Sélection de génomes représentatifs pour l'identification de microorganismes par spectrométrie de masse MALDI-TOF

Selection of representative genomes for the identification of microorganisms by MALDI-TOF mass spectrometry

• Auteur / Autrice : Rémi-Vinh Coudert
• Direction : Céline Brochier-Armanet, Jean-Pierre Flandrois, Jean-Philippe Charrier
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique
• Date : Soutenance le 12/12/2023
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale Evolution Ecosystèmes Microbiologie Modélisation (Lyon ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Biométrie et Biologie Evolutive
• Jury : Président / Présidente : Simonetta Gribaldo
• Jury : Examinateurs / Examinatrices : Céline Brochier-Armanet, Jean-Pierre Flandrois, Renaud Piarroux, Mylène Hugoni, Sophie Abby, Laura Eme, Yannick Charretier
• Jury : Rapporteur / Rapporteuse : Simonetta Gribaldo, Renaud Piarroux

Mots clés

Mots clés contrôlés

Banques de gènes

Protéomique

Spectrométrie de masse

Échantillonnage

Génome

Mots clés libres

Génomes représentatifs

Spectrométrie de masse

Identification bactérienne

MALDI TOF

Échantillonnage de génomes

Protéomique

Representative genomes

Mass spectrometry

Bacteria identification

MALDI TOF

Genome sampling

Proteomic

Résumé

Les bases de données de séquences génomiques croissent de manière exponentielle, avec une redondance élevée et une qualité inégale des données. Pour ces raisons, la plupart des études reposent sur des sous ensembles de génomes. Les approches actuelles d'échantillonnage font appel à des critères taxonomiques, de similarité ou phylogénétiques. Cependant ces approches ont des limites, sont affectées par plusieurs biais et la plupart d'entre elles sont incapables d’analyser de grands jeux de données. La première partie de la thèse présente une méthode innovante, rapide, efficace et facile d’utilisation pour sélectionner des échantillons représentatifs fiables de génomes annotés au sein de très grands ensembles de données : MPS Sampling (Multiple Protein Similarity Sampling). À partir de familles de protéines en copie unique (par exemple les core proteins, ou encore les protéines ribosomales), MPS Sampling délimite des groupes homogènes de génomes via trois étapes successives de clustering. Des génomes représentatifs sont ensuite sélectionnés au sein de ces groupes en fonction de critères de qualité et de centralité. En particulier, MPS Sampling est destiné à sélectionner les génomes représentatifs de l’algorithme d’identification par spectrométrie de masse SARAMIS+. La spectrométrie de masse de type MALDI TOF est aujourd’hui utilisée pour l’identification des microorganismes en routine clinique. Cette approche dite protéomique implique l’utilisation de bases de listes de pics, utilisée comme référence lors de l’identification. Ces bases de référence sont souvent construites à partir de données expérimentales, ce qui implique certaines limites liées notamment aux conditions d’acquisition des spectres et à la couverture taxonomique de la base. Pour pallier ces limites, une solution est d’utiliser une autre source d’information telle que l’information génomique. La deuxième partie de la thèse présente SARAMIS+, un algorithme d’identification par MALDI TOF inférée par information génomique. Tout d’abord, l’algorithme identifie les protéines à l’origine des pics dans les spectres MALDI TOF, en liant informations génomique et protéomique via un procédé nommé interprétation. Puis, l’interprétation des spectres est exploitée pour l’identification bactérienne. Ainsi, la base spectrale de référence de SARAMIS+ est calculée in silico à partir de séquences génomiques, par opposition aux bases de référence classiques construites à l’aide de spectres protéiques expérimentaux.

Genomic sequence databases are growing exponentially, with high redundancy and uneven data quality. For these reasons, most studies are based on subsets of genomes. Current sampling approaches use taxonomic, similarity or phylogenetic criteria. However, these approaches have limitations, are affected by several biases and most of them are unable to analyse large datasets. The first part of the thesis presents an innovative, fast, efficient and easy-to-use method for selecting reliable representative samples of annotated genomes from very large datasets: MPS Sampling (Multiple Protein Similarity Sampling). Based on families of single-copy proteins (e.g. core proteins or ribosomal proteins), MPS Sampling delimits homogeneous groups of genomes via three successive clustering steps. Representative genomes are then selected from these groups on the basis of quality and centrality criteria. In particular, MPS Sampling is designed to select representative genomes for the SARAMIS+ mass spectrometry identification algorithm. MALDI TOF mass spectrometry is now used to identify microorganisms in routine clinical practice. This so-called proteomic approach involves the use of peak list databases, which are used as a reference during identification. These reference databases are often built from experimental data, which implies certain limitations linked in particular to the conditions under which the spectra are acquired and the taxonomic coverage of the database. To overcome these limitations, one solution is to use another source of information, such as genomic information. The second part of the thesis presents SARAMIS+, a MALDI TOF identification algorithm inferred from genomic information. Firstly, the algorithm identifies the proteins that cause peaks in MALDI TOF spectra, by linking genomic and proteomic information via a process called interpretation. The interpretation of the spectra is then used for bacterial identification. The SARAMIS+ spectral reference base is calculated in silico from genomic sequences, as opposed to conventional reference bases constructed using experimental protein spectra.