabet: Information storage and replication with unnatural hydrophobic base pairs. J. Am. Chem. Soc. 2000, 122, 3274-3287. 10.1021/ja9940064. [DOI] [Google Scholar]. doi:10.1021/ja9940064.
    12. Ogawa A. K.; Wu Y. Q.; Berger M.; Schultz P. G.; Romesberg F. E. Rational design of an unnatural base pair with increased kinetic selectivity. J. Am. Chem. Soc. 2000, 122, 8803-8804. 10.1021/ja001450u. [DOI] [Google Scholar]. doi:10.1021/ja001450u.
    13. Berger M.; Wu Y.; Ogawa A. K.; McMinn D. L.; Schultz P. G.; Romesberg F. E. Universal bases for hybridization, replication and chain termination. Nucleic Acids Res. 2000, 28, 2911-2914. 10.1093/nar/28.15.2911. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1093/nar/28.15.2911.
    14. Systematic exploration of a class of hydrophobic unnatural base pairs yields multiple new candidates for the expansion of the genetic alphabet – PMC. Nucleic acids research. DOI: 10.1093/nar/gku715 · PMID: 25122747.
    15. 1.McMinn D.L., Ogawa A.K., Wu Y., Liu J., Schultz P.G., Romesberg F.E. Efforts toward expansion of the genetic alphabet: DNA polymerase recognition of a highly stable, self-pairing hydrophobic base. J. Am. Chem. Soc. 1999;121:11585-11586. [Google Scholar].
    16. 2.Malyshev D.A., Dhami K., Quach H.T., Lavergne T., Ordoukhanian P., Torkamani A., Romesberg F.E. Efficient and sequence-independent replication of DNA containing a third base pair establishes a functional six-letter genetic alphabet. Proc. Natl. Acad. Sci. U.S.A. 2012;109:12005-12010. doi: 10.1073/pnas.1205176109. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1073/pnas.1205176109.
    17. tz K., Malyshev D.A., Lavergne T., Welte W., Diederichs K., Dwyer T.J., Ordoukhanian P., Romesberg F.E., Marx A. KlenTaq polymerase replicates unnatural base pairs by inducing a Watson-Crick geometry. Nat. Chem. Biol. 2012;8:612-614. doi: 10.1038/nchembio.966. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/nchembio.966.
    18. 4.Seo Y.J., Malyshev D.A., Lavergne T., Ordoukhanian P., Romesberg F.E. Site-specific labeling of DNA and RNA using an efficiently replicated and transcribed class of unnatural base pairs. J. Am. Chem. Soc. 2011;133:19878-19888. doi: 10.1021/ja207907d. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1021/ja207907d.
    19. 5.Yang Z., Chen F., Alvarado J.B., Benner S.A. Amplification, mutation, and sequencing of a six-letter synthetic genetic system. J. Am. Chem. Soc. 2011;133:15105-15112. doi: 10.1021/ja204910n. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1021/ja204910n.
    20. 6.Kaul C., Muller M., Wagner M., Schneider S., Carell T. Reversible bond formation enables the replication and amplification of a crosslinking salen complex as an orthogonal base pair. Nat. Chem. 2011;3:794-800. doi: 10.1038/nchem.1117. [DOI] [PubMed] [Google Scholar]. doi:10.1038/nchem.1117.
    21. 7.Kimoto M., Kawai R., Mitsui T., Yokoyama S., Hirao I. An unnatural base pair system for efficient PCR amplification and functionalization of DNA molecules. Nucleic Acids Res. 2009;37:e14. doi: 10.1093/nar/gkn956. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1093/nar/gkn956.
    22. 8.Switzer C., Moroney S.E., Benner S.A. Enzymatic incorporation of a new base pair into DNA and RNA. J. Am. Chem. Soc. 1989;111:8322-8323. [Google Scholar].
    23. 9.Henry A.A., Romesberg F.E. Beyond A, C, G and T: augmenting nature's alphabet. Curr. Opin. Chem. Biol. 2003;7:727-733. doi: 10.1016/j.cbpa.2003.10.011. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.cbpa.2003.10.011.
