Une nouvelle heuristique pour la détection de répétitions sur des génomes complets, pour la comparaison de génomes et pour la compression

New heuristic for repeats detection in entire genomes, genomes comparison and data compression.

• Auteur / Autrice : Arnaud Lefebvre
• Direction : Thierry Lecroq
• Type : Thèse de doctorat
• Discipline(s) : Informatique. Bioinformatique
• Date : Soutenance en 2003
• Etablissement(s) : Rouen

Mots clés

Mots clés contrôlés

Automates

Bioinformatique

Données -- Compression (informatique)

Méthode comparative

Algorithmes

Chromosomes végétaux

Heuristique

Informatique

Génome

Résumé

Les travaux présentés dans ce mémoire décrivent une nouvelle heuristique permettant à la fois de détecter des répétitions sur des génomes complets, de comparer des génomes complets et de comprimer des données. Cette méthode, basée sur une structure de données appelée oracle des facteurs, comparée à des méthodes exhaustives, se révèle bien plus rapide et économique en espace tout en conservant une grande efficacité. Dans un premier temps, nous l'utilisons afin de détecter des répétitions exactes sur des chromosomes entiers. Une seconde phase d'extension des répétitions exactes permet alors la détection de répétitions approchées. Par la suite, cette même technique nous permet de comparer deux chromosomes entre eux. Des exemples d'applications au génome de la plante modèle Arabidopsis thaliana illustrent les possibilités de notre heuristique. Nous voyons ensuite qu'il est possible d'améliorer notre technique de base pour obtenir une heuristique donnant des résultats extrêmement proches que ceux obtenus par des méthodes exhaustives. Finalement, une méthode de compression de données a été développée, basée sur une factorisation par oracle des facteurs : nous l'appelons la o-factorisation.

This thesis describes a new heuristic able to detect repeats in entire genomes, to compare entire genomes and to perform data compression. This method, based on a data structure called factor oracle, compared to exhaustive methods, appears much faster, space economical and efficient. In a first part, we use it to detect exact repeats on entire chromosomes. A second phasis, consisting in extending the exact repeats, allows detecting approximate repeats. The same technique is used to compare chromosomes. Examples of applications on the genome of the model plant Arabidopsis thaliana illustrate the possibilities of our heuristic. Then we present two improvements giving results very close to results obtained with exhaustive methods. Finally, a data compression method has been developed, based on a factor oracle factorization: we call it o-factorization.