Développement, évaluation et application de méthodes statistiques pour l'analyse de données multidimensionnelles de comptage produites par les technologies de séquençage à haut débit ("Next Generation Sequencing")

Assessment of supervised classification methods for the analysis of RNA-seq data

• Auteur / Autrice : Mustafa Abuelqumsan
• Direction : Jacques Van Helden, Badih Ghattas
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique et Génomique
• Date : Soutenance le 20/12/2018
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Sciences de la Vie et de la Santé (Marseille)
• Partenaire(s) de recherche : Laboratoire : TAGC. Technological advances for genomics and clinics (marseille)
• Jury : Président / Présidente : Christine Brun
• Jury : Examinateurs / Examinatrices : Denis Puthier, Pascal Barbry
• Jury : Rapporteurs / Rapporteuses : Marie-Agnès Dillies, Gaëlle Lelandais

Mots clés

Mots clés contrôlés

Génomique

Biométrie

Bioinformatique structurale

Mots clés libres

Bioinformatique

Biostatistique

Séquençage Massivement Parallèle

RNA-Seq

Classification supervisée

Bioinformatics

Biostatistics

Séquençage Massivement Parallèle

RNA-Seq

Supervised classification

Résumé

Les technologies « Next Generation Sequencing» (NGS), qui permettent de caractériser les séquences génomiques à un rythme sans précédent, sont utilisées pour caractériser la diversité génétique humaine et le transcriptome (partie du génome transcrite en acides ribonucléiques). Les variations du niveau d’expression des gènes selon les organes et circonstances, sous-tendent la différentiation cellulaire et la réponse aux changements d’environnement. Comme les maladies affectent souvent l’expression génique, les profils transcriptomiques peuvent servir des fins médicales (diagnostic, pronostic). Différentes méthodes d’apprentissage artificiel ont été proposées pour classer des individus sur base de données multidimensionnelles (par exemple, niveau d’expression de tous les gènes dans des d’échantillons). Pendant ma thèse, j’ai évalué des méthodes de « machine learning » afin d’optimiser la précision de la classification d’échantillons sur base de profils transcriptomiques de type RNA-seq.

Since a decade, “Next Generation Sequencing” (NGS) technologies enabled to characterize genomic sequences at an unprecedented pace. Many studies focused of human genetic diversity and on transcriptome (the part of genome transcribed into ribonucleic acid). Indeed, different tissues of our body express different genes at different moments, enabling cell differentiation and functional response to environmental changes. Since many diseases affect gene expression, transcriptome profiles can be used for medical purposes (diagnostic and prognostic). A wide variety of advanced statistical and machine learning methods have been proposed to address the general problem of classifying individuals according to multiple variables (e.g. transcription level of thousands of genes in hundreds of samples). During my thesis, I led a comparative assessment of machine learning methods and their parameters, to optimize the accuracy of sample classification based on RNA-seq transcriptome profiles.