Identification des variations du nombre de copies dans les données d'exome : applications à l'infertilité

Identifying Copy Number Variations in exome data : applications to infertility

• Auteur / Autrice : Amandine Septier
• Direction : Nicolas Thierry-Mieg
• Type : Thèse de doctorat
• Discipline(s) : Modèles, méthodes et algorithmes en biologie, santé et environnement
• Date : Soutenance le 23/09/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Recherche translationnelle et innovation en médecine et complexité (La Tronche, Isère, France ; 1995-....)
• Partenaire(s) de recherche : Equipe de recherche : Equipe de recherche Biologie computationnelle et modélisation (La Tronche, Isère ; 2021-....)
• Jury : Président / Présidente : Olivier François
• Jury : Examinateurs / Examinatrices : Macha Nikolski, Matthieu Foll
• Jury : Rapporteurs / Rapporteuses : Antonio Rausell, Christel Thauvin-Robinet

Mots clés

Mots clés contrôlés

Stérilité

Exome

Mots clés libres

Bioinformatique

Exome

Cnv

Infertilité

Bioinformatics

Exome-Seq

Copy number variation

Infertility

Résumé

Dans le cadre de la génomique humaine, les variations du nombre de copies (CNV) représentent une forme importante de variation structurelle du génome, pouvant entraîner la perte (délétion) ou le gain(duplication) de matériel génétique dans certains segments. Ces variations jouent un rôle crucial dans diverses pathologies, impactant significativement la fonction des gènes, notamment dans les cas dedélétions, et conduisant à des effets phénotypiques variés.Le séquençage de l'exome entier (WES), ciblant sélectivement les régions exoniques du génome, est un outil clé pour l'identification de variations génétiques cliniquement pertinentes. Il est particulièrementefficace pour détecter les variations d'un seul nucléotide (SNV) et les petites insertions/délétions (indels). Cependant, il peut également être utilisé pour identifier les CNV, en particulier lorsque plusieurséchantillons obtenus par des technologies WES homogènes sont disponibles. Plusieurs méthodes ont été proposées pour détecter les CNV à partir de données WES. Typiquement, ces méthodes comparent le nombre de lectures de séquençage pour chaque exon à travers divers échantillons WES, identifiant des valeurs atypiques qui correspondent probablement à des délétions (réduction des lectures) ou des duplications (excès de lectures). Toutefois, les approches existantes souffrent souvent de faibles taux de concordance et de validation, comme le démontrent des évaluations indépendantes.Cette thèse propose une nouvelle méthode pour l'identification fiable des CNV à partir de données WES, comprenant quatre étapes méthodologiques innovantes :1. Filtrage et comptage des lectures : cette étape utilise une analyse approfondie des alignements de séquençage en paires, distinguant les lectures véritablement associées aux CNV des autres alignements(tels que ceux résultant d'autres types de variants structurels) ou des artefacts de séquençage et d'alignement. L'accent est mis sur la précision et l'exhaustivité, tout en optimisant l'efficacité computationnelle, car c'est la phase la plus couteuse en temps.2. Identification de sous-groupes homogènes d'échantillons : un algorithme novateur est introduit pour stratifier les échantillons en fonction des comptages de lectures par exon. Cette méthode vise à regrouper les échantillons présentant des caractéristiques de séquençage similaires, améliorant ainsi la détection précise des CNV et réduisant les faux positifs.3. Modélisation des comptages de lectures : cette étape implique l'application d'une modélisation statistique au niveau de chaque exon, pour prendre en compte la variabilité et la complexité des données de séquençage. Notre approche repose sur l'analyse fine de centaines d'exomes, aboutissant à une méthodologie à la fois robuste et exhaustive.4. Modélisation intégrative des CNV : Les modèles statistiques développés dans la troisième étape sont ensuite utilisés pour définir les paramètres d'un modèle de Markov caché (HMM) continu. Ce modèleintégratif multi-exons capture avec précision les nuances des données WES et permet des appels de CNV solidement appuyés sur une vraisemblance statistique clairement définie.Ces étapes constituent ensemble une approche cohérente et innovante pour la détection des CNV à partir de données WES. Notre méthode représente un progrès significatif dans l'interprétation des données WES pour la génomique clinique, avec un impact potentiel important pour le diagnostic et le traitement des troubles génétiques. Significativement, même avant la finalisation de notre approche, les résultatspréliminaires ont contribué à l'identification de plusieurs CNV impliqués dans l'infertilité, comme le démontrent les travaux de Celse et al. (Hum Genet 2021), Kherraf et al. (Am J Hum Genet 2022), et Dacheaux et al. (Elife. 2023). Ces découvertes soulignent le potentiel et la pertinence de nos méthodes pour approfondir la compréhension des conditions génétiques complexes.

