Literatura académica sobre el tema "Annotation de génome"

La démocratisation des outils de la génomique et plus particulièrement du séquençage à haut débit a permis le séquençage du génome du canard commun. Des projets complémentaires sont déjà initiés pour prolonger et exploiter au mieux ces premiers acquis. En tout premier lieu, il s’agit de poursuivre la description de la structure du génome et d’en exploiter les connaissances : cartes d’hybrides irradiés pour ordonner la séquence le long des chromosomes ; génomique comparée avec le génome de la poule pour bénéficier des connaissances sur ce génome modèle ; recherche de SNP (Single Nucleotide Polymorphism) pour les études et la gestion de populations ; carte génétique pour la détection des QTL (Quantitative Trait Locus). La première détection de QTL influençant les performances du mulard, réalisée à l’aide de marqueurs microsatellites chez la cane commune, sera complétée par une seconde étude utilisant des marqueurs SNP développés spécifiquement et permettant une bien meilleure couverture du génome. Par ailleurs, il est important de réaliser une annotation fonctionnelle du génome, ce qui peut être abordé par le séquençage de transcrits. A terme, le génome annoté sera utilisé pour analyser son expression dans différents tissus et/ou conditions d’élevage, la connaissance des modèles de transcrits et de protéines facilitant les études en transcriptomique et protéomique. Le canard mulard, produit du croisement de la cane commune avec le canard de Barbarie, devra également être étudié en raison de son intérêt agronomique, lié à ses performances exceptionnelles dans la filière des palmipèdes gras.

Cet article présente la méthodologie utilisée pour identifier la mutation responsable d’une anomalie génétique à partir de cas d’animaux affectés. Dans un premier temps, une collection de cas aussi homogènes que possible est constituée, de la même race et avec les mêmes signes cliniques, complétée par une population témoin apparentée mais non atteinte. Une analyse de pedigree est possible pour rechercher l’ancêtre commun qui a pu transmettre l’anomalie à chacun des cas. Le génotypage par puce permet de mettre en évidence très rapidement une petite région du génome homozygote et identique à tous les marqueurs qui contient la mutation recherchée. La mutation est ensuite identifiée par séquençage du génome de quelques cas, filtrage des variants observés sur la base d’une part, de leur présence chez d’autres animaux, et d’autre part, de leur annotation fonctionnelle. Une validation statistique est ensuite pratiquée par génotypage à grande échelle, pour vérifier l’association totale entre génotype et phénotype. Enfin, la causalité de la mutation est étudiée par analyse fonctionnelle, incluant l’analyse des ARN et des protéines, l’imagerie cellulaire, voire la création de modèles transgéniques.

La pomme est l’un des fruits les plus consommés au monde. En utilisant les dernières technologies de séquençage (PacBio) et de cartes optiques (BioNano), nous avons généré un assemblage de novo de haute qualité du génome du pommier (Malus domestica Borkh.). Nous avons réalisé une annotation des gènes et des éléments transposables pour permettre à cet assemblage d’être utilisé en tant que génome de référence. La grande contiguité de l’assemblage a permis de détecter les éléments transposables de façon exhaustive, ce qui fournit une opportunité sans précédents d’étudier les régions non-caractérisées d’un génome d’arbre. Nous avons également trouvé que le génome du pommier est entièrement dupliqué, comme montré par les relations de synthénie entre les chromosomes. En utilisant du Whole Genome Bisulfite Sequencing (WGBS) ainsi que l’assemblage précédemment généré, nous avons montré des cartes de méthylation de l’ADN pour tout le génome et montré une corrélation générale entre la méthylation de l’ADN près des gènes et l’expression des gènes. De plus, nous avons identifié plusieurs Régions Différentiellement Méthylées (RDMs) entre les méthylomes de fruits et de feuilles du pommier, associées à des gènes candidats qui pourraient être impliqués dans des traits agronomiques importants tel que le développement du fruit. Enfin, nous avons développé un pipeline rapide, simple et complet qui prend entièrement en charge l’analyse des données WGBS, de l’alignement des reads au calcul des RDMs
Apple is one of the most consumed fruits in the world. Using the latest sequencing (PacBio) and optical mapping (BioNano) technologies, we have generated a high-quality de novo assembly of the apple (Malus domestica Borkh.) genome. We performed a gene annotation as well as a transposable element annotation to allow this assembly to be used as a reference genome. The highcontiguity of the assembly allowed to exhaustively detect the transposable elements, which represented over half the assembly, thus providing an unprecedented opportunity to investigate the uncharacterized regions of a tree genome. We also found that the apple genome is entirely duplicated as showed by the synteny links between chromosomes. Using Whole Genome Bisulfite Sequencing (WGBS) and the previously generated assembly, we produced genome-wide DNA methylation maps and showed a general correlation between DNA methylation next to genes and gene expression. Moreover, we identified several Differentially Methylated Regions (DMRs) between apple fruits and leaf methylomes associated to candidate genes that could be involved in agronomically relevant traits such as apple fruit development. Finally, we developped a complete and easyto- use pipeline which aim is to handle the complete treatment of WGBS data, from the reads mapping to the DMRs computing. It can handle datasets having a low number of biological replicates

