'Analyses intégrées de données RNA-seq à grande échelle dans les leucémies aigues Myéloïdes'

Integrated analyses of large scale RNAseq data in Acute myeloid Leukemia

• Auteur / Autrice : Raíssa Lorena Silva da silva
• Direction : Thérèse Commes-maerten
• Type : Projet de thèse
• Discipline(s) : Biologie Santé
• Date : Inscription en doctorat le ; Soutenance le 13/12/2024
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : Sciences Chimiques et Biologiques pour la Santé (Montpellier ; Ecole Doctorale ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IRMB - Cellule souches, plasticité cellulaire, régénération tissulaire et immunothérapie des maladies inflammatoires
• Partenaire(s) de recherche : Equipe de recherche : Genome and stem cell plasticity in development and ageing.
• Jury : Président / Présidente : Stéphane Pyronnet
• Jury : Examinateurs / Examinatrices : Thérèse Commes-maerten, Yann Lecunff, Anthony Boureux, Pierre Peyret, Sarah Djebali
• Jury : Rapporteurs / Rapporteuses : Pierre Peyret, Sarah Djebali

Mots clés

Mots clés libres

Resistance au traitement

ARN de fusion

Leucemie aigue Myeloide

RNAseq

Bioinformatique

ARN non-codant

Treatment resistance

Acute myeloid Leukemia

Non-coding RNA

Bioinformatics

Fusion RNA

RNAseq

Résumé

Le RNA-seq est une méthode largement adoptée dans le domaine de la médecine de précision pour caractériser de nouveaux biomarqueurs et apporter de nouvelles pistes thérapeutiques. Avec l’augmentation des données RNAseq disponibles, le défi dans les analyses à grande échelle se pose. Pour résoudre ce problème, les scientifiques ont utilisé des méthodes statistiques de réduction de dimension des données et ont appliqué des méthodes d'apprentissage automatique pour capturer des informations dans des données biologiques complexes contenues dans le RNAseq. Cependant la plupart de ces analyses se limitent aux informations portées par les annotations ou transcriptome de référence, ce qui nécessite de nouvelles méthodes pour étudier l'information biologique inconnue. Dans ce travail de thèse, nous proposons l'analyse à grande échelle de données RNA-seq issues de cohortes de patients atteints de leucémie myéloïde aiguë (LAM) afin de réaliser des analyses transcriptomiques. Les approches que nous proposons sont “reference-free” et basées sur des méthodes d'apprentissage automatique. À cette fin, le présent manuscrit est divisé en cinq chapitres. Dans le chapitre A, nous présentons les concepts de la biologie et des fondamentaux de la bioinformatique pour comprendre les données et la technologie utilisées. Dans le chapitre B, nous présentons les méthodes et les algorithmes utilisés dans les processus d'apprentissage automatique pour traiter le problème de données de grande dimension et de prédiction. Dans le chapitre C, nous présentons les concepts de biomarqueurs et l'état de l’art des approches utilisées dans la littérature récente. Les résultats de la thèse sont présentés dans le chapitre D et divisés en trois sections : K-mer et métadonnées, K-mer et transcriptome, et K-mer et biomarqueurs. Dans la 1er section « K-mer et métadonnées », nous abordons la problématique pour travailler avec des données RNA-seq disponibles dans les archives publiques. La collecte de ces ensembles de données présente plusieurs défis allant d’autorisations spécifiques pour certaines à des questions de disponibilité de metadata pour d’autres. Les techniques présentées dans notre première publication basées sur les k-mers nous ont aidé à identifier et à confirmer les métadonnées. Dans la section « K-mer et Transcriptome », nous présentons un nouveau pipeline KITE (K-mer Integration for Transcriptomic Exploration) pour analyser les données RNAseq à l'aide d'une approche sans référence, d'un processus de réduction de dimension et de méthodes d'apprentissage automatique. Notre pipeline prédit le statut de mutation chez les patients atteints de LAM avec une précision de plus de 95 % pour des cohortes indépendantes. Nous avons également montré que KITE a des performances de prédiction similaires (et dans certaines cohortes, meilleures) que les méthodes conventionnelles, en identifiant les gènes déjà publiés comme biomarqueurs, ainsi de nouveaux marqueurs. Dans la section « K-mer et biomarqueur », nous présentons des applications de KITE pour identifier des biomarqueurs candidats dans les cohortes LAM. Nous avons montré (1) l'influence des algorithmes d'apprentissage automatique pour prédire différentes conditions, (2) la prédiction du statut de mutation de NPM1 et les biomarqueurs identifiés, et (3) la prédiction de la stratification du risque pour les patients atteints de LAM dans différents groupes et l'implication des biomarqueurs identifiés dans la survie. Enfin, le chapitre E présente les principaux points constatés au cours de l'élaboration de cette recherche, les défis qui restent à relever et la perspective des travaux.

RNA-seq is a method that has been widely adopted for analysis in the area of precision medicine, providing new biomarkers and revealing new ways of treatment. With the large increase in RNA-seq data, the challenge of analyzing high-dimensional data arises. To deal with this, several scientists have used statistical techniques to reduce data dimensionality and applied machine learning methods to capture information in complex biological data. Despite the increase of methods to understand RNA, the most current analysis is limited to reference annotations, requiring new methods to investigate unknown biological information. In this work, we propose the analysis of Acute Myeloid Leukemia (AML) cohorts with large-scale transcriptome analysis using RNA-seq technology, a reference-free approach, and machine learning methods. For this purpose, this manuscript is separated into five chapters. In Chapter A we present concepts of biology and bioinformatic fundamentals to understand the data and technology used. In Chapter B, we present methods and algorithms used in the machine learning processes to address the problem of high-dimension data and accurate prediction. In chapter C, we present concepts of biomarkers and related works in the recent literature. As the results of this work, chapter D presents three sections: K-mer and metadata, K-mer and Transcriptome, and K-mer and Biomarkers. In “K-mer and metadata”, we address the problem of working with RNA-seq data from public archives. Collecting these datasets has the challenge of specific authorizations, limited availability files, and sample identifiers, which bring difficulty in having reliable metadata. Techniques such as the one shown in our first publication with the use of k-mer approaches can help to identify and confirm metadata. In “K-mer and Transcriptome”, we present a KITE pipeline (K-mer Integration for Transcriptomic Exploration) to analyze RNA-seq data using a reference-free approach, a dimension reduction process, and machine learning methods. Our pipeline predicts mutation status in AML patients with more than 95% accuracy for independent cohorts. We also showed that KITE has similar (and in some cohorts, better) prediction performance than conventional methods, identifying genes already published biomarkers, as well as new ones. In “K-mer and Biomarker”, we present the application of KITE to identify biomarkers candidates in AML cohorts. In this section, we showed (1) the influence of machine learning algorithms to predict different conditions, (2) the prediction of NPM1 mutation status and the identified biomarkers, and (3) the prediction of risk stratification for AML patients in different groups and the implication of identified biomarkers in survival. Finally, chapter E presents the main points found during the development of this research, the challenges that remain, and the perspective of work.