Caractérisation des erreurs de séquençage non aléatoires : application aux mosaïques et tumeurs hétérogènes

Characterization of non-random sequencing errors : application to mosaicism and heterogeneous tumors

• Auteur / Autrice : Chadi Saad
• Direction : Marie-Pierre Buisine, Hélène Touzet
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique
• Date : Soutenance le 26/09/2018
• Etablissement(s) : Université de Lille (2018-2021)
• Ecole(s) doctorale(s) : École graduée Biologie-Santé (Lille ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche Jean-Pierre AUBERT Neurosciences et Cancer (Lille) - Centre de Recherche en Informatique, Signal et Automatique de Lille - Centre de Recherche Jean-Pierre AUBERT Neurosciences et Cancer

Mots clés

Mots clés contrôlés

Mosaïcisme

Biologie informatique

Dissertations universitaires

ADN

Demi-treillis

Mosaïcisme

Algorithmes

Bioinformatique

Séquençage à haut débit

ADN

Mots clés libres

Recherche de motif

Facteur de transcription

Erreur de séquençage systématique

IUPAC

Tumeurs hétérogènes

Pattern

Chip-Seq

Résumé

L'arrivée des technologies de séquençage d’ADN à haut-débit a représenté une révolution dans le domaine de la génomique personnalisée, en raison de leur résolution et leur faible coût. Toutefois, ces nouvelles technologies présentent un taux d’erreur élevé, qui varie entre 0,1% et 1% pour les séquenceurs de seconde génération. Cette valeur est problématique dans le cadre de la recherche de variants de faible ratio allélique, comme ce qui est observé dans le cas des tumeurs hétérogènes. En effet, un tel taux d’erreur peut mener à des milliers de faux positifs. Chaque région de l’ADN étudié doit donc être séquencée plusieurs fois, et les variants sont alors filtrés en fonction de critères basés sur leur profondeur. Malgré ces filtres, le nombre d’artefacts reste important, montrant la limite des approches conventionnelles et indiquant que certains artefacts de séquençage ne sont pas aléatoires.Dans le cadre de cette thèse, nous avons développé un algorithme exact de recherche des motifs d’ADN dégénérés sur-représentés en amont des erreurs de séquençage non aléatoires et donc potentiellement liés à leur apparition. Cet algorithme a été mis en oeuvre dans un logiciel appelé DiNAMO, qui a été testé sur des données de séquençage issues des technologies IonTorrent et Illumina.Les résultats expérimentaux ont mis en évidence plusieurs motifs, spécifiques à chacune de ces deux technologies. Nous avons ensuite montré que la prise en compte de ces motifs dans l’analyse, réduisait considérablement le taux de faux positifs. DiNAMO peut donc être utilisé en aval de chaque analyse, comme un filtre supplémentaire permettant d’améliorer l’identification des variants, en particulier des variants à faible ratio allélique.

The advent of Next Generation DNA Sequencing technologies has revolutionized the field of personalized genomics through their resolution and low cost. However, these new technologies are associated with a relatively high error rate, which varies between 0.1% and 1% for second-generation sequencers. This value is problematic when searching for low allelic ratio variants, as observed in the case of heterogeneous tumors. Indeed, such error rate can lead to thousands of false positives. Each region of the studied DNA must therefore be sequenced several times, and the variants are then filtered according to criteria based on their depth. Despite these filters, the number of errors remains significant, showing the limit of conventional approaches and indicating that some sequencing errors are not random.In the context of this thesis, we have developed an exact algorithm for over-represented degenerate DNA motifs discovery on the upstream of non-random sequencing errors and thus potentially linked to their appearance. This algorithm was implemented in a software called DiNAMO, which was tested on sequencing data from IonTorrent and Illumina technologies.The experimental results revealed several motifs, specific to each of these two technologies. We then showed that taking these motifs into account in the analysis reduced significantly the false-positive rate. DiNAMO can therefore be used downstream of each analysis, as an additional filter to improve the identification of variants, especially, variants with low allelic ratio.