Nous proposons de modéliser les données issues des technologies de séquençage du transcriptome (RNA-Seq) à l'aide de la loi binomiale négative, et nous construisons des modèles de segmentation adaptés à leur étude à différentes échelles biologiques, dans le contexte où ces technologies sont devenues un outil précieux pour l'annotation de génome, l'analyse de l'expression des gènes, et la détection de nouveaux transcrits. Nous développons un algorithme de segmentation rapide pour analyser des séries à l'échelle du chromosome, et nous proposons deux méthodes pour l'estimation du nombre de segments, directement lié au nombre de gènes exprimés dans la cellule, qu'ils soient précédemment annotés ou détectés à cette même occasion. L'objectif d'annotation précise des gènes, et plus particulièrement de comparaison des sites de début et fin de transcription entre individus, nous amène naturellement à nous intéresser à la comparaison des localisations de ruptures dans des séries indépendantes. Nous construisons ainsi dans un cadre de segmentation bayésienne des outils de réponse à nos questions pour lesquels nous sommes capable de fournir des mesures d'incertitude. Nous illustrons nos modèles, tous implémentés dans des packages R, sur des données RNA-Seq provenant d'expériences sur la levure, et montrons par exemple que les frontières des introns sont conservées entre conditions tandis que les débuts et fin de transcriptions sont soumis à l'épissage différentiel.

L’automatisation des protocoles d’annotation a vu naître un grand nombre d’outils informatiques. Malgré ceux-ci et la multitude des données générée par le séquençage intensif des génomes procaryotes, des petits éléments essentiels à la compréhension globale des systèmes continuent d’être négligés dans les annotations. Citons notamment les éléments régulateurs à la périphérie des gènes (promoteurs/terminateurs), les petits ARN non codant (ARNnc), ou encore les gènes peptidiques, correspondant à des protéines de moins de 100 aa. Nous avons effectué un crible des régions intergéniques de Sinorhizobium meliloti, alpha-protéobactérie de la famille des Rhizobiacées, qui, couplé à des méthodes de génomiques comparatives, nous a permis d’identifier 67 candidats de gènes à ARNnc, dont 14 ont pu être validés biologiquement. Ce crible nous a par ailleurs interpellé sur l’absence fréquente, parmi les gènes peptidiques, de ceux composant les systèmes de toxine/antitoxine (TA). Nous avons donc développé un outil informatique d’identification des gènes codant potentiellement pour des systèmes TA dans les génomes procaryotes. Premier du genre, celui-ci est basé sur les caractéristiques génomiques de ces systèmes. Les résultats ainsi obtenus semblent indiquer que le nombre de ces derniers dans les génomes est encore plus important qu’initialement décrit. Enfin, le développement d’un outil de cartographie des n-mers sous- ou sur-représentés dans les régions intergéniques est en cours pour aider à la détection des éléments régulateurs
Many computational tools have been developed along with the automation of annotation. In spite of this and of the multiplication of sequenced prokaryotic genomes, small elements essential to our global understanding of systems remain poorly annotated. These comprise transcriptional regulation elements (promoters/terminators), non coding RNAs (ncRNAs), and peptidic genes, coding for proteins smaller shorter than 100 aa. Scanning the intergenic regions of Sinorhizobium meliloti with comparative genomics methods allowed us to identify 67 candidates, of which 14 were proven to be true ncRNAs. This analysis moreover revealed a sparse annotation of genes belonging to toxin-antitoxin (TA) systems. We thus developed a novel computational tool, based on their genomic features, for identifying them in prokaryotic genomes. Our results suggest that TA systems might be even more numerous than initially described. Finally we are currently validating a visualization tool for under- or over-represented n-mers in intergenic regions to help in the detection of regulatory elements

