Exploitation des outils statistiques pour l'intégration des données omiques en biologie végétale et animale

Exploitation of statstical tools for the integration of 'omics' data in plant and animal biology

• Auteur / Autrice : Emile Mardoc
• Direction : Jérôme Salse
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique
• Date : Soutenance le 19/12/2023
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : École doctorale des sciences de la vie, santé, agronomie, environnement (Clermont-Ferrand)
• Partenaire(s) de recherche : Laboratoire : Génétique, Diversité et Ecophysiologie des Céréales
• Jury : Président / Présidente : Saïd Mouzeyar
• Jury : Examinateurs / Examinatrices : Marie-Laure Martin, Engelbert Mephu-Nguifo, Muriel Bonnet
• Jury : Rapporteur / Rapporteuse : Christophe Ambroise, Andrea Rau, Judith Burstin

Mots clés

Mots clés contrôlés

Biologie systémique

Intégration de données (informatique)

Mots clés libres

Données omiques

Intégration de données

Tutoriel

CimDiablo_v2

Peuplier

Bovin

Omics data

Data integration

Tutorial

CimDiablo_v2

Poplar

Bovine

Résumé

Les avancées de ces dernières années dans les technologies de production de données biologiques sont à l'origine de la massification de données dites omiques, telles que les données génomiques (ADN), transcriptomiques (ARNm), protéomiques (protéines), métabolomiques (métabolites), etc. Ces données offrent la possibilité de décrire, en théorie, les processus biologiques les plus complexes mis en oeuvre par tous les systèmes biologiques en interaction avec leur environnement. L'enjeu méthodologique est alors de pouvoir intégrer, c'est-à-dire analyser simultanément, ces données de nature et provenance diverses pour répondre à différents questionnements scientifiques. Dans ce contexte, l'objectif de cette thèse est de proposer une approche méthodologique pour intégrer des données omiques produites dans différents contextes et l'appliquer à différents questionnements biologiques concrets chez les plantes et animaux. Un workflow en 6 étapes a été développé pour préparer et mener l'intégration des données omiques, à destination des biologistes non-experts de l'intégration multi-omiques. Le workflow détaille alors les étapes à effectuer avant d'intégrer les données omiques, ces étapes correspondant à 1- l'acquisition des données et leur structuration sous forme matricielle, 2- la définition de la question biologique et de la stratégie intégrative associée, 3- le choix de l'outil intégratif adapté à la question et aux données, 4- le pré-traitement des données, 5- l'analyse préliminaire par jeu de données, 6- l'intégration multi-omiques. Concernant spécifiquement l'étape d'intégration (6), parmi 13 outils sélectionnés et présentés dans le manuscrit, nous avons exploité l'outil mixOmics et développé la fonction cimDiablo_v2 pour intégrer les données par réduction de dimension.Ces développements méthodologiques ont été proposés dans l'optique de s'adapter à différents contextes biologiques, à savoir pour répondre à différentes questions biologiques classées en 3 stratégies intégratives (description, sélection, prédiction), en intégrant différents types de données omiques (génomiques, transcriptomiques,protéomiques, etc.) à différents niveaux (par espèces, individus, tissus, gènes, conditions expérimentales, etc.). Ces développements ont alors été testés sur plusieurs jeux de données biologiques, comme preuve de concept : premièrement, sur des données plantes (peuplier et céréales), afin d'identifier les profils d'interactions entre la méthylation de l'ADN et l'expression des gènes pour différentes populations géographiques d'individus (peuplier) et de stades de développement du grain (céréales), puis, deuxièmement, sur des données animales (bovin),afin d'identifier les signatures moléculaires de la composition tissulaire ou chimique des carcasses bovines en sélectionnant les protéines fortement liées aux phénotypes de la composition corporelle.Chez les plantes, nous avons durant cette thèse 1- hiérarchisé les facteurs majeurs de variabilité des données omiques, 2- regroupé les gènes selon leur profil de méthylation et d'expression, et 3- identifié des gènes master regulators fortement exprimés ou méthylés pour les différentes populations (chez le peuplier) ou stades de développement du grain (chez les céréales), puis étudié leurs fonctions biologiques. Chez les animaux (bovins), nous avons proposé une liste de protéines candidates de 7 phénotypes liés à la composition corporelle, et donc à l'efficience de conversion des rations en poids de muscle, qui pourra être utilisée pour de futures études prédictives.

The recent advancements in biological data production technologies have led to the proliferation of omics data, such as genomic (DNA), transcriptomic (mRNA), proteomic (proteins), metabolomic (metabolites) data, etc. These data theoretically provide the opportunity to describe the most complex biological processes implemented by all biological systems interacting with their environment. Thus, the methodological challenge is to integrate, i.e. simultaneously analyze, these data from diverse nature and source to address various scientific questionnings. In this context, the objective of this thesis is to propose a methodological approach to integrate omics data produced in different contexts and apply it to various concrete biological questions in plants and animals.A six-step workflow has been developed to prepare and conduct the integration of omics data, decidated to biologists non-expert in multi-omics integration. The workflow outlines the steps to be followed before integrating omics data, these steps corresponding to 1- data acquisition and structuring in matrix form, 2- defining the biological question and the associated integrative strategy, 3- choosing the integrative tool suitable for the selected question and the data, 4- data pre-processing, 5- preliminary data analysis, 6- multi-omics integration. Regarding the integration step (6), among 13 selected tools presented in the manuscript, we made use of the mixOmics tool and developed the cimDiablo_v2 function to integrate data through dimension reduction.These methodological developments were proposed with the aim of being adaptable to various biological contexts, i.e. to address different biological questions classified into 3 integrative strategies (description, selection, prediction), by integrating different types of omics data (genomic, transcriptomic, proteomic, etc.) and at various levels (by species, individuals, tissues, genes, experimental conditions, etc.). These developments were then tested on several biological datasets as a proof of concept : firstly, on plant data (poplar and cereals) to identify interaction profiles between DNA methylation and gene expression for different geographical populations of individuals (poplar) and developmental stages of grain (cereals), and secondly, on animal data (bovine) to identify molecular signatures of tissue or chemical composition of bovine carcasses by selecting proteins strongly associated with body composition phenotypes.In plants, we 1- ranked the major factors of omics data variability, 2- grouped genes based on their methylation and expression profiles, and 3- identified strongly expressed or methylated master regulator genes for different populations (in poplar) or stages of grain development (in cereals), and studied their biological functions. In animals (bovine), we proposed a list of candidate proteins for 7 phenotypes related to body composition, and thus, to feed conversion efficiency, which can be used for future predictive studies.