Prédiction de mutations impliquées dans le développement des cancers via des approches deep learning

Predicting cancer driver mutation with deep learning

• Auteur / Autrice : Raphaël Teboul
• Direction : Eric Letouzé
• Type : Thèse de doctorat
• Discipline(s) : Oncogenèse
• Date : Soutenance le 17/10/2022
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Hématologie, oncogenèse et biothérapies (Paris ; 2014-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche des Cordeliers (Paris ; 2007-....)
• Jury : Président / Présidente : Judith Favier
• Jury : Examinateurs / Examinatrices : Josh Waterfall
• Jury : Rapporteur / Rapporteuse : Marie de Tayrac, Andrei Zinovyev

Mots clés

Mots clés contrôlés

Épissage (génétique)

Apprentissage profond

Cancer

Mutation (biologie)

Mots clés libres

Mutation

Epissage

Deep-learning

Cancers

Single-cell

Mutation

Splicing

Deep-learning

Cancers

Single-cell

Résumé

Seulement 50 megabases parmi les 3 gigabases du génome humain(moins de 2%) correspondent à des séquences codant des protéines. Les mutations somatiques dans ces régions codantes ont été étudiées de manière exhaustive puisqu'on peut prédire de manière relativement simple leur impact sur la structure des protéines. L'analyse des mutations 'drivers', c'est-à-dire jouant un rôle moteur dans l'oncogenèse, a permis de définir 723 gènes impliqués dans l'apparition des cancers (cancer gene census, COSMIC database, Septembre 2019). Au contraire, hormis l'exemple notable des mutations du promoteur de TERT - le gène responsable de l'expression de la télomérase, enzyme clé nécessaire à la prolifération illimitée des cellules - très peu de mutations drivers ont été identifiées dans la partie non-codante du génome, en raison de la difficulté à prédire l'impact fonctionnel de ces mutations. Bien que les mutations non-codantes puissent altérer la régulation transcriptionnelle ou post-transcriptionnelle d'oncogènes ou de gènes suppresseurs de tumeur, il n'y a pas de méthode communément établie pour prédire ces effets. Notre hypothèse de travail est que l'utilisation de réseaux de neurones profonds pour prédire l'impact fonctionnel des millions de mutations somatiques identifiées dans les grands programmes de séquençage de tumeurs est une approche prometteuse pour découvrir des mutations drivers non-codantes aujourd'hui inconnues. Des études pionnières ont démontré la capacité des réseaux de neurones profonds de reconnaître différents motifs régulateurs dans des séquences d'ADN, comme des sites d'épissage, les séquences régulant l'accessibilité de la chromatine, la fixation des facteurs de transcription ou la conformation 3D. Certaines de ces architectures ont produits des résultats majeurs sur l'identification de variants causaux pour différentes maladies constitutionnelles. Au cours de ma thèse, j'ai utilisé plusieurs de ces architectures pour prédire l'impact fonctionnel de quelques 279 200 766 mutations somatiques identifiées dans 18 247 tumeurs. Ces résultats m'ont notamment permis d'identifier un grand nombre de mutations d'epissage cryptiques dans les cancers, et de montrer la puissance des approches deep learning pour l'annotation des mutations à la fois en recherche et pour la clinique. Enfin, les approches single-cell se développent rapidement et permettent une description fine des mécanismes biologiques à l'échelle de la cellule. Cependant, ces données posent des problèmes liés au nombre limité de cellules analysées, et à la faible quantité de données par cellule. Pour permettre une exploitation optimale des données single-cell générées au laboratoire, j'ai commencé à développer une architecture pour l'intégration et d'augmentation de données single-cell appariées RNA-seq et ATAC-seq. Cette architecture permettra d'augmenter les populations cellulaires pour une meilleure caractérisation des populations rares, et d'optimiser la caractérisation transcriptionnelle et multi-omiques de chaque population.

Of the 3 gigabases that constitute the human genome, only about 50 megabases (<2%) encode protein-coding genes. Particular attention has been paid to somatic mutations affecting the coding sequence of these genes, leading to the almost exhaustive characterization of 723 genes implicated in cancer (cancer gene census, COSMIC database, September 2019). By contrast, at the notable exception of TERT promoter mutations that induce the expression of telomerase (a key enzyme necessary for unlimited cell proliferation), very few driver alterations have been identified in the non-coding genome. Analysis of mutation hotspots or known regulatory regions like promoters and enhancers have failed to identify significantly recurrent mutations with a strong transcriptional impact on cancer genes. The main reason for that is the difficulty to predict the functional consequence of non-coding mutations. Although non-coding mutations can alter the transcriptional and post-transcriptional regulation of cancer genes, there is no established method to predict these effects. To fill this gap, our hypothesis is that leveraging the power of deep neural networks to explore the millions of somatic alterations identified in large cancer sequencing projects is a promising approach to uncover the missing driver events involving the non-coding human genome. Pioneer studies have demonstrated the ability of deep neural networks to learn how to recognize several regulatory motifs from the DNA sequence, including splice sites or sequences regulating chromatin accessibility, transcription factor binding and 3D conformation. Some of these architectures have yielded important results including causal variants identification in several constitutional diseases, but they have not yet been applied to cancer research. During my PhD, I have tested several deep learning architectures to predict the functional effects of 279 200 766 somatic mutations identified in 18 247 tumors from different databases (TCGA, ICGC, Hartwig Medical Fundation). I notably identified a large number of cryptic splice mutations in cancer genes, demonstrating the power of these methods for annotating mutations in research and clinical practice. Finally, single-cell analyses are highly promising in cancer genomics to investigate biological mechanisms at the cellular level. However, these data pose important challenges due to the limited number of cells analyzed and the low amount of data generated for each cell. To help extract the maximum information from single-cell data generated in the lab, I began to develop an architecture for paired RNA-seq and ATAC-seq single-cell data integration and augmentation. This approach will allow us to better identify rare populations, and to improve the transcriptomic and multi-omic characterization of each cell population.