Autoencodeurs antagonistes novateurs pour la simulation de génomes humains

Novel adversarial autoencoders to simulate human genomes

• Auteur / Autrice : Callum Burnard
• Direction : William Ritchie
• Type : Projet de thèse
• Discipline(s) : Biologie Santé
• Date : Inscription en doctorat le ; Soutenance le 11/12/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : Sciences Chimiques et Biologiques pour la Santé
• Partenaire(s) de recherche : Laboratoire : IGH - Institut de Génétique Humaine
• Partenaire(s) de recherche : Equipe de recherche : Intelligence artificielle et régulation génique
• Jury : Président / Présidente : Thérèse Commes
• Jury : Examinateurs / Examinatrices : William Ritchie, Daniel Gautheret, Denis Puthier, Alban Mancheron, Magali Richard
• Jury : Rapporteur / Rapporteuse : Daniel Gautheret, Denis Puthier

Mots clés

Mots clés libres

Intelligence artificielle

Genomique

Sequencage

Medecine personnalisee

Sequencing

Genomics

Artificial intelligence

Personalized medicine

Résumé

Un génome humain disponible publiquement représente à la fois une ressource pour la recherche et un risque pour la personne qui a fourni le génome. De nombreux acteurs aux intentions égoïstes pourraient l’exploiter pour en tirer des informations sur la santé du donneur ou de ses proches. Des travaux récents ont employé des modèles d’intelligence artificielle pour simuler des données génomiques, dans le but de créer des jeux de données synthétiques ayant un intérêt scientifique et qui respecte l’anonymat des patients. Cependant, une difficulté majeure se pose quant à la quantité de données que représente un génome humain dans son entièreté, et donc les ressources requises pour les traiter. Nous cherchons à mettre au point une méthode de réduction de dimensions combinant intelligence artificielle et nos savoirs sur les mécanismes d’association des mutations in vivo. Ainsi, une grande quantité de données pourra être traitée sans nécessiter d’importantes ressources computationnelles. Notre découpe du génome suit les chances de recombinaison chromosomique, donc est proche des mécanismes de transmission des mutations. Les données sur lesquelles l’entraînement se fait sont issues du 1000 Genomes Project. Il recense plus de 2500 génomes de divers groupes ethniques. Les autoencodeurs variationnels sont une méthode de réduction de dimensions utilisant des réseaux de neurone, servant ainsi d’extension au modèle génératif. Les Réseaux Antagonistes Génératifs avec la perte de Wasserstein (WGAN) sont une référence parmi les méthodes de génération sur de nombreux types de données. Après avoir testé plusieurs stratégies et paramètres différents, la découpe selon les loci de recombinaison chromosomique propose la meilleure combinaison d’exactitude de reconstruction et d’efficacité de compression. Les autoencodeurs entraînés sur ces sections présentent en moyenne une exactitude de reconstruction supérieure à 99% en comprimant le génome haplotypique cent fois (une section de mille mutations sera résumée par dix valeurs). Le WGAN permet de générer une population simulée vérifiant plusieurs critères essentiels. Elle présente une bonne diversité, proche de celle trouvée dans le jeu de données de référence. Elle est vraisemblable, dans la mesure où les nouvelles combinaisons de mutations générées ne rompent pas les déséquilibres de liaison trouvées chez l'humain. Elle préserve aussi l'anonymat des donneurs en synthétisant des combinaisons de génomes de référence, qui ne sont pas des copies conformes de celles-cis.

A publicly available human genome serves as both a valuable resource for researchers and a potential risk to the individual who provided the genome. Many actors with selfish intentions could exploit it to extract information about the donor's health or that of their relatives. Recent efforts have employed artificial intelligence models to simulate genomic data, aiming to create synthetic datasets with scientific merit while preserving patient anonymity. However, a major challenge arises in dealing with the vast amount of data that constitutes a complete human genome and the resources required to process it. We aim to develop a dimension reduction method that combines artificial intelligence with our knowledge of in vivo mutation association mechanisms. This approach enables the processing of large amounts of data without significant computational resources. Our genome segmentation follows chromosomal recombination hotspots, closely resembling mutation transmission mechanisms. Training data is sourced from the 1000 Genomes Project, which catalogues over 2500 genomes from diverse ethnic groups. Variational autoencoders, utilising neural networks, serve as an extension to the generative model. Wasserstein Generative Adversarial Networks (WGAN) are a benchmark among generation methods for various data types. After testing various strategies and parameters, segmentation based on chromosomal recombination loci proves to offer the best combination of reconstruction accuracy and compression efficiency. Autoencoders trained on these segments exhibit an average reconstruction accuracy exceeding 99% when compressing the haplotypic genome by a factor of one hundred (a section of a thousand mutations summarised by ten values). WGAN allows the generation of a simulated population meeting several essential criteria. It demonstrates good diversity, closely resembling that found in the reference dataset. It is plausible, as newly generated combinations of mutations do not disrupt the linkage disequilibria found in humans. It also preserves donor anonymity by synthesising combinations of reference genomes that are not exact replicas of the originals.