L'annotation génomique identifie l'ensemble des éléments significatifs présents sur l'ADN génomique, le support du programme de fonctionnement de l'organisme. Elle prédit leurs fonctions biologiques et leurs relations. L'annotation d'un génome complet est soumise à diverses contraintes : elle doit être réalisée rapidement et représenter l'organisme comme système biologique fonctionnel cohérent. Nous proposons une méthode de vérification de la qualité de l'annotation génomique, basée sur un ensemble de règles de cohérence définies d'après les connaissances et contraintes biologiques admises par la communauté scientifique. Ces règles vérifient la complétude de l'annotation (présence des éléments vitaux pour l'organisme) et son absence d'erreur (sens biologique correct des éléments décrits). Notre méthode est appliquée dans le cadre du projet Génolevures, un projet de génomique comparée chez les levures hémiascomycètes. Nous avons mis en place un système d'annotation facilitant le travail d'annotation manuelle par les experts. L'intégration de nos règles dans ce système permet de garantir la bonne qualité de l'annotation produite. Nous avons choisi de valider expérimentalement l'application de ces règles en étudiant les interactions protéine-protéine chez les levures Saccharomyces cerevisiae et Yarrowia lipolytica par la technique de l'électrophorèse en gel de polyacrylamide en bleu natif et SDS (BN / SDS PAGE). Les résultats obtenus apportent de nouvelles connaissances chez les levures étudiées. Ils démontrent l'universalité de certaines règles et le bien fondé de la stratégie d'annotation.

La stratégie experte semi-automatique de prédiction de Séquences CoDantes (CDS) d'un chromosome procaryote est fondée sur le modèle statistique des chaînes de Markov. Elle est constituée des stratégies AMIMat pour l'apprentissage de l'hétérogénéité de composition des CDS d'un chromosome et AMIGene pour la reconnaissance et le filtrage des CDS les plus probables. AMIMat permet de construire k matrices de transition à partir de k classes de gènes définies selon l'usage des codons synonymes. La précision d' AMIGene dépend de la qualité des matrices et d'autres paramètres validés automatiquement par rapport à des annotations de référence. Autour de ces stratégies, un processus de réannotation de génome complet a été développé, en interaction avec notre base multigénome PkGDB, qui facilite l'homogénéisation des annotations des banques. Ce processus de (ré)annotation est utilisé dans de nombreux projets : Bacillus, Neisseria, Acinetobacter, Entérobactéries.