    24. 10.Leconte A.M., Hwang G.T., Matsuda S., Capek P., Hari Y., Romesberg F.E. Discovery, characterization, and optimization of an unnatural base pair for expansion of the genetic alphabet. J. Am. Chem. Soc. 2008;130:2336-2343. doi: 10.1021/ja078223d. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1021/ja078223d.
    25. 11.Hwang G.T., Romesberg F.E. Unnatural substrate repertoire of A, B, and X family DNA polymerases. J. Am. Chem. Soc. 2008;130:14872-14882. doi: 10.1021/ja803833h. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1021/ja803833h.
    26. 12.Matsuda S., Leconte A.M., Romesberg F.E. Minor groove hydrogen bonds and the replication of unnatural base pairs. J. Am. Chem. Soc. 2007;129:5551-5557. doi: 10.1021/ja068282b. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1021/ja068282b.
    27. Expanding the BLUP alphabet for genomic prediction adaptable to the genetic architectures of complex traits – PMC. Heredity. DOI: 10.1038/s41437-018-0075-0 · PMID: 29765161.
    28. Andersson G, American Academy of Orthopaedic Surgeons (2015) The burden of musculoskeletal diseases in the United States: prevalence, societal, and economic cost. 247.
    29. Aguilar I, Misztal I, Johnson DL, Legarra A, Tsuruta S, Lawlor TJ. Hot topic: a unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score1. J Dairy Sci. 2010;93:743-752. doi: 10.3168/jds.2009-2730. [DOI] [PubMed] [Google Scholar]. doi:10.3168/jds.2009-2730.
    30. Bernardo R. Prediction of maize single-cross performance using RFLPs and information from related hybrids. Crop Sci. 1994;34:20-25. doi: 10.2135/cropsci1994.0011183X003400010003x. [DOI] [Google Scholar]. doi:10.2135/cropsci1994.0011183X003400010003x.
    31. Bernardo R. Best linear unbiased prediction of maize single-cross performance. Crop Sci. 1996;36:50-56. doi: 10.2135/cropsci1996.0011183X003600010009x. [DOI] [PubMed] [Google Scholar]. doi:10.2135/cropsci1996.0011183X003600010009x.
    32. Boldman KG, Kriese LA, Van Vleck LD, SD K. A manual for use of MTDFREML. Nebraska: USDA-ARS, Clay Center; 1993. [Google Scholar].
    33. Buckler ES, Holland JB, Bradbury PJ, Acharya CB, Brown PJ, Browne C, et al. The genetic architecture of maize flowering time. Science. 2009;325:714-718. doi: 10.1126/science.1174276. [DOI] [PubMed] [Google Scholar]. doi:10.1126/science.1174276.
    34. Christensen OF, Lund MS. Genomic prediction when some animals are not genotyped. Genet Sel Evol. 2010;42:2. doi: 10.1186/1297-9686-42-2. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/1297-9686-42-2.
    35. Colombani C, Legarra A, Fritz S, Guillaume F, Croiseau P, Ducrocq V, et al. Application of Bayesian least absolute shrinkage and selection operator (LASSO) and BayesCπ methods for genomic selection in French Holstein and Montbéliarde breeds. J Dairy Sci. 2013;96:575-91. doi: 10.3168/jds.2011-5225. [DOI] [PubMed] [Google Scholar]. doi:10.3168/jds.2011-5225.
    36. Cook JP, McMullen MD, Holland JB, Tian F, Bradbury P, Ross-Ibarra J, et al. Genetic architecture of maize kernel composition in the nested association mapping and inbred association panels. Plant Physiol. 2012;158:824-834. doi: 10.1104/pp.111.185033. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1104/pp.111.185033.
    37. Crossa J, De Los Campos G, Pérez P, Gianola D, Burgueño J, Araus JL, et al. Prediction of genetic values of quantitative traits in plant breeding using pedigree and molecular markers. Genetics. 2010;186:713-724. doi: 10.1534/genetics.110.118521. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1534/genetics.110.118521.
    38. Daetwyler HD, Pong-Wong R, Villanueva B, Woolliams JA. The impact of genetic architecture on genome-wide evaluation methods. Genetics. 2010;185:1021-1031. doi: 10.1534/genetics.110.116855. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1534/genetics.110.116855.