A copy number variation (CNV) is a genomic structural variation that can result in the loss (deletion) or gain (duplication) of genetic material in a segment of the reference genome. These variations are significantin various pathologies, as they can profoundly affect gene function, particularly in deletions, leading to phenotypic effects.Whole exome sequencing (WES), which selectively sequences the exonic regions of the genome, is pivotal in identifying clinically relevant variations. It is particularly effective for identifying single nucleotide variants (SNVs) and small insertions/deletions (indels). Although not as straight-forward, it should also allow the detection of CNVs when multiple exomes produced with homogeneous WES technologies are available. Indeed, several methods for calling CNVs from WES data have been proposed. Typically, they compare the numbers of sequencing reads overlapping each exon across several WES samples, and identify outliers that should correspond to deletions (depletion of reads) or duplications(excess of reads). However the published methods exhibit low agreement rates and poor validation rates, as demonstrated by independent benchmarks.In this thesis, a novel approach for the reliable identification of CNVs from WES data is proposed. Our approach comprises four methodological steps, each solved in an innovative way: filtering and counting reads, identifying homogeneous subgroups of samples, robust modeling of read counts in an exon- and subgroup-specific way, integrative modeling of CNVs via hidden Markov models (HMMs).The first step relies on a meticulous case analysis of paired-end sequencing alignments, in order to distinguish genuine CNV-supporting reads from other non-reference alignments (e.g. resulting from othertypes of structural variants) or sequencing or alignment artifacts. Correctness and comprehensiveness of the analysis were our primary goals, but particular care was also taken to optimize the computationalefficiency of our algorithm and its implementation, as this step is the most time-intensive.The second step introduces an innovative algorithm for performing sample stratification based on read counts per exon. This algorithm is designed to group samples with similar sequencing characteristics, which improves the accuracy of CNV detection and reduces false positives.The third step applies advanced statistical modeling at the individual exon level to effectively handle the inherent variability and complexity in sequencing data. Our data-driven modeling approach relied on thecareful analysis of hundreds of exomes, resulting in a robust and comprehensive methodology.In a final step, the exon-level models from step 3 are used to set the parameters of a custom-designed continuous HMM, resulting in an integrative model of CNVs that can span multiple exons. Thisprobabilistic model effectively captures the nuances of WES data, and results in CNV calls that are supported by a well-grounded statistical likelihood.Together, these steps form a cohesive and innovative approach to CNV detection from WES data. The proposed method represents a significant step forward in the interpretation of WES data in genomics, and should also prove highly impactful for the diagnosis and treatment of genetic disorders. Significantly, even before we completed the development and implementation of our approach, results from the first steps of this thesis were instrumental in the discovery of several infertility-causing CNVs (Celse et al, Hum Genet 2021 Jan;140(1):43-57; Kherraf et al, Am J Hum Genet 2022 Mar 3;109(3):508-517; Dacheaux et al, Elife. 2023 Nov 7;12:RP87698). These discoveries highlight the potential and relevance of our research methods in contributing to a deeper understanding of complex genetic conditions.