Les éléments transposables sont des fragments du génome possédant la particularité d'être mobiles. Ils ont un impact majeur sur la structure des génomes mais également sur l'expression des gènes avoisinants, notamment via des mécanismes épigénétiques. Cependant, mis à part certains organismes modèles pour lesquels nous disposons de séquences de référence, l'annotation des éléments transposables représente un goulot d'étranglement dans l'analyse des génomes séquences. J'ai donc comparé les programmes informatiques existants utilisés dans les approches d'annotation de novo des éléments transposables. Pour cela, j'ai mis au point un protocole de test sur les génomes de Drosophila melanogaster et Arabidopsis thaliana. Ceci m'a permis de proposer une approche de novo combinant plusieurs outils, capable ainsi de reconstruire automatiquement un grand nombre de séquences de référence. De plus, j'ai pu montrer que cette approche mettait en évidence les variations structurales au sein de familles bien connues, reflétant ainsi la diversification de ces familles au cours de leur évolution. J'ai implémenté cette approche dans une suite d'outils (REPET) rendant possible l'analyse des éléments transposables de nombreux génomes d,e plantes, insectes, champignons, etc. Ces travaux ont abouti à une feuille de route décrivant de manière pratique comment annoter le contenu en éléments transposables de tout génome nouvellement séquence. En perspective, je propose plusieurs pistes de recherche, notamment la simulation des données nécessaires à l'amélioration des algorithmes de détection, démarche complémentaire de la modélisation de la dynamique des éléments transposables
Transposable elements are DNA sequences that can move and duplicata within genomes. They hence have a major impact on genome structure but also on the expression of neighbouring genes, notably via epigenetiç mechanisms. However, except for some model organisms for which reference sequences are available, the annotation of transposable elements corresponds to a bottleneck in the analysis of genomic sequences. Therefore, I started by comparing existing computer programs used in de novo approaches of transposable element identification. In this aim, I designed a test protocol on the genomes of Drosophila melanogaster and Arabidopsis thaliana. As a result, I proposed a de novo approach combining several tools, thus enabling the automatic recovery of a great number of reference sequences. Moreover, I showed that our approach highlighted the structural variations present within well-known families, thus reflecting the diversification of such families during their evolution. This approach was implemented in a package (REPET) making possible the analysis of transposable elements in numerous genomes from plants, insects and fungi among others. This work lead to a roadmap describing, from a practical point of view, how to annotate the transposable element content of any newly sequenced genome. Finally, I propose several perspectives, notably the simulation of the data required for the improvement of the detection algorithms, a way complementary to the modeling of transposable element dynamics

Le corps humain compte plus de 200 types cellulaires différents possédant une copie identique du génome mais exprimant un ensemble différent de gènes. Le contrôle de l'expression des gènes est assuré par un ensemble de mécanismes de régulation agissant à différentes échelles de temps et d'espace. Plusieurs maladies ont pour cause un dérèglement de ce système, notablement les certains cancers, et de nombreuses applications thérapeutiques, comme la médecine régénérative, reposent sur la compréhension des mécanismes de la régulation géniques. Ce travail de thèse propose, dans une première partie, un algorithme d'annotation (GABI) pour identifier les motifs récurrents dans les données de séquençage haut-débit. La particularité de cet algorithme est de prendre en compte la variabilité observée dans les réplicats des expériences en optimisant le taux de faux positif et de faux négatif, augmentant significativement la fiabilité de l'annotation par rapport à l'état de l'art. L'annotation fournit une information simplifiée et robuste à partir d'un grand ensemble de données. Appliquée à une base de données sur l'activité des régulateurs dans l'hématopoieïse, nous proposons des résultats originaux, en accord avec de précédentes études. La deuxième partie de ce travail s'intéresse à l'organisation 3D du génome, intimement lié à l'expression génique. Elle est accessible grâce à des algorithmes de reconstruction 3D à partir de données de contact entre chromosomes. Nous proposons des améliorations à l'algorithme le plus performant du domaine actuellement, ShRec3D, en permettant d'ajuster la reconstruction en fonction des besoins de l'utilisateur
The human body has more than 200 different cell types each containing an identical copy of the genome but expressing a different set of genes. The control of gene expression is ensured by a set of regulatory mechanisms acting at different scales of time and space. Several diseases are caused by a disturbance of this system, notably some cancers, and many therapeutic applications, such as regenerative medicine, rely on understanding the mechanisms of gene regulation. This thesis proposes, in a first part, an annotation algorithm (GABI) to identify recurrent patterns in the high-throughput sequencing data. The particularity of this algorithm is to take into account the variability observed in experimental replicates by optimizing the rate of false positive and false negative, increasing significantly the annotation reliability compared to the state of the art. The annotation provides simplified and robust information from a large dataset. Applied to a database of regulators activity in hematopoiesis, we propose original results, in agreement with previous studies. The second part of this work focuses on the 3D organization of the genome, intimately linked to gene expression. This structure is now accessible thanks to 3D reconstruction algorithm from contact data between chromosomes. We offer improvements to the currently most efficient algorithm of the domain, ShRec3D, allowing to adjust the reconstruction according to the user needs

