Indexation et comparaison d'une grande quantité de données génomiques à l'aide d'algorithmes pour le traitement d'images

Indexation and comparison of large volumes of genomic data based on image processing and analy-sis algorithms

• Auteur / Autrice : Jocelyn De Goër de Herve
• Direction : Engelbert Mephu-Nguifo, Myoung-Ah Kang
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 09/04/2019
• Etablissement(s) : Université Clermont Auvergne‎ (2017-2020)
• Ecole(s) doctorale(s) : École doctorale des sciences pour l'ingénieur (Clermont-Ferrand)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes
• Jury : Président / Présidente : Mohand Saïd Hacid
• Jury : Examinateurs / Examinatrices : Laurent Bréhélin
• Jury : Rapporteurs / Rapporteuses : Karine Bennis-Zeitouni, Vladimir Makarenkov

Mots clés

Mots clés contrôlés

Bioinformatique

Traitement d'images

Mots clés libres

Bio-Informatique

Séquence ADN

Traitement d’images

Indexation

Fonction de hachage perceptuel

Domaine fréquentiel

NoSQL

Clé-valeur

Base de données

Bioinformatics

DNA sequences

Image processing

Indexation

Perceptual hash function

Frequency domain

NoSQL

Key-value

Database

Résumé

L’accroissement constant des capacites de sequencage de l’ADN entraine l’emergence denouveaux questionnements biologiques. Le stockage et le traitement de cette massed’informations restent des enjeux majeurs pour les annees a venir. Durant le processusd’analyse des donnees genomiques, la recherche de sequences exactes ou proches, au traversde bases de donnees de genomes de references, est une tache incontournable. Elle estnotamment necessaire dans les phases d’assemblage, d’alignement de sequences et plusgeneralement pour identifier la sequence de reference la plus proche d’une sequencerequete. Ces taches sont notamment essentielles dans le cadre d’etude en Biologie Evolutive,en Phylogenie ou en Metagenomique.Traditionnellement, une grande majorite des techniques servant a realiser ces differentestaches, sont issues de methodes en algorithmique du texte. L’objectif de cette these, estd’evaluer la possibilite d’utiliser des algorithmes issus du domaine de la comparaison desimages numeriques. En effet, les methodes de production des images numeriques ont connuune importante augmentation depuis ces 40 dernieres annees, entrainant des problemes derecherche et de comparaison, qui par certains aspects, peuvent etre consideres comme etantsimilaires aux traitements necessaires a l’analyse des donnees genomiques.Au cours de cette these, nous nous sommes plus particulierement interesses au concept dehachage perceptuel, utilise habituellement pour indexer et comparer des images numeriques,afin de determiner si de telles methodes sont pertinentes pour comparer des sequencesexactes ou approchees au sein de bases de donnees de sequences de references. Ainsi, nousproposons deux contributions. La premiere est une fonction de hachage perceptuel,permettant l’indexation de sequences ADN/ARN. Outre une diminution importante desdonnees indexees par rapport aux sequences fournies en entree, cette fonction de hachage ala particularite de conserver la propriete de comparabilite entre deux cles de hachage. Deuxsequences ADN/ARN proches, auront des cles de hachage egalement proches et ainsicomparables. La seconde contribution, est l’adaptation d’une methode permettant de faireressortir les zones communes entre deux images, a la problematique de la comparaison desequences ADN.Ces travaux se placent dans un contexte d’accroissement des volumes de donneesgenomique, ou l’enjeu est de concevoir des algorithmes permettant d’identifier rapidementles genomes de reference les plus proches d’une sequence requete. Le but etant d’effectuerun pretraitement rapide, permettant de ne conserver que des sequences pertinentes et parla suite d’utiliser des methodes plus classiques en bio-informatique.

The constant improvement of DNA sequencing techniques is leading to the emergence of newbiological questions. The storage and processing of this large amount of data remains a majorchallenge for the coming years. During the genomic data analysis process, the search for exactor close sequences, through reference genome databases, is an essential task. It is particularlynecessary for genome assembly, sequence alignment and more generally to identify thereference sequence closest to a request sequence. These tasks are particularly essential in thecontext of studies in Evolutionary Biology, Phylogeny or Metagenomics.Traditionally, techniques used to perform these different tasks have been developed usingtext algorithmic methods. The objective of this PhD thesis is to evaluate the possibility of usingalgorithms coming from the domain of digital image comparison. Indeed, methods ofproducing digital images have increased significantly over the past 40 years, leading toresearch and comparison problems, which in some respects can be considered similar to theprocessing required for the analysis of genomic data.In this PhD thesis, we focused on the concept of perceptual hashing, usually used to index andcompare digital images, to determine whether such methods are relevant for comparing exactor approximated DNA/RNA sequences within reference sequence databases. Thus, wepropose two contributions. The first one is a perceptual hash function, allowing DNA/RNAsequence indexing. In addition to a significant decrease in indexed data compared to thesequences provided as input, this hash function has the particularity of maintaining thecomparability property between two hash keys. Two close DNA/RNA sequences will have hashkeys that are also close and therefore comparable. The second contribution is the adaptationof a method to bring out the common areas between two images, to the problem of DNAsequence comparison.This work is taking place in a context of increasing volumes of genomic data, where thechallenge is to design algorithms in order to identify quickly the reference genomes closest toa request sequence. The aim is to perform rapid pre-processing, allowing only relevantsequences to be stored and then to use more traditional bioinformatics methods.