    39. de los Campos G, Gianola D, Allison DB. Predicting genetic predisposition in humans: the promise of whole-genome markers. Nat Rev Genet. 2010;11:880-886. doi: 10.1038/nrg2898. [DOI] [PubMed] [Google Scholar]. doi:10.1038/nrg2898.
    40. Interpretable artificial neural networks incorporating Bayesian alphabet models for genome-wide prediction and association studies – PMC. G3 (Bethesda, Md.). DOI: 10.1093/g3journal/jkab228 · PMID: 34499126.
    41. Abdollahi-Arpanahi R, Gianola D, Peñagaricano F.. 2020. Deep learning versus parametric and ensemble methods for genomic prediction of complex phenotypes. Genet Sel Evol. 52:15. [DOI] [PMC free article] [PubMed] [Google Scholar].
    42. Atwell S, Huang YS, Vilhjálmsson BJ, Willems G, Horton M, et al. 2010. Genome-wide association study of 107 phenotypes in Arabidopsis thaliana inbred lines. Nature. 465:627-631. [DOI] [PMC free article] [PubMed] [Google Scholar].
    43. Azodi CB, Bolger E, McCarren A, Roantree M, de Los Campos G, et al. 2019. Benchmarking parametric and machine learning models for genomic prediction of complex traits. G3 (Bethesda). 9:3691-3702. [DOI] [PMC free article] [PubMed] [Google Scholar].
    44. Bellot P, de Los Campos G, Pérez-Enciso M.. 2018. Can deep learning improve genomic prediction of complex human traits? Genetics. 210:809-819. [DOI] [PMC free article] [PubMed] [Google Scholar].
    45. Betancourt M. 2017. A conceptual introduction to hamiltonian monte carlo. arXiv. preprint arXiv:1701.02434..
    46. Buniello A, MacArthur JAL, Cerezo M, Harris LW, Hayhurst J, et al. 2019. The NHGRI-EBI GWAS catalog of published genome-wide association studies, targeted arrays and summary statistics 2019. Nucleic Acids Res. 47:D1005-D1012. [DOI] [PMC free article] [PubMed] [Google Scholar].
    47. Chen C, Steibel JP, Tempelman RJ.. 2017. Genome-wide association analyses based on broadly different specifications for prior distributions, genomic windows, and estimation methods. Genetics. 206:1791-1806. [DOI] [PMC free article] [PubMed] [Google Scholar].
    48. Cheng H, Fernando R, Garrick D.. 2018a. JWAS: Julia implementation of whole-genome analysis software. In: Proceedings of the world congress on genetics applied to livestock production, Vol. 11. p. 859..
    49. Cheng H, Kizilkaya K, Zeng J, Garrick D, Fernando R.. 2018b. Genomic prediction from multiple-trait Bayesian regression methods using mixture priors. Genetics. 209:89-103. [DOI] [PMC free article] [PubMed] [Google Scholar].
    50. Demetci P, Cheng W, Darnell G, Zhou X, Ramachandran S, et al. 2021. Multi-scale Inference of Genetic Trait Architecture using Biologically Annotated Neural Networks. bioRxiv, pp.2020-07. [DOI] [PMC free article] [PubMed] [Google Scholar].
    51. Dempfle L. 1977. Relation entre BLUP (Best Linear Unbiased Prediction) et estimateurs Bayésiens. Genet Sel Evol. 9:27. [DOI] [PMC free article] [PubMed] [Google Scholar].
    52. Beale M.H., Hagan, M.T. and Demuth, H.B., 2010. Neural network toolbox. User’s Guide, MathWorks, 2, pp. 77-81. [Google Scholar].
    53. The Relationship Alphabet Archives – The Gottman Institute.

    Publications similaires :

    1. Les notions à connaître avant d’entrer en maternelle
    2. jeux qui aident à développer la concentration chez les enfants
    3. Une tempête dans un verre d’eau : comprendre ce phénomène
    Part.

    Connexes Postes

    Laisser Une Réponse