Des génomes entiers de bactéries sont séquencés en nombre croissant. Parallèlement sont mis en place des programmes d'analyse systématique de l'expression des gènes et des protéines dans différentes conditions. La compréhension du fonctionnement d'un organisme nécessite une annotation des fonctions des gènes et l'intégration de ces données dans des schémas fonctionnels. Les voies métaboliques constituent une classe de fonctions permettant d'aborder ce problème d'intégration, elles sont bien répertoriées chez de nombreux organismes et sont accessibles à l'expérimentation. Dans un premier temps, nous avons développé une méthode automatique de prédiction de fonction spécifique des enzymes. Cette méthode nommée PRIAM (PRofils pour l'Identification Automatique du Métabolisme) repose sur la nomenclature des enzymes et sur la construction automatique d'un jeu de profils spécifiques des fonctions enzymatiques. Puis, cette méthode permet d'identifier les enzymes dans un génome complet et de visualiser les résultats obtenus sur les graphes des voies métaboliques de la base de données KEGG. Dans un second temps, cette méthode a été appliquée sur le génome de la bactérie fixatrice d'azote Sinorhizobium meliloti et nous a permis l'analyse des voies métaboliques spécifiques de cet organisme symbiote
Complete genomes of bacteria are sequenced in growing number. At the same time, programs for systematic analysis of genes and proteins expression in different conditions are set up. The understanding of organisms functions requires the annotation of genes functions and the integration of that data into a functional diagram. Metabolic pathways constitute classes of functions allowing to tackle the integration issue. They are well identified in numerous organisms and are available to experimentation. In a first time, we have developed an automated method for enzyme function detection. This method, named PRIAM (PRofils pour l'Identification Automatique du Métabolisme), is based on the classification of enzymes in the ENZYME database and relies on sets of position-specific scoring matrices ("profiles"), automatically tailored for each ENZYME entry. Then, the method allows to identify enzymes in a complete genome and to visualize the results on KEGG graphs. In a second time, that method has been applied on the complete genome of the nitrogen fixing bacterium Sinorhizobium meliloti, in order to facilitate the interpretation of specific metabolic pathways of that symbiotic organism

Les projets de séquençage à haut débit produisent une énorme quantité de données biologiques brutes. Cependant, elles sont difficilement exploitables si elles ne sont pas annotées. Pour traiter ces données, des programmes d’annotation de génomes ont été développés, mais ces derniers sont encore trop sujet aux erreurs de prédiction, faisant de l’annotation des génomes un des défis majeurs en bio-informatique. Dans ce contexte, mes travaux de thèse s’organisent autour d’un trinôme : 1) l’amélioration de la prédiction des gènes eucaryotes codant pour des protéines en se focalisant spécifiquement sur les sites d’épissage 2) en exploitant des algorithmes d’intelligence artificielle (CNN et algorithmes évolutionnaires), 3) entraînés avec des données de haute qualité incluant une forte diversité d’espèces eucaryotes. Notre stratégie consiste à combiner l’ensemble des données validées avec les programmes développés afin d’améliorer la prédiction des gènes en diminuant le taux d’erreurs et éviter qu’elles ne se propagent dans les bases de données. De plus, ces travaux permettront une meilleure compréhension des organismes et de leurs mécanismes biologiques
High-throughput genome sequencing projects produce a huge amount of raw biological data on a daily basis. However, the data are difficult to exploit if they are not annotated. Unfortunately, the currently available genome annotation programs are still too prone to prediction errors, making genome annotation one of the major challenges in bioinformatics. In this context, my thesis is organized around three connected topics: i) improving the prediction of eukaryotic protein-coding genes by focusing on splice sites ii) exploiting artificial intelligence algorithms (convolutional neural networks and evolutionary algorithms), iii) training with high quality data from a wide range of eukaryotic organisms (from humans to protists). The strategy developed consists in combining the processed and validated data set (G3PO) with the developed programs (Spliceator and SpliceSLEIA) in order to improve gene prediction by decreasing the error rate so that they no longer propagated in public databases. This work should contribute to a better understanding of organisms and their biological mechanisms