Un algorithme génétique multi-objectif pour trouver des modules actifs dans les réseaux biologiques multiplexes

Detecting active modules in multiplex biological networks

• Auteur / Autrice : Elva Maria Novoa Del Toro
• Direction : Anaïs Baudot, Laurent Tichit
• Type : Thèse de doctorat
• Discipline(s) : Génomique et Bioinformatique
• Date : Soutenance le 14/05/2020
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Sciences de la Vie et de la Santé (Marseille)
• Partenaire(s) de recherche : Laboratoire : Centre de génétique médicale de Marseille (Marseille)
• Partenaire(s) de recherche : : Consejo nacional de ciencia y tecnología (México)
• Jury : Président / Présidente : Jacques Van Helden
• Jury : Examinateurs / Examinatrices : Claude Pasquier, Laurence Calzone, Rosella Tupler, Nicolas Lévy
• Jury : Rapporteurs / Rapporteuses : Claude Pasquier, Laurence Calzone

Mots clés

Mots clés contrôlés

ARN

Progeria

Gènes

Génétique

Mots clés libres

Algorithme génétique multi-Objectif

Modules actifs

Réseaux biologiques multiplexes

Multi-Objective Genetic Algorithm

Active Modules

Multiplex Biological Networks

Résumé

L'expression des gènes est régulée dans le temps, les types de cellules et les conditions. Nous avons de nos jours accès à des technologies nous permettant de mesurer l'expression des gènes. Nous pouvons donc calculer les différences d'expression génique entre patients et témoins, et identifier ainsi les gènes dont l'expression est dérégulées. Nous pouvons aussi essayer de trouver un enrichissement des fonctions cellulaires à partir de la liste des gènes dérégulés. Dans ce contexte, j'ai analysé les données d'expression transcriptomiques de patients ayant le syndrome progéria de Hutchinson-Gilford (HGPS) et aux témoins sains. Ces analyses ont conduit à l'identification ARNs candidats pour validation expérimentale.À l'intérieur des cellules les molécules n'agissent pas isolément, mais interagissent pour accomplir ses fonctions. Actuellement, nous disposons de techniques pour déchiffrer ces interactions à grande échelle. Les interactions peut être représenté comme des réseaux, où les noeuds représentent des molécules, et les arêtes représentent des relations physiques et/ou fonctionnelles. L'hypothèse principale de ma thèse est que des sous-réseaux denses et dérégulé correspondent aux processus cellulaires affectés chez les patients. J'ai intégré des données d'expression génique et des réseaux pour identifier de tels modules. J'ai développé MOGAMUN, un algorithme génétique multi-objectif qui recherche des modules actifs. MOGAMUN est le premier algorithme d'identification de modules actifs capable de considérer les réseaux multiplexes, i.e. réseaux composés de différentes couches d'interactions biologiques.

Gene expression is regulated in time, cell types and conditions. We have access to technologies allowing us to measure the gene expression. We can therefore calculate the differences in gene expression between patients and controls, thereby identifying deregulated genes. We can also try to find significant enrichment of one or more cellular functions from the list of deregulated genes. I analyzed transcriptomics data corresponding to Hutchinson-Gilford Progeria Syndrome (HGPS) patients and healthy controls. Our analyses led to the identification of candidate RNAs for experimental validation.Inside cells the molecules do not act isolated, but they interact to accomplish their functions. Nowadays, we have experimental techniques to decipher these interactions on a large scale. Biological interactions can be represented as networks, where the nodes represent molecules, and the edges represent physical and/or functional relationships. The main hypothesis I followed during my thesis is that dense subnetworks associated to an overall expression deregulation correspond to affected cellular processes in patients. I integrated gene expression data and networks to identify such modules. I developed MOGAMUN, a multi-objective genetic algorithm that seeks for active modules. MOGAMUN is the first active module identification algorithm able to consider multiplex networks, i.e. networks composed of different layers of biological interactions.